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.     

Hybrid SSA-ARIMA-ANN Model for Forecasting Daily Rainfall

Rainfall, which is one of the most important hydrologic processes, is influenced by many meteorological factors like climatic change, atmospheric temperature, and atmospheric pressure. Even though there are several stochastic and data driven hydrologic models, accurate forecasting of rainfall, especially smaller time step rainfall forecasting, still remains a challenging task. Effective modelling of rainfall is puzzling due to its inherent erratic nature. This calls for an efficient model for accurately forecasting daily rainfall. Singular Spectrum Analysis (SSA) is a time series analysis tool, which is found to be a very successful data pre-processing algorithm. SSA decomposes a given time series into a finite number of simpler and decipherable components. This study proposes integration of Singular Spectrum Analysis (SSA), Auto Regressive Integrated Moving Average (ARIMA) and Artificial Neural Network (ANN) into a hybrid model (SSA-ARIMA-ANN), which can yield reliable daily rainfall forecasts in a river catchment. In the present study, spatially averaged daily rainfall data over Koyna catchment, Maharashtra has been used. In this study SSA is proposed as a data pre-processing tool to separate stationary and non-stationary components from the rainfall data. Correlogram and Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test has been used to validate the stationary and non-stationary components. In the developed hybrid model, the stationary components of rainfall data are modelled using ARIMA method and non-stationary components are modelled using ANN. The study of statistical performance of the model shows that the hybrid SSA-ARIMA-ANN model could forecast the daily rainfall of the catchment with reliable accuracy.

     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

SPSS统计软件在水文预报中的应用

将SPSS软件中T im e series过程应用到水文预报当中,讨论了SPSS软件中的时间序列分析模块。并且利用塔里木河卡群水文站的历史径流量资料,通过AR IM A模块进行径流量预报,取得理想结果。     

基于偏互信息法遴选因子的长江中长期径流预报

为提高流域中长期径流预见期和预报精度,以长江流域代表性水文站为例,研究遥相关气候因子对水文站径流的影响,通过偏互信息方法遴选与逐月径流具有显著相关性的气候因子,并采用多元回归方法建模进行中长期径流预报。研究表明:根据偏互信息法选出的输入因子建立的回归方程在建模和试报阶段的拟合优度值都大于0.6,而且入选的气候因子均具有4个月及以上的预见期。可见利用偏互信息法挑选遥相关气候因子进行中长期径流预报能够延长预见期并提供具有较高精度的预报结果。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

基于EMD的官厅水库天然年径流量变化多时间尺度分析

针对小波变换的不足之处，对官厅水库1956～2000年还原后的入库天然年径流量时序运用EMD方法进行多时间尺度分解，发现其天然年径流量存在准2～3年、准7～8年、准15年的波动周期，并分析了各分量的趋势变化及其影响因素。结果表明，EMD作为一种全新的多分辨率信号处理方法，可以更精确地提取年径流量时序中不同波动周期的分量，在水文水资源变量的分析及建模中具有广阔的应用前景。     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

基于BP神经网络的来水量预测模型

针对径流量长期变化的因果关系复杂特性,常规的中长期水文预报模型又很难满足精度要求,提出了基于BP神经网络的来水量预测模型。结合实际径流数据,验证了模型的预报精度,可用来进行中长期水文预报。     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

Application of spatially varying storage capacity model for runoff parameterization in semi-arid catchment

This paper introduces the method of designation of water storage capacity for each grid cell within a catchment, which considers topography, vegetation and soil synthetically. For the purpose of hydrological process simulation in semi-arid regions, a spatially varying storage capacity (VSC) model was developed based on the spatial distribution of water storage capacity and the vertical hybrid runoff mechanism. To verify the applicability of the VSC model, both the VSC model and a hybrid runoff model were used to simulate daily runoff processes in the catchment upstream of the Dianzi hydrological station from 1973 to 1979. The results showed that the annual average Nash-Sutcliffe coefficient was 0.80 for the VSC model, and only 0.67 for the hybrid runoff model. The higher annual average Nash-Sutcliffe coefficient of the VSC model means that this hydrological model can better simulate daily runoff processes in semi-arid regions. Furthermore, as a distributed hydrological model, the VSC model can be applied in regional water resource management.     

面向EMD分解的径流分量重构方法对比研究

水文序列非平稳与非线性的复杂变化导致水文序列中长期预测的准确性备受质疑。"分解-预测-重构"模式作为一种新的有效的预测思路近年来备受业界和学者关注。但受到高频分量预测误差大、趋势走向不确定等问题困扰,这种模式在发展过程中仍有诸多需要改进的地方。其中,径流分量的重构方法是控制高频分量误差,提高整体预测精度的关键性措施,其优劣对预测效果实现有着重要的意义。基于经验模态分解(EMD)和自回归模型(AR)建立"分解-预测"耦合模型,结合粒子群优化(PSO)算法,提出PSO重构系数优化法和高频分量剔除+重构系数优化法两种重构方法,结合前人提出的高频分量剔除法,以陕北丁家沟站、关中华县站、陕南白河站为算例,对不同重构方法的效果进行对比研究。研究结果表明:基于高频分量剔除法、PSO重构系数优化法、高频分量剔除+重构系数优化法三种重构方法的预测效果均较好,五项误差评价指标均优于标准重构法,三种重构方法均可不同程度地提高预测精度。对比研究发现:高频分量剔除法在重构过程中剔除了最不稳定且最难预测的高频分量,提高了预测精度,但提升效果有限;PSO重构系数优化法对所有径流分量赋予优化重构系数并重构,可最大程度地实现分量间的平差,有效提高了预测精度;高频分量剔除+重构系数优化法综合上述两种方法的优势,取得了比其他方法更好的预测效果。     

