基于小波包分解的AJS-GMDH月径流时间序列预测研究

为提高月径流时间序列预测精度,建立基于小波包分解(WPD)、人工水母搜索(AJS)算法、数据分组处理方法(GMDH)的WPD-AJS-GMDH月径流时间序列预测模型。采用WPD将月径流时序数据分解为若干子序列分量;选取6个典型函数在不同维度条件下对AJS算法进行仿真测试;利用AJS算法优化GMDH网络关键参数,建立WPD-AJS-GMDH模型,并构建基于支持向量机(SVM)、BP神经网络及完全集合经验模态分解(CEEMD)、小波分解(WD)的17种对比分析模型;最后利用云南省龙潭站1952年~2016年780组的月径流时间序列数据对所建立的18种模型进行检验。结果表明,在不同维度条件下,AJS算法均具有较好的寻优效果;WPD-AJS-GMDH模型预测误差均小于其他17种模型;对于月径流时序数据分解,WPD分解效果优于CEEMD、WD方法;AJS算法能有效优化GMDH网络参数,提高预测性能。     

基于奇异谱分析的SPBO-ANFIS月径流组合预测模型

针对水文时间序列月径流多尺度非平稳性等特点,提出基于奇异谱分解（SSA）的学生心理学优化（SPBO）算法-自适应神经模糊推理系统（ANFIS）月径流组合预测模型,并应用于云南省某水文站月径流预报。首先通过SSA将实例月径流时序数据分解为若干独立子序列分量,以降低时序数据的复杂性;其次介绍SPBO算法原理,通过取8个标准函数对SPBO算法进行仿真验证及比较;最后采用SPBO算法优化ANFIS条件参数和结论参数,建立SSA-SPBO-ANFIS模型对每一个子序列进行预测,叠加后作为最终月径流预测结果,并与基于集合经验模态分解（EEMD）的EEMD-SPBO-ANFIS模型和未经分解的SPBO-ANFIS模型作比较。结果表明：SPBO算法具有较好的寻优精度;SSA-SPBO-ANFIS模型对实例月径流预测的平均绝对百分比误差5.57%,平均绝对误差0.20 m³/s,纳什系数0.994 8,合格率96.7%,预测效果优于EEMD-SPBO-ANFIS模型,远优于SPBO-ANFIS模型。模型及方法可为相关水文时间序列预测研究提供参考。     

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分，将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而，将数据分解技术直接应用于整个时间序列是一种不切实际的方法，会导致部分信息从测试阶段传输到模型的训练过程中。为此，设计了一个用观测数据更新历史样本的自适应动态分解策略，提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先，采用自适应分解策略对径流时序数据进行变分模态分解，得到不同频率成分的子序列；其次，为每个分解子序列构建长短期记忆神经网络径流预测模型，并采用贝叶斯优化算法优选模型超参数；然后，将子序列的预测结果集成得到径流的最终预测结果；最后，以金沙江上游石鼓水文站月径流预报为研究实例，对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明，所提混合模型在数据分解预处理中避免了引入未来信息，并能够进一步提升径流预报精度。     

基于WPT-ISO-RELM模型的月径流时间序列预测研究

为提高月径流时间序列的预测精度,提升基本蛇群优化(SO)算法搜索能力,同时提升正则化极限学习机(RELM)预测性能,提出了小波包变换(WPT)-改进蛇群优化(ISO)算法-RELM预测模型。首先,利用WPT将月径流时间序列分解为低频分量和高频分量;其次,通过构建8个RELM超参数寻优适应度函数对ISO寻优能力进行检验,并与SO算法、灰狼优化(GWO)算法、变色龙群算法(CSA)、鲸鱼优化算法(WOA)、樽海鞘群体算法(SSA)、侏獴优化算法(DMO)、粒子群优化算法(PSO)的优化结果作对比;最后,建立WPT-ISO-RELM模型,并构建包含WPT-SO-RELM在内的17种模型作对比模型,通过黑河流域莺落峡水文站、讨赖河水文站2个月径流预测实例对各模型进行验证。结果表明：(1)ISO寻优精度优于SO、GWO、CSA、WOA、SSA、DMO、PSO,通过关键参数的改进,能有效提升ISO的极值寻优能力和平衡能力;(2)WPT-ISO-RELM模型对莺落峡水文站、讨赖河水文站月径流预测的平均绝对百分比误差分别为0.854%、0.447%,平均绝对误差分别为0.245、0.068 m     

