基于CEEMD-BP模型的汾河上游月径流预测

为了减轻径流序列的非线性、非平稳性对径流预测结果的影响,针对汾河上游上静游站、汾河水库站、寨上站及兰村站1958—2000年的月径流序列,采用CEEMD法及BP神经网络,建立了汾河上游月径流预测的CEEMD-BP模型,并与单一BP模型及EMD-BP模型的预测结果进行了对比分析。结果表明:验证期CEEMD-BP模型径流预测的平均绝对误差、均方根误差与单一BP模型相比分别减小53%～62%、48%～65%,与EMD-BP模型相比分别减小34%～46%、30%～43%;CEEMD-BP模型模拟期、验证期的确定性系数均大于0.9,预测精度均为甲级,因此CEEMD-BP模型用于非线性、非平稳性径流时间序列预测是可行、有效的。     

基于优化算法的组合模型在水库年径流预测中的应用

为提高水库中长期径流预测精度,将灰色模型与BP神经网络模型进行组合,并采用马尔科夫链对组合模型误差序列进行修正,建立修正的中长期径流预测组合模型,此外利用SMA算法对组合模型参数进行优化,以白石和阎王鼻子2座水库为实例,选取常用5种模型进行精度对比。结果表明：相比于其他5种模型,参数优化后的修正组合模型其平均相对误差MAPE可降低约10%～13%,均方根误差RMSE平均可降低约34%～42%,预测精度更高。研究成果对于水库中长期径流预测方法具有重要参考价值。     

西洞庭湖南咀站月平均流量估算模型对比研究

为探讨广义回归神经网络(GRNN)、BP、小波神经网络(WAVE)在径流预测中的适用性,以西洞庭湖南咀站为例,通过EMD方法对1956—2008年南咀站月平均径流量序列进行分解,结合相关性分析分离出与安乡、南咀站月平均水位、流量等输入因子相关的IMF分量,引入BP、GRNN、WAVE算法建立径流估算模型,重构南咀站月平均流量序列。结果表明:①除IMF2分量能量最高、振幅最大,贡献率73.238%,南咀站月平均径流量其他分量随分量级数增大,振幅减小,能量减小,周期增大,贡献率减小;②南咀站月平均流量分量IMF1—3与安乡、石龟山站水位流量极显著正相关,趋势项与石龟山站月平均水位、安乡站月平均流量极显著负相关,与石龟山站月平均流量显著负相关,其他指标相关性均不显著;③同一模式,GRNN算法均优于BP算法(Factor模式下除相对误差外)、小波神经网络算法(IMF-7模式下除均方根误差外),同一算法,Factor模式均优于IMF-7模式,IMF-7模式优于IMF-4模式(除GRNN算法外)。     

回归支持向量机集成模型在年径流预测中的应用

为进一步提高径流预测精度和泛化能力,根据回归支持向量机(SVR)特性及基本原理,提出考虑不同影响因子(输入向量)的SVR集成预测模型,以云南省南盘江西桥站1961—2007年径流预测为例进行实例研究。首先,利用相关分析法选取年径流预测的若干影响因子,依次构建不同影响因子的SVR单一模型对研究实例进行预测,并构建对应的RBF模型作为对比预测模型;然后,采用加权平均和简单平均2种方法对具有较好预测精度和互补性的单一模型的预测结果进行综合集成。结果表明基于SVR的加权平均和简单平均2种集成模型径流预测的平均相对误差绝对值分别为1.27%和1.54%,最大相对误差绝对值分别为2.99%和2.74%,其精度和泛化能力均大幅优于各单一模型以及基于RBF的加权平均和简单平均集成模型,表明加权平均SVR和简单平均SVR集成模型具有较高的预测精度和泛化能力。相对而言,加权平均集成模型赋予了预测效果好的模型更大的权重,预测精度和泛化能力均优于简单平均集成模型。预测模型和方法可为相关预测研究提供参考和借鉴。     

