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。     

基于混合优化算法的砂砾料面板堆石坝压实质量评价模型及工程应用研究

良好的压实质量评价模型是砂砾料面板堆石坝压实质量实时有效控制的关键。【目的】为改善现有模型的预测精度和泛化能力，【方法】依据新疆阿尔塔什混凝土面板堆石坝工程实例，采用主成分分析法优化数据样本空间，提出自适应差分进化算法与极限学习机相结合的混合优化算法，构建了基于混合优化算法的砂砾料面板堆石坝压实质量评价模型，并与现场实测结果以及其他模型预测结果进行对比分析。【结果】结果显示：该评价模型的预测结果与工程实际值的平均绝对误差MAE为0.007 08,均方误差MSE为0.000 092 3,采用原始数据预测的MAE和MSE分别为0.010 6、0.000 223;与ELM、BP、RBF等模型对比显示，该评价模型预测结果与实测结果的皮尔逊相关系数为0.824,平均绝对百分比误差MAPE为0.62%,ELM、BP、RBF模型预测结果与实测结果的皮尔逊相关系数分别为0.447、0.43、0.556,MAPE分别为1.18%、1.59%、1.01%。【结论】结果表明：碾压参数、料源参数和气象参数是影响坝体压实质量的关键控制影响因子；通过主成分分析，降低了样本空间维度，提升了模型训练效率；与实测结果相...     

基于PCA-RBF神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析(PCA)和径向基(RBF)神经网络的混凝土坝位移趋势性预测模型(PCA-RBF)。首先,利用主成分分析,将混凝土坝多测点的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预测。最后,将本法应用于某混凝土坝,结果表明,PCA-RBF模型的均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为2.037 8 mm,1.698 6 mm和3.32%,显著低于传统的多元回归统计模型、径向基神经网络模型(RBF)和利用经主成分分析进行因子处理的BP神经网络模型(PCA-BP),说明PCA-RBF模型有着良好的预测精度。     

基于BP神经网络的水体叶绿素a浓度预测模型优化研究

利用自动监测数据,采用神经网络对水体中叶绿素a含量进行预测,是水体中叶绿素a含量预测的主要手段之一。但受梯度下降法局部搜索的限制,传统BP神经网络模型预测精度和稳定性均存在问题。鉴于此,引入全局搜索的思维进化算法优化BP神经网络权值、阈值,提高叶绿素a预测效率;并采用偏导方法对预测模型输入因子敏感性进行分析,精简模型输入因子。结果表明:在叶绿素a的BP神经网络预测模型中,引入思维进化算法可显著提高网络训练稳定性和精度,预测精度波动范围从[0.364,0.978]提高至[0.917,0.983],平均预测精度从0.950提高到0.968。利用Dimopoulos敏感性分析将模型输入因子从12因子精简为8因子后,平均预测精度从0.968降至0.962,预测精度波动范围从[0.917,0.983]变为[0.921,0.976],预测模型稳定性更好;在输入因子数目均为8条件下,基于Dimopoulos方法敏感性分析结果筛选出的输入因子组合平均预测精度明显高于基于主成分分析法筛选出的输入因子组合。研究可为基于BP神经网络叶绿素a预测模型输入因子优化提供参考,提高模型预测的稳定性。     

改进的自适应模糊神经网络在降水量预测中的应用

以吉林省白城市为例,将偏自相关系数(PAC)与自适应模糊神经网络模型(ANFIS)相结合预测年降水量,以年降水量序列自身数据作为输入和输出变量,将预测结果与多元线性回归模型(MLR)的预测结果进行对比。结果表明:ANFIS模型和MLR模型在相关资料缺乏的地区对年降水量的预测结果都是可以接受的,但ANFIS模型的预测精度更高,RMSE值更小,NS值更接近于1;运用偏自相关系数确定输入变量相比主观经验判断更好,利用PCF计算得到延迟系数为5,因此,预测年降水量预测应以预测年前5 a的降水量作为输入变量。     

