基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

小波、模糊与统计相关结合的径流预测方法研究

在模糊聚类、识别与统计相关结合的预测模型的基础上,引入小波分析理论,提出了小波、模糊与统计相关三者有机结合的预测模型。其基本思路是:先把各预报因子逐个进行小波分解,再将分解的小波序列带入模糊聚类、识别与统计相关结合的预测模型,求取类别变量特征值与预测对象之间的回归方程来进行预报。其显著特点是利用了小波分析的多分辨率功能,小波分解后将非平稳时间序列分解成适当的多个平稳时间序列及一个经平滑而比原序列平稳得多的序列,提高了数据变化的稳定程度,把噪声和真实数据进行了一定的区分,减小了预测因子中噪声对预测对象的影响,从而提高了预测精度。在新疆雅马渡站年径流量的预报中,预测效果比单纯用模糊-统计相关模型进行预测的效果要好,具有更高的预报精度。     

EEMD-GA-SVM模型在滑坡位移预测中的应用

滑坡变形在外部因素影响下易表现出随机性和非线性不易预测的特点,为此有必要提出更加有效的预测方法。利用集合经验模态分解(EEMD)滑坡位移原始时间序列,可得到多组复杂度差异明显的新位移变形子序列,然后针对各变形子序列的特点,分别建立变形子序列的GA-SVM预测模型,再将各子序列预测模型相叠加,最终构建出基于集合经验模态分解与遗传算法优化的支持向量机(EEMD-GA-SVM)滑坡变形预测模型。以恩施市香炉坝村滑坡为例,通过对比EEMD-GA-SVM和BPNN、SVM、GA-SVM各种边坡变形预测模型的预测精度,发现EEMD-GA-SVM模型精度更高且更为可靠,能够为滑坡安全监测提供有价值的参考。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

小波分解高、低频双自回归模型及其在水质监测中的应用

针对一些水库水质监测数据序列不仅具有平稳性、周期性,而且具有显著的多尺度性的特点,在单一自回归模型的基础上,利用多尺度小波分析的原理与方法对水质数据序列作预处理,进行分解与重构,并对重构的不同尺度下的数据子序列分别建立高、低频自回归预测模型,最后叠加各尺度下的预测结果。将该方法应用于梁辉水库4种水质指标的预测研究,结果表明与单一自回归模型相比,预测精度有明显提高。     

基于WA-SVM组合模型的流域月降雨量预测研究

 基于小波分析-支持向量机（WA-SVM）组合预测模型方法,将原始降雨序列进行小波分析分解到不同层次,对每层分别采用支持向量机预测,最后合成原始序列的预测值。将该模型应用于实际流域月降雨量预测,并与单独支持向量机回归方法的结果进行了对比分析。     

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EEMD和人工蜂群算法的黄水沟年径流预测

针对单一模型预测年径流量精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的组合预测模型。在建模过程中,利用EEMD算法对河川年径流量时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了年径流量非线性组合预测模型。利用该模型对新疆黄水沟2001~2014年径流量进行预测,结果表明,该预测模型取得了较好的预测效果,与SA-BPNN方法和GA-LSSVR方法对比分析,模型评价指标精度均有很大提高。     

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。     

基于多重演化模式重构的水文预报模型及应用

因长期受人类活动、气候变化等多重因素作用,水文时间序列表现出多时间尺度、多频率、动态变化、自记忆性等复杂性特征,增加了水文预报结果的不确定性。本文将经验模态分解模型,核主成分分析模型和支持向量机模型耦合,建立了针对复杂性水文时间序列的预报模型,并采用NASH效率系数、自相关系数、相对误差作为模拟预测精度及参数率定的多目标判断标准。模型应用于黄河花园口水文站径流序列的长期水文预报中,结果表明:模型预报时段长,具有较好的预测准确性和实践应用价值。该模型为多重因素作用的复杂性水文时间序列预报提供了一种方法。     

