基于奇异谱分析与梯度优化算法优化的RVM、SVM月径流预测研究

基于序列分解—参数优化—分项预测—结果叠加思想,构建奇异谱分析（SSA）-梯度优化（GBO）算法与相关向量机（RVM）、支持向量机（SVM）集成的中长期月径流预测模型。首先采用SSA方法对实例月径流数据进行处理,提取多个独立的子序列;其次介绍GBO算法原理,基于6个典型函数对GBO算法进行仿真测试。利用GBO算法优化RVM核宽度因子和超参数、SVM惩罚因子和核函数参数,分别建立SSA-GBO-RVM、SSA-GBO-SVM模型对各子序列进行预测,叠加后作为最终月径流预测结果;最后以云南省龙潭站65年共780个月月径流预测为例,选取实例前53年作为训练样本,后10年共120个月作预测样本对SSA-GBO-RVM、SSA-GBO-SVM模型进行检验。结果表明:GBO算法在不同维度条件下寻优效果优于MPA、PSO算法,具有较好的寻优精度和全局搜索能力。SSA-GBO-RVM、SSA-GBO-SVM模型对实例120个月月径流预测的平均绝对百分比误差分别为6.20%、7.82%,平均绝对误差分别为0.88、1.00 m³/s,纳什系数分别为0.992 6、0.991 3,均...     

基于小波包分解的AJS-GMDH月径流时间序列预测研究

为提高月径流时间序列预测精度,建立基于小波包分解(WPD)、人工水母搜索(AJS)算法、数据分组处理方法(GMDH)的WPD-AJS-GMDH月径流时间序列预测模型。采用WPD将月径流时序数据分解为若干子序列分量;选取6个典型函数在不同维度条件下对AJS算法进行仿真测试;利用AJS算法优化GMDH网络关键参数,建立WPD-AJS-GMDH模型,并构建基于支持向量机(SVM)、BP神经网络及完全集合经验模态分解(CEEMD)、小波分解(WD)的17种对比分析模型;最后利用云南省龙潭站1952年~2016年780组的月径流时间序列数据对所建立的18种模型进行检验。结果表明,在不同维度条件下,AJS算法均具有较好的寻优效果;WPD-AJS-GMDH模型预测误差均小于其他17种模型;对于月径流时序数据分解,WPD分解效果优于CEEMD、WD方法;AJS算法能有效优化GMDH网络参数,提高预测性能。     

基于WPT-ISO-RELM模型的月径流时间序列预测研究

为提高月径流时间序列的预测精度,提升基本蛇群优化(SO)算法搜索能力,同时提升正则化极限学习机(RELM)预测性能,提出了小波包变换(WPT)-改进蛇群优化(ISO)算法-RELM预测模型。首先,利用WPT将月径流时间序列分解为低频分量和高频分量;其次,通过构建8个RELM超参数寻优适应度函数对ISO寻优能力进行检验,并与SO算法、灰狼优化(GWO)算法、变色龙群算法(CSA)、鲸鱼优化算法(WOA)、樽海鞘群体算法(SSA)、侏獴优化算法(DMO)、粒子群优化算法(PSO)的优化结果作对比;最后,建立WPT-ISO-RELM模型,并构建包含WPT-SO-RELM在内的17种模型作对比模型,通过黑河流域莺落峡水文站、讨赖河水文站2个月径流预测实例对各模型进行验证。结果表明：(1)ISO寻优精度优于SO、GWO、CSA、WOA、SSA、DMO、PSO,通过关键参数的改进,能有效提升ISO的极值寻优能力和平衡能力;(2)WPT-ISO-RELM模型对莺落峡水文站、讨赖河水文站月径流预测的平均绝对百分比误差分别为0.854%、0.447%,平均绝对误差分别为0.245、0.068 m     

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WD-COA-LSTM模型的月降水量预测

为进一步提高月降水量预测精度,提出了基于小波分解（WD）和郊狼优化（COA）算法的长短期记忆神经网络（LSTM）降水量预测模型（WD-COA-LSTM）。首先用小波分解对时间序列进行预处理,消除序列的非平稳性,得到1个低频序列和3个高频序列;然后通过郊狼优化算法对神经网络（LSTM）模型进行参数优化;最后将各子序列预测值叠加得到月降水量预测值。将提出的模型应用于洛阳市栾川县白土镇和洛宁县故县镇两个雨量站的月降水量预测中,并与LSTM、COA-LSTM、WD-LSTM模型预测结果进行对比。结果表明：提出的WD-COA-LSTM模型的预测精度最高,说明小波分解和郊狼优化算法能有效加强LSTM模型预测的精度和泛化能力,为月降水量的预测提供了一种新的途径。     

WPT-HPO-ELM径流多步预报模型研究

为提高径流时间序列多步预报精度,建立了小波包变换（WPT）-猎人猎物优化（HPO）算法-极限学习机（ELM）相融合的径流时间序列多步预报模型,并应用于云南省南康河水文站月径流和日径流时间序列多步预报。引入HPO算法原理,在不同维度条件下选取6个典型函数对HPO进行仿真验证;利用2层WPT将径流时序数据分解为4个子序列分量,达到降低径流序列数据复杂性和不平稳性的目的;采用HPO优化ELM输入层权值和隐含层偏值,建立WPT-HPO-ELM模型对实例月径流和日径流进行多步预报。结果表明：HPO算法具有较好的寻优精度和全局搜索能力;WPT-HPO-ELM模型对预见期为1～3个月的月径流具有理想的预报效果,预报的平均绝对百分比误差≤2.43%,合格率≥99.2%,确定性系数≥0.999;对预见期为4～6个月的月径流具有较好的预报效果,预报的平均绝对百分比误差≤15.0%,合格率≥73.3%,确定性系数≥0.991;当预见期≥7个月时,预报效果较差。对预见期为1~3 d的日径流具有理想的预报效果,预报的平均绝对百分比误差≤1.23%,合格率为100%,确定性系数≥0.999;对预见期为4~7 d的日径流具有较好的预报效果,预报的平均绝对百分比误差≤15.3%,合格率≥73.0%,确定性系数≥0.947;当预见期≥8 d时,预报效果较差。WPT-HPO-ELM模型能充分发挥WPT、HPO和ELM的优势,表现出较高的预报精度和稳定性能,预报误差随着预见期的增加而增大,该模型及方法可为径流时间序列多步预报提供新途径。     

基于WPD-TSO-ELM模型的月径流时间序列预测

为提高径流时间序列预测精度,减少计算规模,基于“分解-预测-重构”思想,提出小波包分解(WPD)-金枪鱼优化(TSO)算法-极限学习机(ELM)组合预测模型,并应用于云南省龙潭站、革雷站月径流预测。结果表明,TSO算法具有较好的寻优精度和全局搜索能力,寻优精度优于HHO、GWO、SFO、PSO算法。WPD-TSO-ELM模型对实例龙潭站、革雷站月径流预测的平均绝对百分比误差分别为0.175%、0.121%,预测误差小于WPD~2-TSO-ELM模型,较WPD~1-TSO-ELM、SSA-TSO-ELM、VMD-TSO-ELM模型降低1个数量级以上。WPD-TSO-ELM模型预测精度高、计算规模小,是一种简洁高效的径流时间序列预测模型。     

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。