不同输入方案对径流预测精度的影响研究

径流预测对合理利用有限的水资源至关重要。基于成因分析法、主成分分析法(PCA法)、核主成分分析法(KPCA法)分别构建3种不同的模型输入方案,并采用自适应模糊推论系统(ANFIS模型)对河南省北汝河汝州水文站月径流量进行预测,依据均方根误差与相关系数对预测精度进行评价,从而明晰不同变量选择方法在径流预测当中的应用效果。结果表明:ANFIS模型适用于研究区的径流预测。PCA法、KPCA法分别构建的模型输入方案与成因分析法得到的方案相比,不但变量数目大幅减少,而且径流预测精度亦有大幅度的提高。与此同时,PCA法较KPCA法更适合重建研究区的径流预测变量方案。另外发现,模型运行时间与输入方案中的变量个数关系紧密,即变量个数越少,运行时间越短。     

基于遗传算法的BP神经网络模型在地下水埋深预测中的应用——以蒙城县为例

地下水系统是一个高度复杂系统,针对地下水位与其影响因素之间的非线性映射关系,建立遗传算法优化BP神经网络浅层地下水埋深模型,对地下水埋深进行模拟和预测。使用RMSE、MAPE和NSE三种评价指标,将所得结果与BP神经网络和逐步回归模型进行对比。以蒙城县1974—1999年前期降雨量、前期地下水埋深和利辛县前期地下水埋深作为输入层,以当月地下水埋深作为输出层,将蒙城县2000—2010年地下水埋深作为检验样本,计算结果表明:遗传算法优化BP神经网络模型训练阶段和测试阶段RMSE分别为0.22和0.34、MAPE分别为7.6%和9.21%、NSE分别为0.89和0.85,泛化性能良好,有效规避了过拟合现象,且拟合和预测的精度较高。该模型可为地下水研究提供了一种有效浅层地下水埋深的预测方法,具有较好的应用前景。     

基于PCA和CS-KELM的重力坝变形预测模型

重力坝的变形与环境量之间存在复杂的非线性关系、使变形预测模型的输入自变量具有高维性,在一定程度上影响预测模型的精度和泛化能力。因此,提出一种将主成分分析、布谷鸟搜索算法和核极限学习机网络相结合的变形预测模型。该模型通过主成分分析法对与变形相关的水位、温度、时效影响因子进行主成分信息提取,优化网络模型的变量输入,同时采用优化性能更好的布谷鸟搜索算法确定核极限学习机网络的核参数和正则化系数。利用某重力坝的实测资料,对坝体沿坝轴方向和上下游方向的变形位移进行预测,与多种模型预测结果进行对比,并采用不同量化指标进行评价。结果表明,所提模型在两个方向的变形预测中,确定性系数R2分别为0.943和0.931,均高于传统的神经网络和逐步回归模型;在不同测点的上下游方向变形预测中,预测的精度和模型的泛化能力均优于对比模型,从而验证了该模型的可行性和优势。     

基于GPR、CatBoost、XGBoost三种模型预测江西地区水面蒸发量

水面蒸发量是水资源规划与管理、农业灌溉设计和水文模拟等方面的基础数据,它是水量平衡计算中的关键要素。为了提高水面蒸发量的预测精度,选用了3种经验模型和3种学习机模型预测江西地区水面蒸发量,3种学习机模型包括GPR模型、XGBoost模型和CatBoost模型。依据江西地区2001-2015年16个气象站的逐日气象资料,如最高(低)气温、全球太阳辐射、地外太阳辐射、相对湿度和风速,构建10种不同的输入参数,通过对4种统计指标（R²、RMSE、MBE、MAE）的大小进行评估来评价模型的模拟精度。结果表明：当气象资料充足时,推荐CatBoost 10模型为江西地区水面蒸发量的预测模型,该模型在验证期的R²、RMSE、MBE、MAE值分别为0.744、0.842、0.006、0.633 mm/d;在输入组合相同的条件下,3种学习机模型的模拟精度均优于相应的经验模型。通过研究对比提高了江西地区水面蒸发量模型预测的精度。     

