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。     

灰色微分动态自记忆模型在径流模拟及预测中的应用

在灰色微分动态模型的基础之上,采用季节/年际性指数对原始降水和实测径流进行预处理,并引入自记忆函数,构建灰色微分动态自记忆模型,将其应用于滦河流域径流过程的模拟和预测。结果表明：（1）采用预处理前的降水径流数据所构建的DHGM（2,2）模型和DHGM（2,2）自记忆模型在年尺度和月尺度上的径流模拟效果较差,难以反映径流的变化过程,对输入数据进行预处理后,构建的DHGM（2,2）自记忆模型模拟精度得到了很大的提高,三道河子站和滦县站年径流和月径流模拟序列的Nash-Sutcliffe系数和相关系数均达到了0.6以上;（2）模型在年尺度和月尺度的径流预测中具有一定的适用性,且结构简单、计算方便,但需要进一步考虑蒸发、土地利用和人类活动等因素,使模型更为完善。     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

基于拟合改进的径流灰色预测模型研究

经典灰色模型可用于水文径流预测,但其预测精度较差。为了提高模型精度,基于经典灰色理论,对累加后的数据进行精度更高的多项式拟合,建立基于拟合改进的径流灰色预测模型。该模型简单易行,且计算精度和效率较高。通过对三门峡水库的入库径流资料进行经典和拟合改进灰色预测,表明拟合改进灰色预测模型可有效地对径流进行预测,预测精度较经典灰色模型有较大提高。     

基于近邻估计的年径流预测动态 联系数回归模型

集对分析理论为处理确定、不确定系统提供了新的途径,根据集对分析理论建立起来的预测联系数回归模型可以明显改善回归模型的预测精度。对于预测因子结构具有的动态性,文中将利用近邻估计,通过计算各个预测因子的变异系数,来判断预测因子在某次预测中处于强势或者弱势,进而动态地选择预报功能大的强势因子,消除对预报起负面作用的弱势因子的作用,这样很好地体现了预测因子结构中具有的动态性。基于此建立了基于近邻估计的年径流预测动态联系数回归模型（NNE-DCNR）。结果说明：用NNE-DCNR去预测年径流量,预测精度比常用预测方法有显著提高,在水文水资源的预测中具有推广应用价值     

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。     

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。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

SSA分解预校正模型在辽宁西部水库年径流预测中的应用研究

本文采用SSA分解预测模型结合灰色预测模型对辽宁西部某水库年径流进行预测。研究结果表明:SSA分解预测模型可降低年径流低频振荡的显著性,可对灰色预测模型预测的年径流系列进行预先校正,提供模型预测精度。相比于校正前的灰色模型,校正后的模拟预测年径流系列和水库实测年径流系列相对误差减少15.2%,年径流相关系数提高0.21,研究成果对于水库年径流预测方法提供参考价值。     

基于改进SVR模型的新疆冰川河流年径流预测研究

文章结合人工蜂群算法的自适应度因子对传统SVR模型的循环求解进行改进和优化,提高传统模型收敛和求解精度,并将改进SVR模型用于新疆喀什某冰川河流的年径流预测中。研究结果表明:在AIC计算准则下,改进的SVR模型最小计算值最小,参数结果更为合理;相比于传统模型,改进模型在区域冰川河流年径流预测精度得到较为明显的改善和提高,其中预测的误差均值减少16.3%,年相关系数提高0.25;建立的自回归方程可对未来冰川径流的变化趋势进行预测。研究成果对于新疆冰川河流年径流的变化预测提供方法参考。     

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:组合模型的拟合优度大于单一ARIMA模型的拟合优度;组合模型预测的平均相对误差为3.31%,比单一的ARIMA模型的预测精度提高了4.63%。由此可见,CEEMDAN-ARMA模型预测精度高于单一的ARIMA模型,利用CEEMDAN分解得到的IMF分量序列作为ARIMA模型的输入数据可以提高模型的预测精度。     

PCA-FSA-MLR模型及在径流预测中的应用研究

为提高径流预报精度,研究提出主成分分析(PCA)、未来搜索算法(FSA)、多元线性回归(MLR)相融合的径流预测模型。利用PCA对样本数据进行降维处理,选取8个标准测试函数在不同维度条件下对FSA进行仿真验证,利用FSA优化MLR常数项和偏回归系数,提出PCA-FSA-MLR径流预测模型,并构建基于PCA降维处理的PCA-LS-MLR、PCA-FSA-SVM、PCA-SVM模型和未经降维处理的FSA-MLR、LS-MLR、FSA-SVM、SVM作对比模型,通过云南省龙潭站年径流及枯水期12月月径流预测实例对各模型进行验证。结果表明:(1)FSA在不同维度条件下均具有较好的寻优精度和全局极值搜索能力;(2)PCA-FSA-MLR模型对龙潭站年径流及12月月径流预测的平均相对误差绝对值分别为1.63%、3.91%,预测精度均优于其他7种模型,具有更高的预测精度和更强的泛化能力;(3)对于同一模型,经PCA降维处理的预测精度优于未经降维处理的预测精度,PCA数据降维对提升模型预测精度具有帮助。     

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.     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。     

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。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

基于相空间理论和支撑向量回归的入库径流预测

为得到一种适用性强且精度较高的水电站短期入库径流预测方法,研究构建了一种耦合相空间理论和支撑向量回归的日内入库径流预测方法。首先,利用互信息和虚假邻近点理论对入库径流历史数据进行相空间重构;然后,运用网格搜索算法对支撑向量回归模型进行参数率定和模型训练;最后得到径流预测的模型数据集。以三峡水库为例的研究结果表明,3种组合模型相比3种单一模型预测精度(相关系数R^(2))提升了8.9%~22.2%;所构建的组合模型(PSR-SVR)与3种单一预测模型、其他2种组合预测模型相比能够显著提高整体预测精度,与其他组合模型相比预测精度提高了4.1%~7.2%。方法也验证了相空间重构技术能有效应对混沌特性和还原径流序列的原始演变规律。     

基于奇异谱分析的SPBO-ANFIS月径流组合预测模型

针对水文时间序列月径流多尺度非平稳性等特点,提出基于奇异谱分解（SSA）的学生心理学优化（SPBO）算法-自适应神经模糊推理系统（ANFIS）月径流组合预测模型,并应用于云南省某水文站月径流预报。首先通过SSA将实例月径流时序数据分解为若干独立子序列分量,以降低时序数据的复杂性;其次介绍SPBO算法原理,通过取8个标准函数对SPBO算法进行仿真验证及比较;最后采用SPBO算法优化ANFIS条件参数和结论参数,建立SSA-SPBO-ANFIS模型对每一个子序列进行预测,叠加后作为最终月径流预测结果,并与基于集合经验模态分解（EEMD）的EEMD-SPBO-ANFIS模型和未经分解的SPBO-ANFIS模型作比较。结果表明：SPBO算法具有较好的寻优精度;SSA-SPBO-ANFIS模型对实例月径流预测的平均绝对百分比误差5.57%,平均绝对误差0.20 m³/s,纳什系数0.994 8,合格率96.7%,预测效果优于EEMD-SPBO-ANFIS模型,远优于SPBO-ANFIS模型。模型及方法可为相关水文时间序列预测研究提供参考。