基于单位线法的城市降水径流预测方法

为提高城市降水径流短期预测和长期预测的精度，降低预测结果的绝对误差和相对误差，引入单位线法，开展对其预测方法的设计研究。为提供更可靠的预测依据，对城市流域河网水系信息进行提取，确定影响城市降水径流的各个因素；利用单位线法对城市降水径流过程进行数学描述，并完成对城市降水量的计算；引入GA-BP神经网络模型实现对城市年降水径流的预测。通过对比实验的方式，将新的预测方法与基于SCS-CN模型的预测方法应用到相同实验环境中，对同一城市降水径流进行预测。从实验结果得出，新的预测方法无论是短期预测还是长期预测，其预测精度均高于基于SCS-CN模型的预测方法，具有更高的应用价值。     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

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     

基于集对分析的径流组合预测模型

采用人工智能BP模型、小波BP模型及GA-BP模型对径流进行预测,然后将径流的实测值系列A和上述3种模型的预测值Bi建立集对H(A,Bi),利用集对分析的同、异、反特性进行联系度计算,据此确定径流预测模型的相对隶属度,并对隶属度进行归一化处理,得到上述3种模型的权重,再依据此权重建立相应的径流组合预测模型。应用1950~1975年小浪底水库的资料,对径流组合预测模型进行模拟,结果显示其预测精度明显高于单个模型的预测精度。     

R/S-GM(1,1)组合模型在径流预测中的应用

基于R/S分析法能提供有效的非线性科学预测,河川径流具有灰色禀性,为了提高河流径流预报精度,提出了R/S分析与灰色理论相结合的河川径流预测方法。该方法可以克服径流灰色预测存在的数据波动较大时预测精度降低的缺陷。将该方法应用到黑河莺落峡站和正义峡站的年径流量、汛期和非汛期径流量6个序列进行径流预测验证。结果表明:两站年径流量和汛期径流量序列的预测精度都在90%左右,非汛期径流量序列在80%以上,各径流序列预测结果与Mann-Kendall趋势检验一致,预测结果可靠,为河流径流量的科学预测提供了一种新方法。     

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VMD-LSTM的河流流量预测方法

为了提高径流预测的精度,文中提出了一种基于变分模态分解算法（VMD）的长短期记忆神经网络（LSTM）预测模型。文中通过对沙里寨水文站2010年至2019年的流量数据进行预测,并与其他模型对比预测效果。结果表明,VMD-LSTM模型能够有效提高径流的预测稳定性和精度。     

基于可变集聚类理论的年径流聚类新方法

将可变集中的聚类理论与年径流分类研究相结合,提出了年径流量聚类新方法。新方法考虑了汛期径流量、汛期向枯水期过渡的中介期径流量、枯水期径流量等因子或指标对年径流量分类的不同影响。通过实例分析,比较了新方法与常规方法（均值标准差法）和集对分析分类法的异同,表明新方法在理论与实际应用上的合理性与科学性,可应用于水文水资源系统年径流丰枯分类;最后分析了常规法、集对分析分类法在年径流分类中存在的问题及其理论根源。     

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。