基于EEMD的黄河上游主要来水区年来水量预测

为了提高径流预测的精度,采用EEMD将非线性、非平稳的径流时间序列分解为若干固有模态分量和趋势项分量,高频分量采用GA-SVM模型进行预测,低频分量采用GA-BP模型进行预测,趋势项采用RBF模型进行预测,然后对各分量进行重构,从而建立了EEMD组合预测模型,并应用于黄河上游主要来水区年来水量预测。结果表明:黄河上游主要来水区年来水量预测误差小于20%的预报合格率为100%,预测精度高,具有较高的实用价值。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

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。     

基于小波分析技术的中长期径流预测模型研究

针对中长期径流预测精度低的问题,提出了基于小波分析技术的时间序列预测模型。利用小波函数db(5)将年径流序列进行尺度为3的分解,得到相应的低频信号和高频信号,然后对各级分解信号利用ARMA(2,1)模型进行预报,最后将各预报结果叠加合成原始径流的预测值,并与ARMA模型直接预测的年径流值比较,通过实例得出前者预测模型要比后者预测的精度更高、稳定性更好,从而验证了该中长期径流预测模型的有效性。     

基于小波分析技术的中长期径流预测模型研究

针对中长期径流预测精度低的问题,提出了基于小波分析技术的时间序列预测模型。利用小波函数db(5)将年径流序列进行尺度为3的分解,得到相应的低频信号和高频信号,然后对各级分解信号利用ARMA(2,1)模型进行预报,最后将各预报结果叠加合成原始径流的预测值,并与ARMA模型直接预测的年径流值比较,通过实例得出前者预测模型要比后者预测的精度更高、稳定性更好,从而验证了该中长期径流预测模型的有效性。     

基于WA-LSTM-ARIMA的混凝土坝变形组合预测模型

针对混凝土坝变形实测数据序列的不规律性和预测精度欠佳等问题,基于复合建模思想提出一种基于WA-LSTM-ARIMA的大坝变形组合预测模型。首先通过小波多分辨率分析对原始监测序列进行多尺度分解,从中提取高频周期性分量、低频趋势性分量和高频随机性分量;然后将去噪处理后的随机分量与高频周期性分量融合得到综合高频序列,并使用LSTM进行建模预测,对于低频趋势性分量则应用ARIMA模型进行预测,将两组预测结果叠加后即可得到最终的坝体变形预测结果;最后通过工程实例证明该模型所得预测值与实测值拟合较好,与传统的静态模型预测结果对比表明,该模型的预测精度更高。     

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。     

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...     

二滩水电站中期径流序列预测研究

分别利用门限回归模型（TR模型）和人工神经网络模型对二滩水电站的月平均径流量序列进行了预测。通过计算可知，门限回归模型和人工神经网络模型都可以很好地解决月平均径流的预测问题，相对误差总体上都比较小。但门限回归模型计算繁琐，不能及时、快速得到计算结果，而人工神经网络模型计算快速，占用内存小，还有很好的容错性，即使在数据不完全的情况下，也能及时准确地得到径流预报值。考虑到模型自身的特点和优势，在实际运行中推荐使用人工神经网络模型进行月平均流量的计算和预测。     

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。     

基于四种方法的月径流预测研究

径流预测对于水资源的合理开发利用与统筹配置具有重要意义。根据黄土高原地区渭河支流-北洛河状头水文站和泾河张家山站的月径流资料,运用门限自回归模型、神经网络模型、方差分析外推法以及季节水平模型四种方法对其进行预测,观察模拟效果并比较各自优缺点。对于枯水期月径流,季节水平模型对于两站预测合格率均为100%;方差分析外推法对于状头站和张家山站预测合格率分别为90%,80%;门限自回归模型对于两站的预测合格率均为80%;神经网络模型预测两站汛期月径流合格率均为100%。表明季节水平模型适用于枯季月径流的预测,神经网络模型适宜于汛期月径流预测,并且精度良好。     

黄河流域水沙变化趋势多模型预测及其集合评估

黄河水沙变化情势深刻影响着黄河流域水沙调控工程布局、流域内外水资源配置和跨流域调水工程建设等黄河保护与治理开发重大问题的决策。但受研究时段、方法及其边界条件等影响,黄河水沙变化预测成果差异大,难形成共识。本研究基于水沙变化归因和预测结果的不确定性解析,构建了多模型预测成果集合评估技术,预测了黄河流域未来50 a水沙量。结果表明:既有流域水沙变化归因与预测成果差异大,原因在于不同方法因数据输入、变量构成及精度评价方法差异带来的不确定性;提出了基于输入-结构-输出的模型适用性判别准则和评价技术,并基于标准化的数据输入,从数据需求、物理基础、应用效率、输出尺度和预测精度等五个维度,集合评价了现有水沙变化预测模型的适用性;构建了流域水沙变化多模型集合评价-多结果加权融合-BMA集合预测的集合评估技术,根据9类模型预测成果,集合预测了黄河流域未来50 a年径流量为240亿m³,年均输沙量为2.5亿t。     

周期叠加外延—最近邻抽样回归组合模型在韩江流域年径流预测中的应用

为提高年径流预报精度,尝试将周期叠加外延法与最近邻抽样回归模型结合,用韩江流域潮安站年径流系列作试验,结果表明组合模型预测合格率比单一周期叠加外延模型高,预测效果较好.     

气候变化对北江流域径流影响的模拟研究

通过构建北江流域SWAT分布式水文模型,以北江流域13个雨量站10年逐月降水量及北江流域干流石角水文站同步逐月流量数据为输入条件进行水文模型参数率定,应用气候情景设置方法研究了北江流域在降水和气温等不同气候变化条件下径流量的变化规律。研究表明:气温变化1℃对年径流量及其年内分配的影响变化均在1%以内。降水量变化对年径流量影响十分显著,降水量变化10%对年径流量的影响变化可达到15%,而对径流年内分配的影响变化在1%以内,影响较小。随着气温下降和降水量的增加,枯季径流量占年内分配比例均有所上升,枯水期来水量提高,有利于流域城乡供水安全和生态用水安全。