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EEMD和GRNN的降水量序列预测研究

为提高非平稳性、非线性降水序列的预测精度,利用基于集合经验模态分解和广义神经网络的预测模型对郑州市1951—2011年的年降水量序列进行了分析。结果表明:集合经验模态分解减弱了经验模态分解IMF分量的模态混叠现象,提高了广义神经网络的预测精度;相对于经验模态分解的广义神经网络和传统的ARMA方法,基于集合经验模态分解的广义神经网络的预测结果更加精确,具有收敛速度快及预测精度高等特点。     

基于CEEMDAN-LSTM模型的郑州市月降水量预测

降水预测对农业生产和水资源利用具有重要意义.由于单一模型难以准确预测降水量,文章建立了基于完全集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的耦合模型,对郑州市月降水量进行预测,并与LSTM模型、EEMD-LSTM模型和CEEMDAN-SVR模型的性能进行了比较.结果 表明,CEEMDAN克服了EE...     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。     

基于EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

基于误差修正模型的黄河源区年径流预测

为了提升黄河源区年径流预测精度以及了解黄河源区降雨、径流、泥沙之间的相互影响关系,以黄河源区唐乃亥水文站实测年降雨量、年径流量和年输沙量作为研究数据,采用协整理论分析方法,分别建立降雨—径流、径流—泥沙两变量误差修正模型以及降雨—径流—泥沙三变量误差修正模型,对研究区年径流量进行预测。结果表明:三变量误差修正模型的拟合优度均大于两变量误差修正模型的,模型解释性更强,更能定量表现黄河源区径流量—降雨量—输沙量之间的关系;三变量误差修正模型的平均相对误差为-4.83%,可以用于黄河源区年径流预测。     

基于参数优化的EEMD-LSSVM年径流组合预测模型

径流预测是水资源管理的基础,其准确性直接影响水资源优化调度的成果。本文针对径流时间序列的内在周期特性,引入一种基于总体经验模态分解（EEMD）的LSSVM组合预测模型,并提出一种基于动态逼近局部搜索粒子群的LSSVM参数寻优方法。基于分解一重构原则,论文首先利用总体经验模式分解法对径流系列进行周期分量提取,然后应用基于参数寻优的LSSVM模型对各分量进行预测和重构。以澧水流域江垭站的年径流预测为例进行模型检验,通过三种预测模型的结果对比,验证了本文组合预测模型的可靠性。     

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。     

面向不平稳径流序列的中长期径流预测方法

针对不平稳序列中长期径流预测精度低的问题,构建了趋势分析与周期叠加组合的预测方法。利用逐步回归趋势分析技术将不平稳径流序列分离为趋势序列和平稳序列两部分,对趋势序列采用趋势回归技术进行预测,对平稳序列采用周期均值叠加技术进行预测,然后将两者预测结果叠加得到最终的预测值。以黄河中游3个水文测站为例进行实例检验,结果表明:趋势序列采用逐步回归技术进行预测,能更准确表达序列的趋势性,从而提高预测精度;采用趋势分析与周期叠加组合的方法模拟月径流量,效果明显好于直接采用周期叠加的方法,能达到中长期径流预测的精度要求。     

基于黏菌算法优化VMD-CNN-GRU模型的年径流预测

为提高年径流预测精度,引入黏菌算法（slime mould algorithm,SMA）和变分模态分解算法（variational mode decomposition,VMD）,提出一种基于卷积神经网络（convolutional neural network,CNN）和门控循环单元（gated recurrent unit,GRU）神经网络的组合预测模型（VMD-SMA-CNN-GRU）。利用VMD对径流数据进行分解;采用SMA优化CNN-GRU模型参数,构建模型对每个分量进行预测;各分量结果相加得到最终结果。以兰西水文站为例,将所建模型与CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise)-CNN-GRU、VMD-CNN-LSTM（long short-term memory）、VMD-LSTM、VMD-GRU、VMD-PSO (particle swarm optimization) CNN-GRU、SMA-CNN-GRU和CNN-GRU预测模型进行对比分析。结果表明：SMA优化的VMD-CNN-GRU模型预测精度不仅高于上述7种模型,而且避免了人工试算确定CNN-GRU模型参数效率低的不足,为年径流预测提供了一种新方法。     

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。     

基于小波分解的径向基神经网络径流预测研究

噶尔河流域位于新疆塔里木盆地西南缘,流域严重缺水,直接影响到流域的农牧业生产,因此需要对其径流量做出相对准确的预测。选用喀什噶尔河流域1956年—2000年实测年径流量,运用小波分解方法揭示径流的趋势性和周期性,并利用周期性结果为径流预测提供数据输入依据,建立径向基神经网络预测模型,与传统径向基神经网络预测模型相比,精度更高,能够更加准确的预测喀什噶尔河流域年径流量。更多还原     

“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明：基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R²增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R²达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。     

Elman模型在黄河上游年径流预测中的应用

Elman递归神经网络具有上下层,它将隐含层前一时刻的输出反馈到当前时刻的输入,这种反馈连接使Elman网络能够检测随时间变化的序列信息;径流是一种受时问变化影响比较大的信息。因此,采用Elman神经网络理论进行径流预测比较符合径流随时间变化的特点。利用黄河青铜峡水文站数百年的天然年径流时间序列,采用Elman递归神经网络对黄河青铜峡的天然年径流进行预测分析,结果表明,该模型应用在黄河上游的长期预测中是合理、可行的。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

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...     

基于人工神经网络的黄河源区枯季径流预报

分析了黄河源区枯季径流的影响因素,并选取基于枯季径流形成机理的、与径流相关性高的因子作为人工神经网络模型的输入,运用误差逆传播算法的多层前向网络,利用VC^ 语言调用随机函数克服了网络全局寻优的缺陷,建立了黄河源区枯季径流预报的BP模型。对黄河源区枯季径流长期预报的结果表明,ANN(7,1,15,1)模型预报结果精度高,容错能力强,是枯季径流预报的有效手段。     

基于人工神经网络的日径流预测

给出了用人工神经网络(ANN)对 三峡宜昌站的日径流预测模型建模的过程，对ANN输入变量的选择和个数的确定以及隐藏层 、输出层单元数的确定等关键技术问题进行了探讨。所建立的基于ANN的预测模型可以进行 提前7 d的日径流预测，预测结果令人满意。     

基于HHT方法的宜昌近百年径流演化模式分析

介绍了-种新的时间序列分析方法,即基于经验模态分解(EMD)的希尔伯特-黄变换(HHT)方法,并应用此方法分析长江宜昌站近100a来天然径流资料系列,同时提出了一种"边筛分、边延拓"的对称延拓方法处理EMD分解中的边界问题.结果表明,长江天然径流演化模式由5个本征模态函数和一个零均值趋势项组成.通过分析各个IMF分量,得出不同尺度径流波动对径流演变的作用,并分析出长江流域的天然径流演化与QBO、ENSO、日月交食年、太阳黑子和长江流域气温变化等气象、气候因子有关.     

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。