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...     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

静电放电算法-混合核SVM的月径流预报模型及应用

为提高水文预测预报精度,构建基于多项式核与高斯核混合的支持向量机(SVM),利用静电放电算法(ESDA)优化混合核SVM关键参数和混合权重系数,提出混合核ESDA-SVM枯水期月径流预测模型,并构建高斯核ESDA-SVM、多项式核ESDA-SVM及ESDA-BP作对比预测模型,以云南省某水文站枯水期1—4月月径流预测为例进行实例研究,利用实例前24 a和后10 a资料对各模型进行训练和预测。结果表明,混合核ESDA-SVM模型对实例1—4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于多项式核ESDA-SVM等3种模型。混合核ESDA-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

基于小波去噪和FA-SVM的中长期径流预报

为优化支持向量机(Support Vector Machine,SVM)模型参数,提高中长期径流预报精度,建立了基于FA-SVM的中长期径流预报模型。该模型以样本中训练期均方差最小为目标函数,利用萤火虫算法(Firefly Algorithm,FA)对支持向量机主要参数(惩罚系数C、核函数参数g和不敏感损失系数ε)进行了优化。以岷江上游的紫坪铺水库为例,运用小波去噪法对各月径流序列进行数据预处理后,利用FA-SVM模型与BP神经网络模型进行了中长期径流预报。结果表明:(1)运用小波阈值法能够较好地滤除各月径流序列的系统噪声和测量噪声;(2) FA-SVM模型中长期径流预测效果较好,预报精度等级均在丙级以上;(3) FA-SVM模型的预报效果优于BP神经网络模型。     

基于随机森林与支持向量机的水库长期径流预报

水库长期径流预报对于研判水文情势变化和指导水库调度管理具有重要意义。针对云南龙江水库年、汛期和枯水期平均入库径流,利用随机森林从环流指数、海温、气压和前期月径流中选取关键预报因子,基于粒子群与交叉验证相结合的算法优选参数,建立随机森林与支持向量机模型,开展龙江水库入库径流预报研究。结果表明:太平洋中北部与西部气候因子对径流预报的影响较大,前期月径流对年、汛期径流的重要性偏低,但对枯水期的影响程度与部分气候因子相当。随机森林与支持向量机模型总体精度较高,模拟与预报的合格率均达到85%以上,平均绝对百分比误差均低于15%,支持向量机的泛化能力强于随机森林,但二者在局部极值流量处的预报精度尚有待提升。     

基于IQPSO优化SVM在径流预报中的应用

提高径流预报精度的关键因素是选取合适的预报模型和预报因子。选择支持向量机作为径流预报模型,针对支持向量机模型参数在应用中存在选取困难的缺点,在标准量子粒子群算法中加入早熟判定准则、高斯扰动和自适应权重,提出改进量子粒子群算法(IQPSO),并使用该算法实现支持向量机参数的自动优选。为了验证效果,分别采用PSO-SVM、QPSO-SVM和径向基神经网络模型预报作对比,并使用多种评价指标进行对比分析。结果表明,使用改进量子粒子群算法优化支持向量机(IQPSO-SVM)模型能够有效提高月径流预报精度。     

基于粒子群优化支持向量机的径流预测模型研究

径流预测的精度关系到研究地区的水资源开发利用.为了提高径流预测的精度,将基于统计学理论的模式识别方法支持向量机引入到径流预测模型中.支持向量机中有2个参数惩罚因子C和核参数,这2个参数的选择对支持向量机的模型结构有重要的影响.为了准确地找到支持向量机的参数,将全局寻优的粒子群算法引入到支持向量机的2个参数优化中来.实例研究表明,粒子群优化支持向量机模型能够提高径流预测的精度.     

果蝇优化算法与支持向量机在年径流预测中的应用

针对支持向量机(SVM)学习参数难以确定的不足,利用果蝇优化算法(FOA)搜寻SVM学习参数——惩罚因子和核函数参数,提出FOA-SVM预测模型,并构建基于粒子群优化(PSO)算法、遗传优化(GA)算法搜寻SVM学习参数的PSO-SVM和GA-SVM模型作为对比,以云南省董湖站年径流预测进行实例研究。结果表明,FOASVM模型预测精度优于PSO-SVM和GA-SVM模型,具有较高的预测精度和泛化能力。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期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:IAPSO-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3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

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。     

基于多组群教学优化的随机森林预测模型及应用

为有效提高水文预测预报精度,提出了一种基于多组群教学优化(MGTLO)的随机森林(RF)预测方法,利用MGTLO算法对RF两个关键参数进行优化,构建MGTLO-RF预测模型,并与基于MGTLO算法优化的支持向量机(SVM)、BP神经网络两种常规预测模型作对比分析。以云南省龙潭站月径流和年径流预测为例进行实例研究,利用前44 a和后10 a资料对MGTLO-RF等3种模型进行训练和预测。结果表明:所提出的MGTLO-RF模型具有更好的预测精度和泛化能力,可作为水文预测预报和相关预测研究的一种有效工具。     

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。     

基于混合核SHTS-SVM的年径流预测

为提高年径流预测精度,利用同热传递搜索(SHTS)算法对混合核支持向量机(SVM)关键参数和混合权重系数进行优化,提出混合核SHTS-SVM年径流预测模型。通过6个不同维度的标准测试函数对SHTS算法进行仿真验证,并与当前寻优效果较好的教学优化(TLBO)算法、灰狼优化(GWO)算法进行对比验证。利用两个年径流预测算例对混合核SHTS-SVM模型进行实例验证,并与多项式核SHTS-SVM、高斯核SHTS-SVM及SHTS-BP模型预测结果进行对比。结果表明:SHTS算法寻优精度优于TLBO、GWO优化算法,具有较好的极值寻优能力和稳健性能。混合核SHTS-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

