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。     

基于两阶段粒子群优化算法的新型逐步分解集成径流预测模型

传统分解集成径流预测模型首先将整个径流序列分解成若干个子序列,再将这些子序列划分为训练期和验证期进行建模,错误地将验证期内预报因子数据视作已知数据处理,难以应用于实际径流预报工作中。并且,这类模型的预测结果仅为一个确定数值,难以描述由于径流序列随机性和波动性而导致的预测不确定性。为解决以上问题,本文结合变分模态分解方法、支持向量机模型和核密度估计方法,提出了一种可同时进行点预测和区间预测的新型逐步分解集成(VMD-SVM-KDE)模型,并提出了一种两阶段粒子群优化(TSCPSO)算法来优化模型参数。选用黄河流域月径流数据评估模型性能,研究结果表明:(1)VMD-SVM-KDE模型将单一SVM-KDE模型的确定系数(R²)和纳什效率系数(NSE)值由0.145~0.630提升至0.872~0.921,区间平均偏差(INAD)值由0.046~95.844降低至0.005~0.034,说明VMD-SVM-KDE模型显著改进了单一SVM-KDE模型的点预测和区间预测性能;(2)相较于一阶段PSO算法,TSCPSO优化算法将单一模型的R²和NSE值由0.145~0.480提升至0.309~0.630,INAD值由48.813~95.844降低至0.046~0.195,将分解集成模型的R²和NSE值由0.872~0.912提升至0.876~0.921,INAD值由0.007~0.034降低至0.005~0.014,说明TSCPSO优化算法可以克服SVM的过拟合问题,并能提高单一模型和分解集成模型的预测精度;(3)VMD-SVM-KDE-TSCPSO有效解决了传统分解集成预测模型存在的错误使用验证期内预报因子数据的问题,并在各站的R²和NSE值均约为0.9,INAD值的范围为0.005~0.014,具有更高的点预测和区间预测精度。文中模型可为优化径流预测模型和非平稳非线性水文序列预报提供新思路。     

基于EMD及BPNN的云南省昭通市径流量预测

为提高BP神经网络对径流量的预测精度,将经验模态分解(EMD)方法与BP神经网络相结合,采用云南省昭通市豆沙关水文站1959年1月至2015年12月的逐月径流量,共设置4种方案构建了径流量预测模型。其中,方案一采用前1个月的径流量预测下一个月的径流量;方案二采用前2个月的径流量预测下一个月的径流量;方案三采用前3个月的径流量预测下1个月的径流量;方案四首先利用EMD将原始径流序列分解为高频项、低频项、趋势项,然后采用前1个月的分解数据对这3类项下1个月的分解数据进行预测,最后叠加为预测的下1个月径流量。结果表明:方案四的R~2为0.86,高于其他3个方案,说明将数据先通过EMD分解再分别预测径流量能够提高预测精度。研究成果可为未来构建径流量的预测模型和提高预测精度提供技术支撑。     

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EEMD和人工蜂群算法的黄水沟年径流预测

针对单一模型预测年径流量精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的组合预测模型。在建模过程中,利用EEMD算法对河川年径流量时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了年径流量非线性组合预测模型。利用该模型对新疆黄水沟2001~2014年径流量进行预测,结果表明,该预测模型取得了较好的预测效果,与SA-BPNN方法和GA-LSSVR方法对比分析,模型评价指标精度均有很大提高。     

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。     

The Research of Monthly Discharge Predictor-corrector Model Based on Wavelet Decomposition

Based on wavelet analysis theory, a wavelet predictor-corrector model is developed for the simulation and prediction of monthly discharge time series. In this model, the non-stationary time series of monthly discharge is decomposed into an approximated time series and several stationary detail time series according to the principle of wavelet decomposition. Each one of the decomposed time series is predicted, respectively, through the ARMA model for stationary time series. Then the correction procedure is conducted for the sum of the prediction results. Taking the monthly discharge at Yichang station of Yangtse River as an example, the monthly discharge is simulated by using ARMA model, seasonal ARIMA model, BP artificial neural network model and the wavelet predictor-corrector model proposed in this article, respectively. And the effect of decomposition scale for the wavelet predictor-corrector model is also discussed. It is shown that the wavelet predictor-corrector model has higher prediction accuracy than the some other models and the decomposition scale has no obvious effect on the prediction for monthly discharge time series in the example.     

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。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

A Hybrid VMD-SVM Model for Practical Streamflow Prediction Using an Innovative Input Selection Framework

Some previous studies have proved that prediction models using traditional overall decomposition sampling (ODS) strategy are unreasonable because the subseries obtained by the ODS strategy contain future information to be predicted. It is, therefore, necessary to put forward a new sampling strategy to fix this defect and also to improve the accuracy and reliability of decomposition-based models. In this paper, a stepwise decomposition sampling (SDS) strategy according to the practical prediction process is introduced. Moreover, an innovative input selection framework is proposed to build a strong decomposition-based monthly streamflow prediction model, in which sunspots and atmospheric circulation anomaly factors are employed as candidate input variables to enhance the prediction accuracy of monthly streamflow in addition to regular inputs such as precipitation and evaporation. Meanwhile, the partial correlation algorithm is employed to select optimal input variables from candidate input variables including precipitation, evaporation, sunspots, and atmospheric circulation anomaly factors. Four basins of the U.S. MOPEX project with various climate characteristics were selected as a case study. Results indicate that: (1) adding teleconnection factors into candidate input variables helps enhance the prediction accuracy of the support vector machine (SVM) model in predicting streamflow; (2) the innovative input selection framework helps to improve the prediction capacity of models whose candidate input variables interact with each other compared with traditional selection strategy; (3) the SDS strategy can effectively prevent future information from being included into input variables, which is an appropriate substitute of the ODS strategy in developing prediction models; (4) as for monthly streamflow, the hybrid variable model decomposition-support vector machine (VMD-SVM) models, using an innovative input selection framework and the SDS strategy, perform better than those which have not adopted this framework in all study areas. Generally, the findings of this study showed that the hybrid VMD-SVM model combining the SDS strategy and innovative input selection framework is a useful and powerful tool for practical hydrological prediction work in the context of climate change.

     

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...