基于鸡群算法优化相关向量机的混凝土坝变形预报模型

针对混凝土坝变形监控模型中大坝变形与环境影响因素之间的复杂非线性问题,为提升大坝变形监控模型的预报能力,提出了一种基于鸡群算法(CSO)优化相关向量机(RVM)的混凝土坝变形预报模型。考虑到相关向量机核函数参数的选取直接影响其回归分析性能,采用鸡群算法对其核函数参数进行寻优处理。据此,构造了基于鸡群算法优化的相关向量机模型,进而提升相关向量机的预报精度和泛化能力。以某混凝土坝长期变形监测资料分析表明,基于鸡群算法优化的相关向量机模型预报可有效挖掘大坝变形与环境因素间复杂的非线性函数关系,相比传统的相关向量机模型,该模型的拟合与预报精度更优,有效验证了所提方法的合理性与有效性,为大坝变形分析与预测提供新的模型方法。     

支持向量机的混沌序列预测模型及在径流中应用

混沌和支持向量机理论为研究复杂多变的非线性水文时间序列开辟了新的途径。给出了应用支持向量机回归原理的混沌时间序列非线性的预测建模的思路、特点及关键参数的选取。根据重构相空间理论对月径流过程进行相空间的重构,探讨了支持向量机混沌时间序列非线性预测模型在月径流预测中的应用,在支持向量机建模过程中引入了经向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文数据序列,且有较好的预测精度。     

基于RVM-CS的工程区地层渗透系数反演分析

为了准确确定工程区各地层渗透系数,基于相关向量机(RVM)与布谷鸟算法(CS)建立反演分析模型,对研究区域内各地层的渗透系数进行反演分析。首先,基于均匀设计法构造渗透系数组合,利用有限元计算测点水位值并生成RVM学习样本;随后,通过训练RVM构建渗透系数与水头之间的映射关系,使其能够代替有限元方法快速地完成渗流计算;最后,根据工程区钻孔的实测水位值,利用CS算法搜索确定区域内各地层的渗透系数。将建立的渗流反演模型应用于某大型抽水蓄能电站工程区的初始渗流场中,结果表明:所建立的渗流反演模型能够考虑多地层渗透系数和钻孔水头间的非线性,RVM能代替有限元模型,可快速、精确地确定渗透系数;此渗流反演模型在大型抽水蓄能电站工程区反演结果合理,精度满足工程要求。     

基于IPSO-RVM的大坝安全预警模型

针对SVM(Support Vector Machine,支持向量机)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的RVM((Relevance Vector Machine,相关向量机)用于大坝安全预警模型的构建。核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用PSO(Particle Swarm Optimization,粒子群算法)能有效地对核参数进行寻优,针对标准PSO算法容易陷入局部最优点的缺陷,提出IPSO(Improved Particle Swarm Optimization,改进的粒子群算法)。将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高。     

Effect of Utilization of Discrete Wavelet Components on Flood Forecasting Performance of Wavelet Based ANFIS Models

Wavelet based flood forecasting models are known to perform better than conventional models, yet the effect of the way wavelet components are combined to develop a model on the forecasting performance, is inadequately investigated. To demonstrate this, two types of wavelet- adaptive neuro-fuzzy inference system (WANFIS), i.e. WANFIS-split data model (WANFIS-SD) and WANFIS-modified time series model (WANFIS-MS) are developed to forecast river water levels with 1-day lead time. To develop these models, first the original level time series (OLTS) is decomposed into discrete wavelet components (DWCs) by discrete wavelet transform (DWT) upto three resolution levels. In WANFIS-SD, all wavelet components are used as inputs while WANFIS-MS ignores the noise wavelet components and utilizes only the effective wavelet components. The effectiveness of the developed models are evaluated through application to two Indian rivers, Kamla and Kosi, which vary significantly in their catchment area and flow patterns. The proposed models are found to forecast river water levels accurately. On comparison, the WANFIS-SD is found to perform better than WANFIS-MS for high flood levels.     

基于小波核函数和支持向量机的大坝变形预测

支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。