人工鱼群算法与支持向量机在枯水期月径流预测中的应用

支持向量机(SVM)学习参数存在选择范围大,盲目搜索花耗时间多、代价大,且难以获得最佳参数等问题.针对该问题利用人工鱼群算法(AFSA)搜寻SVM学习参数,提出AFSA-SVM预测模型,并与PSO-SVM、GA-SVM模型作对比.以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前30年、中间20年和后3年资料对模型进行训练、检验和预测.结果表明:AFSA-SVM模型对实例中间20年和后3年枯水期月径流预测的平均相对误差绝对值分别为5.04％、3.62％(5次平均),精度优于PSO-SVM和GA-SVM模型,表明AFSA-SVM模型具有较高的预测精度和泛化能力.AFSA算法具有全局寻优能力强、简单易实现、对初值参数选择不敏感等优点,利用AFSA算法优化得到的SVM学习参数有利于提高SVM模型的预测精度和泛化能力.     

随机神经网络与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定的不足,利用典型随机神经网络RNN—Boltzmann机能量全局最小状态对应待优化目标全局极小值原理,提出Boltzmann-SVM预测模型,利用Boltzmann机搜寻SVM学习参数,并与基于GA算法搜寻SVM学习参数的GA-SVM预测模型作对比,以云南省河边水文站枯水期1月径流预测为例进行实例研究,利用实例前40年和后6年资料对模型进行训练和预测。结果表明:Boltzmann-SVM模型对实例后6年枯水期1月月均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7.30%、9.01%,精度优于GA-SVM模型,表明Boltzmann-SVM模型具有较好的预测精度和泛化能力。Boltzmann机融合了模拟退火算法(SA)与BP、Hopfield神经网络在网络结构、学习算法和动态运行机制中的优点,在解决组合优化问题上具有全局寻优能力强、收敛速度快等特点。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

几种智能优化算法与支持向量机相融合的月径流预测模型及应用

通过10个低维测试函数对混合蛙跳算法(SFLA)、入侵杂草优化(IWO)算法、帝国竞争算法(ICA)、生物地理学优化(BBO)算法和人工蜂群(ABC)算法进行仿真验证及对比分析。针对支持向量机(SVM)学习参数难以确定的不足,利用这5种智能算法搜寻SVM最佳学习参数,提出SFLA、IWO、ICA、BBO和ABC算法与SVM相融合的预测模型,以云南省某水文站枯水期1—3月月径流预测为例进行实例研究。结果表明:1对于低维函数极值寻优问题,SLFA、IWO、ICA、BBO及ABC算法均具有较好的收敛精度和全局寻优能力,尤以SLFA算法的寻优性能为最优;2SLFA-SVM、IWO-SVM、ICA-SVM、BBO-SVM及ABC-SVM模型对实例1—3月月径流均具有较好的预测效果,可满足枯水期月径流预测的精度需求。提出的模型及方法可为相关预测研究提供参考。     

基于改进支持向量机模型的开都河年径流量预测

针对回归支持向量机(SVR)惩罚因子C和核函数参数g的选取对模型性能有着关键性影响以及在实际应用中存在参数选取等困难,提出基于启发式算法的PSO-SVR和GA-SVR年径流预测模型,以新疆开都河大山口水文站年径流预测为例进行实例研究。首先,利用DPS软件选取年径流影响因子,确定输入向量;其次,基于粒子群算法(PSO)、遗传算法(GA)基本原理,采用PSO、GA优化SVR惩罚因子C和核函数参数g,构建PSO-SVR和GA-SVR年径流预测模型,并构建基于网格划分(GS)与交叉验证(CV)算法相结合的GS-SVR模型作为对比模型。最后,利用所构建的模型对实例进行预测分析。结果表明:PSO-SVR和GA-SVR模型对开都河1996—2012年径流预测的平均相对误差绝对值分别为2.65%、3.22%,平均绝对误差分别为1.055亿m3和1.291亿m3,预测精度和泛化能力均优于GS-SVR模型,表明PSO和GA能有效对SVR惩罚因子C和核函数参数g进行优化,具有预测精度高、泛化能力强以及稳健性能好的特点。相对而言,PSO-SVR模型性能略优于GA-SVR模型。     

组合多元线性回归模型在径流预测中的应用研究

为提水文预测预报精度,研究提出混合蛙跳算法(SFLA)-组合多元线性回归(CMLR)径流预测模型。首先基于主成分分析(PCA)数据降维和不降维构建CMLR模型;然后利用SFLA同时优化CMLR常数项、偏回归系数和组合权重系数,建立SFLA-CMLR径流预测模型;最后将SFLA-CMLR模型应用于2个年径流预测实例,并构建基于PCA降维处理的SFLA-PCA-MLR、SFLA-PCA-支持向量机(SVM)、最小二乘法(LS)-PCA-MLR、PCA-SVM和未经降维处理的SFLA-MLR、SFLA-SVM、LS-MLR、SVM作对比预测模型。结果表明:SFLA-CMLR模型对2个实例年径流预测的平均相对误差分别为1.54%、4.63%,预测精度均优于SFLA-PCA-MLR等8种模型,具有较好的预测精度和泛化能力。