月径流预报建模方法对比分析——以嘉陵江北碚站为例

为提高径流预报的精度,以嘉陵江流域北碚水文站为例,选取1979～2019年径流资料,对比分析月径流预报多种建模方法的预报性能。选择时间序列法作为单变量预报模型的方法,随机森林、BP神经网络和多元线性回归作为多变量预报模型的方法,并应用时变权重进行组合预报,对比单变量与多变量、单一与组合模型预报结果。结果表明：(1)多变量预报模型预报效果更优,与时间序列模型相比,其平均绝对百分比误差减少约20%;(2)随机森林与BP神经网络这两种机器学习方法在单一模型中具有更好的预测能力;(3)时变权重组合预报方法能有效结合单一模型的优点,进一步提高预报精度。研究成果可为中长期径流预报的建模策略制定提供参考。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

基于自适应搜索权重的滑坡位移组合预测

通过建立基于自适应搜索权重的滑坡位移组合预测模型,对滑坡位移进行预测,提高了预测精度。以三峡库区店子湾滑坡为例,对GPS监测累积水平位移进行预测,同时构建平方和误差(SSE)、平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)和均方百分比误差(MSPE)等5个评价指标进行全方位评价。计算结果可知,该模型预测的平均绝对误差(MAE)为3.354 6,均方误差(MSE)为1.254 1,平均绝对百分比误差(MAPE)为5.53%,均方百分比误差(MSPE)为2.07%,全面优于单预测方法,取得较好的效果。     

基于小波分解的AVOA-DELM月径流时间序列预测模型及应用

为提高月径流时间序列预测精度,提出小波分解(WD)-非洲秃鹫优化算法(AVOA)-深度极限学习机(DELM)组合预测模型,并应用于云南省丫勒水文站月径流预测。利用WD对月径流时序数据进行分解,以获得更具规律的子序列分量;通过AVOA优化DELM隐含层神经元数,建立WD-AVOA-DELM模型对各子序列分量进行预测,将预测结果加和重构得到最终月径流预测结果。同时构建基于支持向量机(SVM)、BP神经网络两种预测器的WD-AVOA-SVM、WD-AVOA-BP、AVOA-DELM、AVOA-SVM、AVOA-BP作分析对比模型。结果表明：WD-AVOA-DELM模型对丫勒水文站月径流预测的平均绝对百分比误差为3.02%,预测误差远小于WD-STOA-SVM、WD-AVOA-BP模型,预测精度较AVOA-DELM、AVOA-SVM、AVOA-BP提高1个数量级以上,具有较好的预测效果。WD能科学降低径流序列的复杂性,提高预测精度;AVOA能有效优化DELM关键参数,提高DELM网络性能。     

基于奇异谱分析的滑坡变形预测

以三峡库区某滑坡GPS位移监测时间序列为例,采用奇异谱分析对原始序列进行趋势项分离,得到有效分量,并建立二阶差分-指数平滑预测模型。结果显示,采用奇异谱分析处理序列预测的误差平方和(SSE)为385.23,平均绝对误差(MAE)为7.50,均方误差(MSE)为3.93,平均绝对百分比误差(MAPE)为3.44%,均方百分比误差(MSPE)为1.79%,5项指标相对未处理序列预测结果全面占优。可见,奇异谱分析为滑坡变形时间序列的预测提供了一种有效的预处理方法。     

基于PSO-WRF的渭河中下游年径流预测模型

针对传统随机森林(RF)模型决策树因投票权重相同而导致预测精度不高的问题,采用加权随机森林(WRF)模型全面考虑各决策树分类能力的差异性,建立决策树加权投票机制;同时运用粒子群算法(PSO)进行参数全局寻优,避免依据经验选取参数的不科学性,通过二者耦合最终构建PSO-WRF模型。利用渭河中下游咸阳站与华县站1960—2009年的径流系列对RF、WRF、PSO-WRF三种模型进行训练及测试,结果表明,PSO-WRF在咸阳站与华县站的平均相对误差绝对值(MRE)分别为7.05%和9.41%,且均方根误差(RMSE)、平均绝对误差(MAE)等指标均降至优化前的30%～50%,各年预测误差最低可降低至优化前的1/3～1/6。PSO-WRF模型优化效果显著,表现出良好的预测精度和泛化能力,能够为相关径流预测研究提供一定参考。     

