基于改进集对分析的新疆黄水沟年径流预测

本文提出了以几何形式表示集对的G-SPA模型,该模型以向量之间的夹角、相关系数、欧式距离以及向量的模为指标对径流集合建立对应的指标集合,将指标集合的相似度作为判断径流集合相似度的依据,其优点是不仅考虑了径流大小的相似性,而且考虑了径流变化趋势的相似性。将G-SPA预测模型应用于新疆黄水沟年径流量预测中,并分别与GRNN神经网络模型以及AR(2)模型的预测结果进行了对比。结果表明:G-SPA模型预测的平均相对误差为7.42%,预测结果优于GRNN模型和AR(2)模型。     

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。     

基于时间序列组合模型的河川年径流预测

河川年径流序列具有小样本、非线性和非平稳性等特点,传统预测理论很难对其实现精确预测。考虑从多角度优化预测算法,建立基于时间序列的组合预测模型。本研究利用小波变换理论提取信号的细节特征,将年径流分解为非线性的趋势项和平稳性的波动项,分别利用最小二乘支持向量机(LSSVM)理论和自回归(AR)模型进行趋势预测,利用加法原则重构信号实现河川年径流预测模型。以新疆开都河年径流序列进行实例计算,结果表明预测值与实测值基本一致,具有较高的预测精度。研究结果可为河道防洪、水库运行调度与区域水资源配置提供参考。     

ANN、ANFIS和AR模型在日径流时间序列预测中的应用比较

水文预测是水文学为经济和社会服务的重要方面。其预报结果不仅能为水库优化调度提供决策支持,而且对水电系统的经济运行、航运以及防洪等方面具有重大意义。自回归模型(AR模型)、人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)在日径流时间序列中应用广泛。将这三种模型应用于桐子林的日径流时间序列预测中,不仅采用纳什系数(NS系数)、均方根误差(RMSE)和平均相对误差(MARE)为评价指标,对三种模型的综合性能进行了比较。而且,在对三种模型预测结果的平均相对误差的阈值统计基础上,分析了三种模型的预测误差分布。同时,通过研究模型性能指标随预见期的变化过程评价了三种模型不同预见期下的预测能力。结果表明ANFIS相对于ANN和AR模型不仅具有更好的模拟能力、泛化能力,而且在相同的预见期下具有更优的模型性能,可以作为日径流时间序列预测的推荐模型。     

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。     

多重组合神经网络模型在年径流预测中的应用

针对线性组合预测模型预测精度不高、单一预测模型权重较难确定和非线性组合预测模型组合函数难以构造等问题,为最大限度地挖掘输入向量间的有用信息以及充分发挥神经网络模型的高度非线性映射能力,提出一种基于BP、Elman、RBF、GRNN这4种神经网络算法原理的多重组合年径流预测模型。以4种单一预测模型的预测结果作为一次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的一次组合预测模型;再以一次组合预测模型预测结果作为二次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的二次组合预测模型;依次类推,构建12种多重组合预测模型。以新疆伊犁河雅马渡站年径流预测为例,将预测结果与4种单一预测模型及IEA-BP模型的预测结果进行比较,结果表明:多重组合预测模型的预测精度和泛化能力较单一预测模型均有较大提高,随着模型组合重数的增加,预测精度呈提高趋势,是提高预测精度的有效方法。     

LS-SVM在澜沧江水库群运行调度中的应用研究

利用最小二乘支持向量机(LS-SVM)的径流预测方法建立澜沧江月径流预测模型,对月径流进行预测,与季节性水平模型预测结果进行对比,并将预测结果运用于澜沧江水库群调度。结果表明,基于最小二乘支持向量机的模拟预测训练期和预测应用期的模型效率系数分别高达80%和88%,年均最大和最小径流相对误差仅为10%,精度较季节性水平模型更高,说明将最小二乘支持向量机用于澜沧江月径流预测是可行的,可满足澜沧江水库群调度的需要。     

回归支持向量机集成模型在年径流预测中的应用

为进一步提高径流预测精度和泛化能力,根据回归支持向量机(SVR)特性及基本原理,提出考虑不同影响因子(输入向量)的SVR集成预测模型,以云南省南盘江西桥站1961—2007年径流预测为例进行实例研究。首先,利用相关分析法选取年径流预测的若干影响因子,依次构建不同影响因子的SVR单一模型对研究实例进行预测,并构建对应的RBF模型作为对比预测模型;然后,采用加权平均和简单平均2种方法对具有较好预测精度和互补性的单一模型的预测结果进行综合集成。结果表明基于SVR的加权平均和简单平均2种集成模型径流预测的平均相对误差绝对值分别为1.27%和1.54%,最大相对误差绝对值分别为2.99%和2.74%,其精度和泛化能力均大幅优于各单一模型以及基于RBF的加权平均和简单平均集成模型,表明加权平均SVR和简单平均SVR集成模型具有较高的预测精度和泛化能力。相对而言,加权平均集成模型赋予了预测效果好的模型更大的权重,预测精度和泛化能力均优于简单平均集成模型。预测模型和方法可为相关预测研究提供参考和借鉴。     

集合建模在径流模拟和预测中的应用

由于单一模型在水文过程模拟和预测中存在一定的局限性,本文在SWAT模型和灰色微分动态自记忆模型的基础上,分别采用熵权法和集对分析法构建基于熵权法的集合模型(EW-CM)和基于集对分析法的集合模型(SPA-CM),以充分发挥其各自的优点。将各单一模型和集合模型分别应用于滦河流域径流过程的模拟和预测,对比结果表明:(1)SPA-CM模型径流模拟效果最好,而EW-CM模型在部分地区的径流模拟效果劣于SWAT模型;(2)EW-CM模型和SPA-CM模型径流预测效果在一定程度上优于单一模型,综合分析表明SPA-CM模型最优。     

基于CEEMDAN-ARMA模型的年径流量预测研究

为了更好地预测河川径流,提高年径流的预测精度,以黄河源区唐乃亥水文站1956—2016年的实测年径流量为研究数据,采用完全集合经验模态分解(CEEMDAN)和自回归滑动平均模型(ARMA)相结合的方法,建立CEEMDAN-ARMA组合模型,并将组合模型的预测结果与单一的ARIMA模型的预测结果进行对比.结果表明:组合模...