A Novel Hybrid Method for River Discharge Prediction

Accurate prediction of river discharge is essential for the planning and management of water resources. This study proposes a novel hybrid method named HD-SKA by integrating two decomposition techniques (termed as HD) with support vector regression (SVR), K-nearest neighbor (KNN) and ARIMA models (combined as SKA) respectively. Firstly, the proposed method utilizes local mean decomposition (LMD) to decompose the original river discharge series into sub-series. Next, ensemble empirical mode decomposition (EEMD) is employed to further decompose the LMD-based sub-series into intrinsic mode functions. Further, the EEMD decomposed components are used as inputs in three data-driven models to predict river discharge respectively. The prediction of all components is then aggregated to obtain the results of HD-SVR, HD-KNN and HD-ARIMA models. The final prediction is obtained by taking the average prediction of these models. The proposed method is illustrated using five rivers in Indus Basin System. In five case studies, six models were built to compare the performance of the proposed HD-SKA model. The data analysis results show that the HD-SKA model performs better than all other considered models. The Diebold-Mariano test confirms the superiority of the proposed HD-SKA model over ARIMA, SVR, KNN, EEMD-ARIMA, EEMD-KNN, and EEMD-SVR models.

     

基于多重演化模式重构的水文预报模型及应用

因长期受人类活动、气候变化等多重因素作用,水文时间序列表现出多时间尺度、多频率、动态变化、自记忆性等复杂性特征,增加了水文预报结果的不确定性。本文将经验模态分解模型,核主成分分析模型和支持向量机模型耦合,建立了针对复杂性水文时间序列的预报模型,并采用NASH效率系数、自相关系数、相对误差作为模拟预测精度及参数率定的多目标判断标准。模型应用于黄河花园口水文站径流序列的长期水文预报中,结果表明:模型预报时段长,具有较好的预测准确性和实践应用价值。该模型为多重因素作用的复杂性水文时间序列预报提供了一种方法。     

基于多组群教学优化的随机森林预测模型及应用

为有效提高水文预测预报精度,提出了一种基于多组群教学优化(MGTLO)的随机森林(RF)预测方法,利用MGTLO算法对RF两个关键参数进行优化,构建MGTLO-RF预测模型,并与基于MGTLO算法优化的支持向量机(SVM)、BP神经网络两种常规预测模型作对比分析。以云南省龙潭站月径流和年径流预测为例进行实例研究,利用前44 a和后10 a资料对MGTLO-RF等3种模型进行训练和预测。结果表明:所提出的MGTLO-RF模型具有更好的预测精度和泛化能力,可作为水文预测预报和相关预测研究的一种有效工具。     

多层前馈网络的联合梯度学习算法及其在水文预报中的应用

提出了径流长期分级预报的人工神经网络方法，给出了多层前馈网络的联合梯度算法。用辽宁大伙房水库的汛期长系列资料进行实例研究，取得了初步令人满意的结果。     

基于灰色系统与RBF神经网络的中长期水文预报

及时、准确的中长期水文预报能有效促进水库管理优化。以非汛期各月径流量为预报因子,通过计算所需预报年份与已有径流资料历史年份的预报因子之间的灰色关联度,遴选出与该年灰色关联度较大的年份作为代表年份。采用MATLAB数学软件构建RBF神经网络预报模型,利用选定的代表年份径流量对目标年份汛期径流量进行预报。以清河水库为例,用该模型预报汛期径流量。结果表明,模型简单可操作、运行速度快、预报效果好。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于Bayes分类的Markov径流量预测模型

针对河川径流成因复杂性和水文过程随机性的特点,且用单一预测法存在一定局限性的现状,提出混合Bayes-Markov预测模型。先用Bayes公式对径流进行丰枯分类,然后采用加权Markov分析方法建立预测模型,该模型可综合利用Bayes和Markov方法的优点,提高径流预测精度。以兰州站河川径流量预测为例,进行模型验证。结果表明,2003～2009年径流量预测精度达到85.7%,能满足规范要求。     

Research on Combination Forecast Mode of Conceptual Hydrological Model

The calibration and selection of conceptual hydrological model parameters is an important but complex task in runoff forecasting. In order to solve the calibration of conceptual hydrological model parameters, a multi-objective cultural self-adaptive electromagnetism-like mechanism algorithm (MOCSEM) is proposed in this paper. The multi-objective parameter calibration method of runoff forecasting avoids the “averaging effect” and considers both large and small runoffs hydrological features. In this paper, the self-identifying parameter combination forecasting method (SPCFM), a universality combination forecast model, is developed innovatively to improve forecasting precision by using the extreme parameters of Pareto optimal solutions. Finally, MOCSEM is combined with SPCFM to calibrate the parameters of forecasting model and forecast runoff of Leaf River. The results indicate that the proposed methods improve forecast accuracy and provide an effective approach to runoff forecast.