支持向量机的混沌序列预测模型及在径流中应用

混沌和支持向量机理论为研究复杂多变的非线性水文时间序列开辟了新的途径。给出了应用支持向量机回归原理的混沌时间序列非线性的预测建模的思路、特点及关键参数的选取。根据重构相空间理论对月径流过程进行相空间的重构,探讨了支持向量机混沌时间序列非线性预测模型在月径流预测中的应用,在支持向量机建模过程中引入了经向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文数据序列,且有较好的预测精度。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

重庆藕塘滑坡地下水位时间序列混沌性判别与预测

在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔(MZK5)地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法(GSSPSO)优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机(SVR)模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型(GSSPSO-SVR)预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。     

基于多尺度相关向量机的城市日用水量预测

为提高日用水量预测精度,提出一种基于多尺度相关向量机的预测模型。通过静态小波分解将用水量非平稳时间序列分解为不同尺度的平稳时间序列,然后在分解后的各子序列分别建立相关向量机回归模型进行预测,最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。在实例分析中分别利用多尺度关联向量机模型和单尺度相关向量机预测模型对实际用水量进行预测分析。结果表明,前者具有更高的预测精度,可应用于城市日用水量的预测。     

小波分解高、低频双自回归模型及其在水质监测中的应用

针对一些水库水质监测数据序列不仅具有平稳性、周期性,而且具有显著的多尺度性的特点,在单一自回归模型的基础上,利用多尺度小波分析的原理与方法对水质数据序列作预处理,进行分解与重构,并对重构的不同尺度下的数据子序列分别建立高、低频自回归预测模型,最后叠加各尺度下的预测结果。将该方法应用于梁辉水库4种水质指标的预测研究,结果表明与单一自回归模型相比,预测精度有明显提高。     

基于PSO-SVR模型的供水系统余氯预测研究

支持向量机回归(SVR)模型在非线性预测方面具有优良性能,基于该模型对供水系统余氯变化过程进行预测,并采用二阶振荡粒子群优化算法(SOPSO)对SVR模型参数进行优化调整,以提高小样本状态下模型的模拟精度,增强模型的泛化性能。将优化后的SVR模型应用于某供水系统余氯预测,结果表明:在有限样本状态下,优化后的SVR模型的预测平均误差小,明显优于BP神经网络模型和ARX模型,并具有较强的稳健性。该预测模型能较好地解决传统模型在小样本状态下余氯预测精度不高、预测效果较差的问题,为研究供水系统余氯变化过程及动态预测提供了新的途径。     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

基于IVDF-SVR耦合模型的边坡变形预测

针对改进变维分形在分形维数进行拟合预测中的不足,提出一种基于改进变维分形理论(IVDF)和支持向量回归机(SVR)理论耦合的分形预测模型。该模型利用支持向量回归机(SVR)理论来对原来改进变维分形模型中分形维数序列进行拟合预测。以茅坪滑坡的边坡位移监测数据为例,选取ln(r)-ln(S1)累计和序列分维分段曲线作为预测模型的分形参数曲线,先利用改进变维分形模型计算各曲线的分段分形维数,进而预测边坡的位移值,再利用IVDF-SVR耦合模型计算各曲线的分段分形维数,进而预测边坡的位移值。预测结果表明,IVDF-SVR耦合模型充分利用了分形理论的自相似性,使预测模型具有良好的抗噪性,同时结合SVR理论的自学习能力,可以实现小样本、非线性条件下的数据拟合与预测的优势,使得该模型能够达到较好的预测长度和较高的预测精度,有着较好的应用前景。     

基于SVM的集成预测方法及其在水电机组故障诊断中的应用

针对水力发电系统的非线性及非平稳性特点,提出一种基于小波变换和支持向量机(SVM)的集成预测方法,用于水电机组状态趋势分析.采用小波变换将非平稳时间序列分解成若干个具有较强规律性的子序列,然后采用合适核函数的最小二乘支持向量机(LS-SVM)方法分别对这些子序列进行预测,最后综合这些子序列的预测结果作为原始序列的预测值.将该集成方法应用于某水电机组振动峰峰值的预测,结果表明该集成方法的预测性能优于单一LS-SVM方法.     

