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。     

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。     

基于WT-HBBO-RBF模型的年径流时间序列预测

利用4个基准函数对HBBO进行仿真测试;采用WT分解处理年径流时序数据;通过突变点检测方法Mann-Kendal(M-K)划分训练、预测样本,构建RBF适应度函数,利用HBBO优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,建立WT-HBBO-RBF模型,并构建WT-HBBO-SVM、WT-HBBO-BP、WT-RBF、WT-SVM、WT-BP、HBBO-RBF、HBBO-SVM、HBBO-BP作为对比分析模型。以云南省龙潭站、落却站年径流时间序列预测实例对模型进行验证的结果表明,HBBO具有较好的寻优精度及全局搜索能力;WT-HBBO-RBF模型对龙潭站、落却站年径流时间序列预测误差小于其他对比模型,具有较好的预测精度和泛化能力;HBBO能有效优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,提高RBF神经网络预测性能;WT能科学降低径流序列的复杂性,提高预测精度。     

基于改进粒子群算法优化BP神经网络的西江水质预测研究

为了提高西江水质预测的精度,提出一种改进粒子群算法优化BP神经网络的水质预测模型。首先,为提高PSO算法的收敛速度并避免其陷入局部最优,PSO算法种群被划分为普通子群、优良子群和较差子群,提出一种云模型改进PSO惯性权重的云模型粒子群算法;其次,针对BP神经网络存在收敛速度慢和局部最优的问题,运用云模型粒子群算法迭代寻优获取BP神经网络的最佳初始权值和阈值;再次,将影响地表水质等级的主要因素作为CPSO-BP的输入,水质等级作为CPSO-BP的输出,建立CPSO-BP的水质等级预测模型。以西江2011年-2018年的水质监测数据为研究对象,与PSO-BP、GA-BP、DE-BP和BP模型进行了对比,研究结果表明,CPSO-BP水质预测的精度最高,且具有更快的收敛速度。     

基于VMD-TCN-GRU模型的水质预测研究

为充分挖掘水质数据在短时震荡中的变化特征,提升预测模型的精度,提出一种基于VMD(变分模态分解)、TCN(卷积时间神经网络)及GRU(门控循环单元)组成的混合水质预测模型,采用VMD-TCN-GRU模型对汾河水库出水口高锰酸盐指数进行预测,并与此类研究中常见的SVR(支持向量回归)、LSTM(长短期记忆神经网络)、TCN和CNN-LSTM(卷积神经网络-长短期记忆神经网络)这4种模型预测结果对比表明：VMD-TCN-GRU模型能更好挖掘水质数据在短时震荡过程中的特征信息,提升水质预测精度;VMD-TCN-GRU模型的MAE(平均绝对误差)、RMSE(均方根误差)下降,R²(确定系数)提高,其MAE、RMSE、R²分别为0.055 3、0.071 7、0.935 1;其预测性能优越,预测精度更高且拥有更强的泛化能力,可以应用于汾河水质预测。     

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...