面向EMD分解的径流分量重构方法对比研究

水文序列非平稳与非线性的复杂变化导致水文序列中长期预测的准确性备受质疑。"分解-预测-重构"模式作为一种新的有效的预测思路近年来备受业界和学者关注。但受到高频分量预测误差大、趋势走向不确定等问题困扰,这种模式在发展过程中仍有诸多需要改进的地方。其中,径流分量的重构方法是控制高频分量误差,提高整体预测精度的关键性措施,其优劣对预测效果实现有着重要的意义。基于经验模态分解(EMD)和自回归模型(AR)建立"分解-预测"耦合模型,结合粒子群优化(PSO)算法,提出PSO重构系数优化法和高频分量剔除+重构系数优化法两种重构方法,结合前人提出的高频分量剔除法,以陕北丁家沟站、关中华县站、陕南白河站为算例,对不同重构方法的效果进行对比研究。研究结果表明:基于高频分量剔除法、PSO重构系数优化法、高频分量剔除+重构系数优化法三种重构方法的预测效果均较好,五项误差评价指标均优于标准重构法,三种重构方法均可不同程度地提高预测精度。对比研究发现:高频分量剔除法在重构过程中剔除了最不稳定且最难预测的高频分量,提高了预测精度,但提升效果有限;PSO重构系数优化法对所有径流分量赋予优化重构系数并重构,可最大程度地实现分量间的平差,有效提高了预测精度;高频分量剔除+重构系数优化法综合上述两种方法的优势,取得了比其他方法更好的预测效果。     

基于RBFNN数据延拓和CEEMDAN方法的径流序列组合预测

为提高径流预测精度,采用径向基神经网络(RBFNN)数据延拓技术处理完全集合经验模态分解(CEEMDAN)方法中的端点效应问题,并根据分解结果特点构建RBFNN-ARIMA组合预测模型。以1957—2013年黄河源区唐乃亥水文站年径流数据为例,先将选定的序列采用RBFNN进行延拓,然后进行CEEMDAN分解,对得到的分解分量运用RBFNN-ARIMA组合模型进行预测重构得到年径流量预测结果。研究表明,原始序列经过RBFNN数据延拓后再进行CEEMDAN分解,其所得分量可以有效反映不同时间尺度上的波动特征;ARIMA模型对高频IMF1分量的拟合效果较差,对其他中低频分量拟合效果较好;RBFNN-ARIMA组合模型预测结果的平均相对误差为5.23%,相较于RBFNN模型和ARIMA模型预测精度分别提高了9.88%和5.62%。因此,运用基于CEEMDAN方法的"分解-预测-重构"模式进行水文预测,对原始序列进行合理延拓并针对各分量特点进行组合预测可有效提高预测精度。     

基于小波分解的日径流逐步回归预测模型

本文以预测水文站的上游水文站的日径流序列为依据,利用小波分解和重构得到预测水文站及上游水文站的日径流序列在1~4尺度下的概貌分量,然后以各站的原始径流序列及其在不同尺度下的概貌分量为候选预报因子,建立了径流逐步回归多步预测模型。计算实例表明,由于引入了上游水文站的径流序列并提取了各站径流序列的不同尺度下的概貌分量,本文提出的基于小波分解的日径流逐步回归预测模型的预测精度高于小波网络模型和多元自回归模型,能对非凌汛期未来1~3d以及凌汛期1~7d的日均流量进行预测,可为制定水电站未来的发电计划提供科学的依据。     

