| 基于信息熵与改进极限学习机的中长期径流预测 |
| |
| 引用本文： | 岳兆新,艾萍,熊传圣,宋艳红,洪敏,于家瑞. 基于信息熵与改进极限学习机的中长期径流预测[J]. 水利水电科技进展, 2021, 41(4): 7-14 |
| |
| 作者姓名： | 岳兆新 艾萍 熊传圣 宋艳红 洪敏 于家瑞 |
| |
| 作者单位： | 河海大学计算机与信息学院,江苏 南京 211100;南京工业职业技术大学计算机与软件学院,江苏 南京210023;河海大学计算机与信息学院,江苏 南京 211100;河海大学水文水资源学院,江苏 南京 210098;河海大学水文水资源学院,江苏 南京 210098;河海大学计算机与信息学院,江苏 南京 211100 |
| |
| 基金项目： | 国家自然科学基金(91846203)；中央高校基本科研业务费专项(2018B610X14)；江苏省研究生科研与实践创新计划(KYCX18_0583) |
| |
| 摘 要： | 为提高流域中长期径流预测精度,提出一种基于信息熵与改进极限学习机的中长期径流预测方法。首先,基于不同水文站点的流域控制面积构造径流综合指数,在较宏观层面表征流域水情丰枯变化;其次,采用偏互信息法计算影响对象与径流综合指数之间的相关性,获得径流过程变化的关键因子集,形成预测模型输入;最后,结合K折交叉验证与改进粒子群算法优化极限学习机(ELM)参数,构建IPSO-ELM模型,用于中长期径流预测。以雅砻江流域为例,将所建模型与BP神经网络(BPNN)、支持向量机(SVM)、ELM和PSO-ELM等预测模型进行对比分析。结果表明:所提模型的E_(mape)、E_(rmse)、E_(dc)、E_(qr)和E_(re)等性能评价指标明显优于上述4种模型;5种预测模型在D1数据集上的预测效果整体上胜于D2。
|
| 关 键 词： | 中长期径流预测 径流综合指数 偏互信息法 粒子群 极限学习机 预测模型 |
Medium-long term runoff forecasting based on information entropy and improved extreme learning machine |
| |
| YUE Zhaoxin,AI Ping,XIONG Chuansheng,SONG Yanhong,HONG Min,YU Jiarui. Medium-long term runoff forecasting based on information entropy and improved extreme learning machine[J]. Advances in Science and Technology of Water Resources, 2021, 41(4): 7-14 |
| |
| Authors: | YUE Zhaoxin AI Ping XIONG Chuansheng SONG Yanhong HONG Min YU Jiarui |
| |
| Abstract: | |
| |
| Keywords: | medium long term runoff forecasting comprehensive runoff index partial mutual information particle swarm extreme learning machine forecasting model |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《水利水电科技进展》浏览原始摘要信息 |
|
点击此处可从《水利水电科技进展》下载免费的PDF全文 |
|