基于LSTM的泵闸工程混凝土施工期温度场预测

为了快速准确地预测混凝土施工期温度过程线，结合主成分分析，提出了一种基于长短期记忆网络(LSTM)算法的预测模型。以上海崇明岛四滧港和八滧港水闸底板为例，采用主成分分析对混凝土温度场的可能影响因素进行降维，建立以四滧港水闸底板温度数据为基础的LSTM温度过程线预测模型并对输入主成分进行训练，将训练后的模型用于八滧港温度过程线的拟合和预测并与实测结果进行对比。结果表明，该模型预测温度过程线与实际测点温度过程线拟合良好，均方根误差在2℃以内，判定系数接近1,预测结果符合工程精度要求。该预测模型可部分替代有限元反馈分析，从而提高泵闸混凝土温度场预测的效率。     

基于PCA-MDBN模型的开都河年径流预测

河川径流预测对于干旱区水库调度、防汛抗旱及水资源优化配置具有重要意义。由于河川径流变化影响因子众多,且各因子之间相互关联并呈现非线性变化,采用数学方法及传统神经网络很难精准预测,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,本文首先通过主成分分析筛选影响径流变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除。然后,提出基于粒子群优化算法并结合多变量深度信念网络(BP-MDBN),对河川径流进行预测,并与传统BP神经网络、DBN模型进行比较分析。结果表明:本文方法平均百分比误差为6.2,与BP、DBN方法进行对比,其MAPE分别降低0.077、0.10;BP-MDBN模型的RMSE和MAE值也明显小于其他两种方法。此方法具有较高的预测精度及泛化性能,研究成果可为河川径流精准预测提供理论支撑。     

基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。     

基于LightGBM模型秋浦河洪水过程模拟与预报研究

文章利用皖南秋浦河洪水过程资料,以历史径流、降水量等为协变量,新建了LightGBM模型对洪水过程进行模拟,最后运用交叉验证方法对预报精度进行评估。结果表明,LightGBM方法在模拟洪水过程方面的性能良好,其R2达0.96,RMSE和Bias仅为101.50 m3/s、4.57%。另通过对比不同预见期下的预测精度,发现随着预见期增加,对洪水过程预报精度逐渐降低,当预见期超过4时,其预测精度迅速下降。文中展示了机器学习技能在水文过程、径流量序列变化仿真中良好前景;预测结果可辅助决策者制定有效的洪水应对措施以减少灾害损失。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

基于主成分分析-支持向量机的人工加糙渠道糙率系数预测模型

以矩形人工加糙渠道为研究对象,采用主成分分析-支持向量机方法建立糙率系数预测模型。根据前期试验研究成果,选取佛汝德数Fr、绝对粗糙度Δ、渠道平均水深h、底坡i这四个主要影响因素,采用主成分分析方法提取两个主成分,获得影响糙率系数大小的综合性指标并用于支持向量机对数据的训练、测试及预测。研究结果显示:模型的训练集均方根误差RMSE为3.85×10-4、预测相关系数R为0.997,测试集均方根误差RMSE为5.37×10-4、预测相关系数R为0.992、预测相对误差小于5%。研究结果表明,基于主成分分析-支持向量机所建模型适合人工渠道糙率系数的预测。     

基于混合递阶遗传算法优化RBF神经网络的BOD_5软测量方法

针对污水处理过程中关键水质参数难以在线监测的问题,提出了基于混合递阶遗传算法优化RBF神经网络的BOD5软测量方法。首先用主元分析的方法实现输入变量的降维和去相关,再用递阶遗传算法来确定合理的RBF神经网络隐含层节点数、基函数中心和宽度,而输出层则采用最小二乘法。此算法能同时优化网络参数和拓扑结构,在全局范围内寻找RBF参数的最优解。仿真结果表明,该方法可以实现污水水质的在线预测,具有较好的实时性、稳定性和较高的控制精度。     

