GM(1,1)、GM(1,N)联合模型在建筑物沉降预测中的应用

鉴于GM(1,N)模型预测精度高及GM(1,1)所需统计数据数量少的优点,通过自相关理论,把GM(1,1)和GM(1,N)两者有机结合形成一个联合模型,以进一步提高灰色模型的预测精度.该文在沉降资料的基础上,利用该联合模型对南京-泵站的沉降进行了分析预报,其结果与回归模型和GM(1,1)模型进行了比较,最后得出了基于自相关理论的GM(1,1)、GM(1,N)联合预测模型,其精度可靠,可信度高,预报结果也与实际情况相吻合,从而证明了该方法在实际工程中的可行性.     

基于灰色理论的预应力锚索抗滑桩预应力损失预测分析

运用灰色理论对预应力锚索抗滑桩预应力监测数据进行分析,建立GM(1,1)模型和改进的GM(1,1)模型,对锚索预应力变化进行预测。GM(1,1)模型与改进的GM(1,1)模型预测结果与实际监测结果均吻合良好,均能够达到合格的标准,并且改进的GM(1,1)模型比GM(1,1)模型计算精度要高。基于灰色理论的预应力锚索抗滑桩预应力损失预测是可行而实用的,具有较高的可靠性,灰色预测较为客观地反映了工程实际情况,对边坡稳定的预测预报有一定的参考价值。     

集对分析在年降雨量预测方面的分析和应用

应用集对分析构建不同的年降雨量预测模型,优选出最佳的预测方法。首先依据都江堰雨量站1961—2002年的年降雨量资料,基于集对分析方法构建了2种(秩次加权集对预报模型和量化加权集对预报模型)年降雨量预报模型,然后利用该预报模型对2003—2006年的年降水量进行预测,并将预测结果进行对比。结果显示,2种年降雨量预报模型预报结果均满足水文预报精度要求。相比较而言,秩次加权集对分析方法预测结果更加接近实际值,推荐采用秩次加权集对分析方法预测年降雨量。     

基于神经网络的小型水库洪水预报研究

针对经验预测方法精度不高,传统水文模型应用至小型水库进行洪水预报工作量大、推广较难的问题,引入具有强大特征学习能力的人工神经网络(ANN)方法,结合遗传算法(GA)寻参,对小型水库进行洪水预报。利用GA实现ANN中时间步长和隐含层神经元节点参数自动寻优,可避免寻参盲目性,针对性地为各小型水库构建个性化洪水预报模型。通过构建反向传播(BP)、长短期记忆(LSTM)、门控循环单元(GRU)神经网络洪水预报模型,对实测洪水过程进行模拟对比试验。结果表明：LSTM模型预报精度高、稳定性良好,能学习并模拟实际洪水过程水位变化规律,预报性能优于BP和GRU模型。     

ARIMA模型在卫星钟差预报中的应用

为提高GPS精密单点定位的精度(PPP),需要有高精度的卫星钟差预报。针对卫星钟差预报在卫星导航定位中的重要作用,利用时间序列模型与灰色模型对卫星钟差进行1 d和120 d的预报。结果表明,基于时间序列预报模型的预测精度优于灰色模型,更适用于实际应用,Rb钟的精度和稳定性优于Cs钟。     

基于关联规则的数据挖掘技术在中长期水文预报中的应用

根据珠江枯季水量调度工作的实际需要,选取南盘江天生桥一级水库为实例,采用基于关联规则的数据挖掘技术构建了天生桥一级水库枯季平均入库流量的预测概念模型.通过模型检验表明,该方法作为定性预报模型,可以对枯季径流进行初步分级预测,为进一步的定量预报提供参考和支持.     

土壤侵蚀预测模型研究进展及其在开发建设项目水土流失预测中的应用

该文综述了国内外土壤侵蚀预测、预报模型研究进展并结合其在生产中的运用进行了评述,提出了土壤侵蚀预测、预报模型研究中亟待解决的问题,并结合我国的实际情况,提出了一些设想。     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

基于LSTM模型的宁蒙河段封河时间预测研究

为解决目前使用的封河时间预测模型输入参数多、边界条件要求高以及长预见期预测精度较差等问题,采用长短时记忆(LSTM)循环神经网络模型方法,对黄河宁蒙河段封河时间进行预测.结果表明:在非极端天气条件下,LSTM模型的预报精度满足水情预报的要求,该模型的预见期和预测精度优于传统预报模型,对运行条件和边界条件的要求远低于现有...     