基于VMD-EEMD-CNN-LSTM混合模型的月径流预测

针对传统径流预测模型对月径流序列尖峰点预测精度不足的问题,文章提出了一种VMD-EEMD-CNN-LSTM混合预测模型。首先,对原始月径流序列进行变分模态分解(VMD)处理,得到具有有限带宽的本征模态分量(VMF)和较高复杂性的残差项(Res)。然后通过集合经验模态分解(EEMD)对Res进行二次分解,有效挖掘原始径流的隐藏信息。把各分量作为卷积神经网络(CNN)-长短期记忆网络(LSTM)组合预测模型的输入,最后对各预测结果进行叠加重构,得到最终的结果。以乌江流域洪家渡水电站实测月径流数据为例,结果表明：VMD-EEMD-CNN-LSTM模型具有更高的精确度,能有效提高对月径流序列尖峰点的预测精度。     

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EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

基于WD-COA-LSTM模型的月降水量预测

为进一步提高月降水量预测精度,提出了基于小波分解（WD）和郊狼优化（COA）算法的长短期记忆神经网络（LSTM）降水量预测模型（WD-COA-LSTM）。首先用小波分解对时间序列进行预处理,消除序列的非平稳性,得到1个低频序列和3个高频序列;然后通过郊狼优化算法对神经网络（LSTM）模型进行参数优化;最后将各子序列预测值叠加得到月降水量预测值。将提出的模型应用于洛阳市栾川县白土镇和洛宁县故县镇两个雨量站的月降水量预测中,并与LSTM、COA-LSTM、WD-LSTM模型预测结果进行对比。结果表明：提出的WD-COA-LSTM模型的预测精度最高,说明小波分解和郊狼优化算法能有效加强LSTM模型预测的精度和泛化能力,为月降水量的预测提供了一种新的途径。     

基于WT-HBBO-RBF模型的年径流时间序列预测

利用4个基准函数对HBBO进行仿真测试；采用WT分解处理年径流时序数据；通过突变点检测方法Mann-Kendal(M-K)划分训练、预测样本，构建RBF适应度函数，利用HBBO优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度，建立WT-HBBO-RBF模型，并构建WT-HBBO-SVM、WT-HBBO-BP、WT-RBF、WT-SVM、WT-BP、HBBO-RBF、HBBO-SVM、HBBO-BP作为对比分析模型。以云南省龙潭站、落却站年径流时间序列预测实例对模型进行验证的结果表明，HBBO具有较好的寻优精度及全局搜索能力；WT-HBBO-RBF模型对龙潭站、落却站年径流时间序列预测误差小于其他对比模型，具有较好的预测精度和泛化能力；HBBO能有效优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度，提高RBF神经网络预测性能；WT能科学降低径流序列的复杂性，提高预测精度。     

基于SMA-LSSVM的径流中长期预测

径流中长期预测对防洪减灾和提高水资源利用效率极为重要。为解决预测模型参数对预测精度的影响,提出一种基于黏菌算法(SMA)优化LSSVM的径流中长期预测模型。首先,选取5个标准测试函数,对比在不同维度条件下SMA和PSO算法的仿真结果;其次,利用SMA优化LSSVM的惩罚参数和核参数,并构建LSSVM、PSO-LSSVM对比模型;最后,通过漫湾水电站水库入库月径流和莺落峡水文站月径流预测实例对各模型进行验证。结果表明,SMA-LSSVM模型相比LSSVM、POS-LSSVM模型,对漫湾站月径流预测的均方误差分别降低了29.26%、7.42%,对莺落峡站月径流预测的均方误差分别降低了32.61%、6.61%,预测精度更高。提出的SMA-LSSVM模型综合预测性能更好,也为中长期径流预测提供了一种新方法。     

基于变分模态分解的分频径流预测模型

准确的径流预测对于流域防洪减灾、农业灌溉、水库调度等具有重要意义。针对径流序列具有较强的非线性和非平稳性特征,提出一种月径流预测混合模型VMD-(CNN-LSTM, ELMAN)。首先运用VMD将径流序列分解为多个模态分量,并计算各个模态分量的样本熵值(SE),将其划分为高频和中低频分量;然后运用CNN-LSTM模型预测高频分量,运用ELMAN模型预测中低频分量;最后将预测结果相加得到最终预测结果。将模型应用于黄河流域中下游段白马寺和黑石关水文站的月径流预测,并与CNN-LSTM、ELMAN、VMD-CNN-LSTM模型的预测结果进行对比与评价。研究结果表明：本文模型预测结果的NSE值均大于0.99,优于其他模型,表明VMD-(CNN-LSTM, ELMAN)模型具有较高的预测精度,可应用于实际研究区的径流预测。     

