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。     

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。     

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。     

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。     

基于相空间理论和支撑向量回归的入库径流预测

为得到一种适用性强且精度较高的水电站短期入库径流预测方法,研究构建了一种耦合相空间理论和支撑向量回归的日内入库径流预测方法。首先,利用互信息和虚假邻近点理论对入库径流历史数据进行相空间重构;然后,运用网格搜索算法对支撑向量回归模型进行参数率定和模型训练;最后得到径流预测的模型数据集。以三峡水库为例的研究结果表明,3种组合模型相比3种单一模型预测精度(相关系数R²)提升了8.9%～22.2%;所构建的组合模型(PSR-SVR)与3种单一预测模型、其他2种组合预测模型相比能够显著提高整体预测精度,与其他组合模型相比预测精度提高了4.1%～7.2%。方法也验证了相空间重构技术能有效应对混沌特性和还原径流序列的原始演变规律。     

并联组合建模在径流预测中的应用

针对径流预报的具体特征和相关问题,本文首先建立多元时变灰色预测模型,在分析多元时变灰色预测模型、非时变的免疫神经网络模型、最小二乘支持向量机模型在径流预报中应用的优势和不足的基础上,讨论并联组合预测建模的实用意义,并基于提高样本数据的精度将三者进行并联组合集成建模,充分发挥多种模型各自优点且相互补充。最后以新疆伊犁河雅马渡水文站的年径流预测为例,对该站年径流量进行并联组合预测建模,通过与三个单项模型的预测结果的比较分析,证实了本文所提出的组合预测的合理性、普适性和可靠性。     

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。     

基于集对分析的径流组合预测模型

采用人工智能BP模型、小波BP模型及GA-BP模型对径流进行预测,然后将径流的实测值系列A和上述3种模型的预测值Bi建立集对H(A,Bi),利用集对分析的同、异、反特性进行联系度计算,据此确定径流预测模型的相对隶属度,并对隶属度进行归一化处理,得到上述3种模型的权重,再依据此权重建立相应的径流组合预测模型。应用1950~1975年小浪底水库的资料,对径流组合预测模型进行模拟,结果显示其预测精度明显高于单个模型的预测精度。     

月径流预报建模方法对比分析——以嘉陵江北碚站为例

为提高径流预报的精度,以嘉陵江流域北碚水文站为例,选取1979～2019年径流资料,对比分析月径流预报多种建模方法的预报性能。选择时间序列法作为单变量预报模型的方法,随机森林、BP神经网络和多元线性回归作为多变量预报模型的方法,并应用时变权重进行组合预报,对比单变量与多变量、单一与组合模型预报结果。结果表明：(1)多变量预报模型预报效果更优,与时间序列模型相比,其平均绝对百分比误差减少约20%;(2)随机森林与BP神经网络这两种机器学习方法在单一模型中具有更好的预测能力;(3)时变权重组合预报方法能有效结合单一模型的优点,进一步提高预报精度。研究成果可为中长期径流预报的建模策略制定提供参考。