基于EMD的凌河流域降水径流预测模型研究

为提高降水径流预测模型的预测精度,利用经验模态分解法处理非线性复杂信号的优势,再结合BP神经网络,对凌河朝阳水文站1956—2009年的降水量资料进行分解,以分解出的分量作为BP神经网络预测模型的输入,以实测的年径流量作为输出,建立降水径流预测模型。模型检验结果表明:模型预测精度较高,对凌河流域径流量预测具有一定的实用性。     

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-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解（EMD）将趵突泉岩溶地下水水位分解为5个分量（4个本征模函数项和1个残余项）,以此消除水位数据的非平稳波动性;同时构建长短期记忆（LSTM）神经网络模型,并将与地下水水位动态变化密切相关的降水量（表征含水层补给项）和月平均气温值、月最高气温值、月最低气温值、水汽压值（表征含水层排泄项）作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明：EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。     

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度，减小参数优化不当导致的非线性误差，研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合，构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年～2021年逐月径流过程，并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明，EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快，精度最高，预测结果最接近实测值，其决定系数R²为0.864 3。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测，在气温上升1℃,降水不变的情景下，年径流量将增加6.61%;在降水升高5%,气温不变的情景下，年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下，年径流量将增加22.16%。     

基于BP神经网络的金沟河灌区旬来水量预报

考虑到金沟河灌区径流量长期变化的因果关系较为复杂的特性,若采用常规中长期水文预报模型很难达到预测精度要求。结合实际水量数据,采用BP神经网络预测模型对金沟河灌区旬来水量进行预报,并进行模型预报精度验证。结果证明,BP神经网络预测模型完全可以用于中长期水文预报。     

加权平均集成模型在径流预测中的应用

针对单一预测模型泛化能力不强、误差稳定性能较差等局限性,基于遗传算法优化支持向量机、遗传算法优化BP神经网络、径向基神经网络三种单一预测模型的预测结果,建立了径流量预测的加权平均集成模型,并将其用于预测黄河上游唐乃亥水文站的年、月径流量。结果表明:加权平均集成模型集成了各单一预测模型的优点,在预测精度、泛化能力以及稳定性能方面均优于单一预测模型。     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

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。     

三种模型在洞庭湖区域地下水资源量预测中的应用

为了建立适应于洞庭湖区域地下水资源量变化规律的预测模型,在分析洞庭湖区域河川天然径流量、长江三口入水量、城陵矶出水量与地下水资源量相关性的基础上,分别利用多因子逐步回归模型、BP神经网络模型和多变量时间序列CAR模型建立了3种洞庭湖区域地下水资源量预测模型,并对所建立的3种模型的预测精度和预测结果整体规律进行了对比分析。研究结果表明:地下水资源量与河川天然径流量、长江三口入水量、城陵矶出水量具有较好的相关性;多变量时间序列CAR模型的预测精度较好,BP神经网络模型的预测精度次之,而多因子逐步回归模型的预测精度较差;多变量时间序列CAR模型的预测结果整体规律优于BP神经网络模型,而BP神经网络模型的预测结果整体规律则优于多因子逐步回归模型。     

基于多尺度小波变换WNN的灌区灌溉水量研究

选取Daubechies(db6)小波系对陆浑灌区1970—2013年的降水量及作物需水量时间序列进行多时间尺度水平分解,以得到的1970—2003年的小波系数为输入数据、灌溉水量为输出数据,构建多尺度小波变换的小波神经网络进行预测模拟,并利用单隐层BP、双隐层BP神经网络和小波神经网络分别进行了预测比较,结果表明:基于多尺度小波变换的小波神经网络模型的模拟精度和预测的稳定性均高于其他3种模型,4种预测模型的预测值平均相对误差排序为单隐层BP神经网络双隐层BP神经网络小波神经网络多尺度小波变换的小波神经网络。     

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PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法.在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性.利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并...     

基于BP神经网络的不同时间尺度泵站前池水位预测模型

针对建筑物调控下的水位预测难题,建立基于BP神经网络的泵站前池水位预测模型,在不同时间尺度下分析时间序列、影响因子、预报因子对水位预测精度的影响.将构建模型应用于胶东调水工程东宋泵站,研究结果表明:在数据总量一定的情况下,训练期和预测期之比为7:3时,预测结果较好;数据量越大,保持一定预报精度所需要的正相关的影响因子数...     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

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。     

基于随机森林模型的需水预测模型及其应用

为解决需水预测模型精度问题,尝试基于随机森林模型的分类和回归功能构建需水预测模型。以苏州市需水量预测为研究实例,首先应用随机森林模型的分类功能将需水预测因子分类,经计算发现第一产业比例、人口、灌溉面积、万元产值用水量和国民经济生产总值为最重要的解释变量。在此基础上,用随机森林模型的回归功能对需水进行预测,同时采用相同的训练数据建立基于BP神经网络和RBF神经网络的需水预测模型,通过对比3个模型的预测结果,发现随机森林模型能有效预测需水量,且精度较高。     

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

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EMD的小波神经网络模型预测大坝变形

针对大坝变形预测中非平稳非线性的数据处理问题,以及小波神经网络(WNN)在预测中无法实现自适应多分辨率分析的不足,提出一种基于经验模态分解(EMD)的小波神经网络预测模型(EMD-WNN)。利用经验模态法将变形时间序列分解成具有不同物理尺度特征的变形分量,以便降低其非平稳性;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量,并分别对其建立WNN模型;最后叠加各预测值即为最终预测结果。算例与多元回归模型、BP神经网络模型和WNN模型对比分析表明,该算法预测精度较高,可用于大坝变形预测。     

基于经验模态分解和支持向量机的日径流预测研究

准确的径流预测是水资源开发利用的重要依据，但预测难度大。为提高日径流预测精度，以榕江流域南河东桥园站日径流为例，建立了经验模态分解(EMD)和支持向量机(SVM)耦合的日径流预测模型。首先，利用经验模态分解将日径流系列分解为若干子过程，再采用支持向量机深度学习模型分别对每一个子过程进行预测，最后将每个预测结果相加得到原日径流数据的预测结果。研究表明：EMD-SVM组合模型相对于SVM、BP、LSTM单模型具有更好的预测性能。