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。     

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。     

基于混合核SHTS-SVM的年径流预测

为提高年径流预测精度,利用同热传递搜索(SHTS)算法对混合核支持向量机(SVM)关键参数和混合权重系数进行优化,提出混合核SHTS-SVM年径流预测模型。通过6个不同维度的标准测试函数对SHTS算法进行仿真验证,并与当前寻优效果较好的教学优化(TLBO)算法、灰狼优化(GWO)算法进行对比验证。利用两个年径流预测算例对混合核SHTS-SVM模型进行实例验证,并与多项式核SHTS-SVM、高斯核SHTS-SVM及SHTS-BP模型预测结果进行对比。结果表明:SHTS算法寻优精度优于TLBO、GWO优化算法,具有较好的极值寻优能力和稳健性能。混合核SHTS-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

径流预测的生命旋回——拓扑模型

针对传统径流预测模型无法反映径流序列随机性,或模拟收敛速度慢、模型参数难以确定等缺点,提出了一种新的径流预报模型——生命旋回——拓扑预测模型。该模型用生命旋回模型模拟预测径流量序列的趋势项,用拓扑模型来对径流残差序列进行修正。将生命旋回——拓扑模型用于黄河唐乃亥水文站径流预测中,平均预测精度达到96.28%,合格率为100%。表明该模型预测精度较高,模型实用可行。     

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解（ASWPD）和贝叶斯优化（BO）的门控循环单元（GRU）月径流量预测模型（ASWPD-BO-GRU）。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型（基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型）的预测结果进行对比。结果表明：ASWPD-BO-GRU模型的纳什效率系数（NSE）为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

基于数值天气预报模式的流域中期径流预报

研究耦合天气预报模式的径流预报对提高预报预见期及流域防洪减灾具有重要意义。以金溪池潭水库流域为例,通过尺度转换和气象要素联结实现GEM和GFS两种数值天气模式与新安江模型的单向耦合,进行流域水文模拟以及中期径流预报。日径流过程和次洪过程模拟结果发现耦合数值天气预报模式的流域中期径流预报能够较好地预估一段时间内的径流总量,而对洪峰以及洪水过程预报能力稍有不足。预报误差来源有水文模型误差和降水预报误差两种,且降水预报的误差在水文模型中会有放大的效应,这增加了中期径流预报的不确定性。     

时间序列分解模型在乌拉斯台河年径流量预测中的应用研究

在剖析了现有年径流量预测方法的基础上,根据乌拉斯台河年径流量(1960年~1989年)序列的长期变化特征,提出了时间序列分解预测模型,即将年径流系列分解为趋势项、周期项、随机项,通过对其各项进行识别、提取,再将各项线性叠加,从而建立年径流量预测模型。从模型的识别过程可得,乌拉斯台河年径流具有不显著的递减趋势和明显的周期变化,同时具有一定的随机性。从模型的检验来看,所建模型具有较好的适应性和预报精度,并且拟合效果较好,说明这种预测方法有一定的实用性。     

基于GWO-LSTM的丹江口水库入库径流预测

入库径流预测对丹江口水库调度及水资源利用具有重要的指示意义。基于灰狼优化算法（GWO）构建不同的预测模型,开展丹江口水库月入库径流预测研究,并探讨网络结构超参数的选取及验证GWO全局遍历性、收敛快的特点。结果表明:灰狼优化的长短期记忆模型（GWO-LSTM）的预测精度和泛化性能优于灰狼优化的人工神经网络模型（GWO-BP）和逐步回归模型,其验证期的纳什效率系数平均达到0.969,整体趋势预测较好,峰值捕捉略有不足,可适用于丹江口水库月入库径流预测;模型超参数依据经验取值时,其预测结果不如GWO优化,验证期的纳什效率系数不足0.5,未达到可接受范围,而且带有一定的偶然性,建议选用具有全局优化特性的优化算法进行超参数选取;验证了GWO算法全局遍历性和收敛快的特点,平均在3次迭代后可达到收敛状态。     

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。     

生命旋回——权马尔可夫链模型在径流预测中的应用

针对生命旋回模型无法反映径流序列随机性特点,将其与权马尔可夫链结合,提出了一种新的径流短期预报模型———生命旋回———权马尔可夫链预测模型。该模型用生命旋回模型模拟预测径流量序列的趋势项,用权马尔可夫链模型来对径流残差序列进行修正。将生命旋回———权马尔可夫链模型用于黄河唐乃亥水文站径流预测中,平均预测精度达到92.46%,合格率为100%,表明该模型预测精度较高,模型实用可行。