NARX在土石坝渗流预测中的应用

渗流监测是掌握大坝安全性态的重要手段,针对土石坝渗流压力存在滞后于库水位的特点,引入具有延时输入特性的带外源输入的非线性自回归神经网络(Nonlinear Auto-regressive with Exogenous inputs neural network, NARX)实现土石坝渗压的有效预测。以某一水库大坝为例,将历史某时段的库水位和降雨等影响因子作为输入序列,渗压测值作为输出序列,分别建立NARX网络多因子和单因子模型进行拟合训练和多步预测,并将预测结果与传统回归模型和传统BP神经网络进行对比。研究结果表明,在RMSE、MAE、MAPE 3种精度指标下,NARX模型均优于2种传统模型。其中,在单因子条件下,NARX仍具有良好的表现。NARX的延迟输入特性可在一定程度上模拟坝体水流渗透的滞后性,对于土石坝的渗压预测具有良好的应用效果。     

膨胀土分类的PCA-ELM模型及应用

为更合理确定膨胀土类别,将主成分分析(PCA)与极限学习机(ELM)相结合,提出一种膨胀土分类的PCA-ELM模型。选取能充分反映膨胀土类别的液限、塑性指数、<2 μm胶粒含量与自由膨胀率4项指标进行分析,运用主成分分析对各指标进行相关性处理,依据方差累计贡献率得出2个主成分。将70%的样本划分为训练集,30%划分为测试集,将训练集作为极限学习机输入,并采用十折交叉验证以优化模型参数,从而得到最优分类模型。然后将测试集作为最优模型输入,得到分类结果。最后,选用2个工程实例共32个样本对所建立模型进行验证,结果表明:该模型分类结果与实际较吻合;训练集与测试集分类精度分别达94.20%和79.00%,并具有较快的训练速度。PCA-ELM模型适用于大规模数据的分类预测。     

基于混凝土吊运监测数据的拱坝缆机特征参数挖掘分析与效率预测模型

【目的】拱坝施工过程中缆机吊运混凝土的效率对工程进度影响重大，以往多采用铭牌参数值和少量人工现场实测值分析缆机效率，其精度和效率有待提升。【方法】针对上述问题，基于海量缆机吊运监测数据，运用数据挖掘方法对缆机入仓效率进行分析和预测。首先，在缆机吊运原始数据的基础上，通过模式识别完成缆机吊运单循环的识别，继而拟定缆机特征参数的提取规则获得缆机单循环中的运行特征参数(如距离、时间和速度等);然后，以单循环时长为吊运效率响应量，采用斯皮尔曼相关系数量化不同特征参数与单循环时长的相关程度；最后，基于PSO-BP构建缆机入仓单循环时长的预测模型。【结果】结果表明，缆机特征参数中水平运距和辅助对位时长与单循环时长的相关性最高，相关系数分别为0.672和0.620,说明这两种参数是缆机吊运时长的主要影响因素。在6台缆机24 808个预测样本中，单循环时长均值为421 s, PSO-BP模型预测误差在2 s以内的占比为97.45%,具有较高的精度。【结论】分析结果能够作为现场管理人员调配机械的依据，效率预测模型可为今后相似工程提供参考。     

基于模拟退火算法支持向量机在枯水期月径流预测中的应用

鉴于支持向量机(SVM)最佳算法参数难以确定的不足,利用模拟退火算法(SA)搜索SVM学习参数,提出SA-SVM预测模型,并与基于遗传算法(GA)搜索SVM学习参数的GA-SVM模型作对比,以云南省龙潭站枯水期1-3月月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:SA-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.11%、4.93%和6.75%,精度优于GA-SVM模型,表明SA-SVM模型具有较高的预测精度和泛化能力。SA算法通过赋予搜索过程一种时变且最终趋于零的概率突跳性,有效避免了算法陷入局部极值并最终趋于全局最优。