基于WPD-TSO-ELM模型的月径流时间序列预测

为提高径流时间序列预测精度,减少计算规模,基于“分解-预测-重构”思想,提出小波包分解(WPD)-金枪鱼优化(TSO)算法-极限学习机(ELM)组合预测模型,并应用于云南省龙潭站、革雷站月径流预测。结果表明,TSO算法具有较好的寻优精度和全局搜索能力,寻优精度优于HHO、GWO、SFO、PSO算法。WPD-TSO-ELM模型对实例龙潭站、革雷站月径流预测的平均绝对百分比误差分别为0.175%、0.121%,预测误差小于WPD~2-TSO-ELM模型,较WPD~1-TSO-ELM、SSA-TSO-ELM、VMD-TSO-ELM模型降低1个数量级以上。WPD-TSO-ELM模型预测精度高、计算规模小,是一种简洁高效的径流时间序列预测模型。     

WPT-HPO-ELM径流多步预报模型研究

为提高径流时间序列多步预报精度,建立了小波包变换(WPT)-猎人猎物优化(HPO)算法-极限学习机(ELM)相融合的径流时间序列多步预报模型,并应用于云南省南康河水文站月径流和日径流时间序列多步预报。引入HPO算法原理,在不同维度条件下选取6个典型函数对HPO进行仿真验证;利用2层WPT将径流时序数据分解为4个子序列分量,达到降低径流序列数据复杂性和不平稳性的目的;采用HPO优化ELM输入层权值和隐含层偏值,建立WPT-HPO-ELM模型对实例月径流和日径流进行多步预报。结果表明：HPO算法具有较好的寻优精度和全局搜索能力;WPT-HPO-ELM模型对预见期为1～3个月的月径流具有理想的预报效果,预报的平均绝对百分比误差≤2.43%,合格率≥99.2%,确定性系数≥0.999;对预见期为4～6个月的月径流具有较好的预报效果,预报的平均绝对百分比误差≤15.0%,合格率≥73.3%,确定性系数≥0.991;当预见期≥7个月时,预报效果较差。对预见期为1～3 d的日径流具有理想的预报效果,预报的平均绝对百分比误差≤1.23%,合格率为100%,确定性系数≥0.999;对预见期为4～7 d的...     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

基于奇异谱分析与梯度优化算法优化的RVM、SVM月径流预测研究

基于序列分解—参数优化—分项预测—结果叠加思想,构建奇异谱分析（SSA）-梯度优化（GBO）算法与相关向量机（RVM）、支持向量机（SVM）集成的中长期月径流预测模型。首先采用SSA方法对实例月径流数据进行处理,提取多个独立的子序列;其次介绍GBO算法原理,基于6个典型函数对GBO算法进行仿真测试。利用GBO算法优化RVM核宽度因子和超参数、SVM惩罚因子和核函数参数,分别建立SSA-GBO-RVM、SSA-GBO-SVM模型对各子序列进行预测,叠加后作为最终月径流预测结果;最后以云南省龙潭站65年共780个月月径流预测为例,选取实例前53年作为训练样本,后10年共120个月作预测样本对SSA-GBO-RVM、SSA-GBO-SVM模型进行检验。结果表明:GBO算法在不同维度条件下寻优效果优于MPA、PSO算法,具有较好的寻优精度和全局搜索能力。SSA-GBO-RVM、SSA-GBO-SVM模型对实例120个月月径流预测的平均绝对百分比误差分别为6.20%、7.82%,平均绝对误差分别为0.88、1.00 m³/s,纳什系数分别为0.992 6、0.991 3,均...     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。