基于时间序列组合模型的河川年径流预测

河川年径流序列具有小样本、非线性和非平稳性等特点,传统预测理论很难对其实现精确预测。考虑从多角度优化预测算法,建立基于时间序列的组合预测模型。本研究利用小波变换理论提取信号的细节特征,将年径流分解为非线性的趋势项和平稳性的波动项,分别利用最小二乘支持向量机(LSSVM)理论和自回归(AR)模型进行趋势预测,利用加法原则重构信号实现河川年径流预测模型。以新疆开都河年径流序列进行实例计算,结果表明预测值与实测值基本一致,具有较高的预测精度。研究结果可为河道防洪、水库运行调度与区域水资源配置提供参考。     

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。     

The Influence of Accurate Lag Time Estimation on the Performance of Stream Flow Data-driven Based Models

The timing of variables for stream flow prediction models remains a common problem, particularly with regards to stream flow data-driven based models. Accurate estimation of lag time (Lt), which is representative of time interval, is a potential solution to this problem. The main objective of this paper is to explore possibilities of improving the performance of stream flow data-driven based models by developing a new and simple hydrological approach to accurately estimate Lt between upstream and downstream stations in the Selangor River Basin. The Lt was estimated by means of several empirical formulas along with the new proposed approach that is based on observed hourly stream flow records and water level data. The estimated Lt was used to select the input and output variables for two Multiple Linear Regression models (MLR)—as examples of data-driven based models—to explore the capacity to enhance stream flow data-driven based model performance. An assessment of the two models’ result performance indicates that the MLR model, which is dependent on the proposed method, produced roughly 5 % overall improvement in root mean squared error (RMSE), mean absolute error (MAE) and mean absolute percentage error (MAPE). Not only do the results highlight how effective the proposed approach is in estimating Lt to improve the stream flow MLR model’s performance, but they also serve as a starting point to further study potential improvements from other types of data-driven based models.     

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解（ASWPD）和贝叶斯优化（BO）的门控循环单元（GRU）月径流量预测模型（ASWPD-BO-GRU）。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型（基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型）的预测结果进行对比。结果表明：ASWPD-BO-GRU模型的纳什效率系数（NSE）为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。     

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。     

POS优化算法在SWAT模型参数优化中的应用

当前,分布式水文模型SWAT模型在国内水文模拟中应用较为广泛,但模型参数较多,人工经验设定参数存在工作量较为繁杂,且模拟精度不高的缺陷,为此本文引入POS优化算法,对SWAT模型参数进行批量优化,并以汤河西支流域为研究区域,结合区域实测水文数据,对比分析参数优化前后,对SWAT模型模拟精度的影响。研究结果表明： POS优化算法可实现SWAT模型参数的批量优化,相比参数优化前,参数优化后SWAT模型模拟径流深相对误差减少5.7%,流量过程拟合系数提高0.118。研究成果对于水文模型参数优化和自动率定提供参考价值。     

年最大洪峰流量群居蜘蛛优化投影寻踪预测模型

年最大洪峰流量预测,受较多的复杂因素的影响,不确定性较强,用常规统计方法做出准确预报具有较大困难。从水文序列本身出发,提出将投影回归模型应用于年最大洪峰流量预测,为了更好获得投影寻踪模型参数和预测精度,提出了运用延迟相关系数法确定回归预测因子、群居蜘蛛算法优化投影寻踪模型最佳投影方向参数a、利用最小二乘法确定多项式的权系数c、岭函数个数M的群居蜘蛛优化投影寻踪年最大洪峰流量预测模型,结合长江宜昌站(1882年-2004年)的年最大洪峰流量资料进行实例预测,训练阶段平均绝对相对误差为8.61%,预测阶段平均绝对相对误差为10.51%,该模型预测效果较好,模型结果稳定,可有效应用于年最大洪峰流量预测。     

上海市吴淞站天文潮的推算

吴淞站是黄浦江入长江口重要的水文站,吴淞站的潮位预报对于太湖流域防洪及水资源配置工作具有重要的意义,也是上海市城市防洪的重要基础工作之一。文中首先对吴淞潮位站进行固定分潮的调和分析,再根据潮汐资料推求各分潮的调和常数,从而得到天文潮的预报方程。验证结果表明,预报方程具有精度高、速度快、简便实用等优点,适合于上海市吴淞站天文潮的推算。     

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。     

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。     

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。