基于多元变量组合的回归支持向量机集成模型及其应用

为进一步提高径流预测的精度和泛化能力,提出基于多元变量组合的回归支持向量机(SVR)集成年径流预测模型,以云南省龙潭站年均径流预测为例进行实例研究。首先,以实例1—10月月均流量作为预测因子,采用相关分析法确定预测因子与年均径流量的相关系数,按照相关系数大小顺序依次选取预测因子,构建2维输入变量~10维输入变量的9种SVR模型对实例后12年的年均径流量进行预测。最后,采用简单平均(SA)和加权平均(WA)两种集成方法对具有较高预测精度的7种SVR模型的预测结果进行综合集成。结果表明:①SVR模型的预测精度随着输入变量维数的增加明显提高。②SA-SVR和WA-SVR模型对实例后12年年均径流量预测的平均相对误差绝对值分别为1.73%和1.79%,最大相对误差绝对值分别为6.34%和6.47%,精度和泛化能力均优于各SVR模型。相对而言,由于采用多个SVR模型进行集成,SA-SVR模型预测效果略优于WASVR模型。     

基于人工电场算法优化的大型灌区径流预测模型研究

针对水文预报中径流预测数据序列具有非线性和非平稳性等特点,将一种新型智能优化算法——人工电场算法AEFA与LSTM神经网络结合进行参数优化,建立AEFA-LSTM预测模型,并以赵口大型灌区涡河玄武水文站实测年径流量作为样本数据进行网络优化训练和预测分析,同时与传统优化算法（遗传算法GA和粒子群算法PSO）建立的GA-LSTM和PSO-LSTM预测模型进行对比。结果表明：AEFA-LSTM模型预测值的平均相对误差相较于GA-LSTM模型和PSO-LSTM模型分别降低了7.59%和5.22%,且平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中最小,说明所建立的AEFA-LSTM模型可以更高精度地预测径流量,为水文预报提供一种新型高精度径流预测方法。     

基于PSO-WRF的渭河中下游年径流预测模型

针对传统随机森林( RF) 模型决策树因投票权重相同而导致预测精度不高的问题,采用加权随机森林( WRF) 模型全面考虑各决策树分类能力的差异性,建立决策树加权投票机制; 同时运用粒子群算法( PSO) 进行参数全局寻优,避免依据经验选取参数的不科学性,通过二者耦合最终构建PSO-WRF 模型。利用渭河中下游咸阳站与华县站 1960—2009 年的径流系列对 RF、WRF、PSO-WRF三种模型进行训练及测试,结果表明,PSO-WRF 在咸阳站与华县站的平均相对误差绝对值( MRE) 分别为 7. 05%和 9. 41%,且均方根误差( RMSE) 、平均绝对误差( MAE) 等指标均降至优化前的 30% ～50%,各年预测误差最低可降低至优化前的 1 /3 ～ 1 /6。PSO-WRF 模型优化效果显著,表现出良好的预测精度和泛化能力,能够为相关径流预测研究提供一定参考。     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

生命旋回——权马尔可夫链模型在径流预测中的应用

针对生命旋回模型无法反映径流序列随机性特点,将其与权马尔可夫链结合,提出了一种新的径流短期预报模型———生命旋回———权马尔可夫链预测模型。该模型用生命旋回模型模拟预测径流量序列的趋势项,用权马尔可夫链模型来对径流残差序列进行修正。将生命旋回———权马尔可夫链模型用于黄河唐乃亥水文站径流预测中,平均预测精度达到92.46%,合格率为100%,表明该模型预测精度较高,模型实用可行。