组合多元线性回归模型在径流预测中的应用研究

为提水文预测预报精度,研究提出混合蛙跳算法(SFLA)-组合多元线性回归(CMLR)径流预测模型。首先基于主成分分析(PCA)数据降维和不降维构建CMLR模型;然后利用SFLA同时优化CMLR常数项、偏回归系数和组合权重系数,建立SFLA-CMLR径流预测模型;最后将SFLA-CMLR模型应用于2个年径流预测实例,并构建基于PCA降维处理的SFLA-PCA-MLR、SFLA-PCA-支持向量机(SVM)、最小二乘法(LS)-PCA-MLR、PCA-SVM和未经降维处理的SFLA-MLR、SFLA-SVM、LS-MLR、SVM作对比预测模型。结果表明:SFLA-CMLR模型对2个实例年径流预测的平均相对误差分别为1.54%、4.63%,预测精度均优于SFLA-PCA-MLR等8种模型,具有较好的预测精度和泛化能力。     

主成分回归在径流预测中的应用

采取主成分回归方法对具有多重共线性的湘江流域43 a径流资料进行了分析,以实测径流量、降水量和蒸发量等7个指标进行了样本预测。结果表明:主成分回归比多元线性回归的误差小,预测值更接近于实测值。     

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法.在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性.利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并...     

日径流预测方法研究

运用自回归方法、多元线性回归方法和人工神经网络方法分别对汛期和非汛期的日径流量进行了预测,汛期预报因子又分别用有降水因子和无降水因子进行了预测。预测结果表明：非汛期的预测精度较高,汛期预测效果较差。另外,在汛期,有降水因子的预测结果要比没有降水因子预测效果好。     

基于PCA和支持向量机的径流预测应用研究

影响径流量的因素很多,并且这些因素与径流量之间存在着复杂的非线性关系。将主成分分析和支持向量机相结合,首先进行特征提取,降低数据维数,获取数据的主要信息;然后利用支持向量机建立径流预测模型,取得了非常好的效果。并与支持向量机回归模型进行了比较,结果表明该方法具有更好的预测精度,值得推广。     

基于GEO-RVM模型的枯水期月径流预报研究

为提高枯水期月径流预测精度,研究提出金雕优化(GEO)算法与相关向量机(RVM)相融合的预测方法。基于云南省某水文站67 a的径流资料,选取预报月之前具有较好相关性的月径流作为预报影响因子,通过主成分分析(PCA)对影响因子进行降维处理,利用GEO算法优化RVM核宽度因子和超参数,建立GEO-RVM模型对该站枯水期11月、12月和次年1—4月月径流进行预报,预报结果与基于GEO算法优化的支持向量机(SVM)模型(GEO-SVM)作对比。结果表明：GEO-RVM模型对实例11月、12月和次年1—4月月径流预报的平均相对误差分别为8.59%、7.34%、5.97%、6.07%、5.99%、5.04%,预报精度优于GEO-SVM模型。GEO算法能有效优化RVM核宽度因子和超参数,GEO-RVM模型具有较好的预报精度,将其用于枯水期月径流预报是可行的。     

基于混合核SHTS-SVM的年径流预测

为提高年径流预测精度,利用同热传递搜索(SHTS)算法对混合核支持向量机(SVM)关键参数和混合权重系数进行优化,提出混合核SHTS-SVM年径流预测模型。通过6个不同维度的标准测试函数对SHTS算法进行仿真验证,并与当前寻优效果较好的教学优化(TLBO)算法、灰狼优化(GWO)算法进行对比验证。利用两个年径流预测算例对混合核SHTS-SVM模型进行实例验证,并与多项式核SHTS-SVM、高斯核SHTS-SVM及SHTS-BP模型预测结果进行对比。结果表明:SHTS算法寻优精度优于TLBO、GWO优化算法,具有较好的极值寻优能力和稳健性能。混合核SHTS-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

基于KPCA-PSO-SVM的径流预测研究

为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。     

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。     

小波网络模型在年径流预测中的应用

结合人工神经网络（ANN）的较强非线性逼近功能和自学习、自适应特点。充分发挥两者优势，将小波分析与人工神经网络进行耦合（即小波网络模型）。将非线性时间序列实行小波变换．再以小波变换序列作为ANN的输入、原始时间序列作为ANN的输出，最后训练网络并进行预测。     

改进BP网络模型在径流预测中的应用

为了克服传统BP网络模型在训练过程中部分参数难以快速准确拟定的缺点,利用免疫粒子群算法对BP网络模型中隐含层节点数、最大训练次数、学习效率、动量因子等参数进行决策优选,建立了基于免疫粒子群算法的改进的BP网络模型。通过应用于某水电站水库的入库径流预测,结果表明,与传统BP网络模型相比,利用改进的BP网络模型所得的径流预测结果更准确。     

丹江口水库来水情势分析与径流预测

基于丹江口水库1956—2016年逐月平均流量资料,采用数理统计手段分析丹江口水库年径流量的周期性和趋势性;从百项气候系统指数集和太阳黑子数中筛选出预测因子,构建月平均流量与预测因子间的多元线性回归模型和随机森林模型,实现丹江口水库月径流预测。结果表明,丹江口水库年径流量呈显著的减小趋势,并伴随有6～8 a、18～21 a两类尺度的周期振荡特性;以2017年逐月平均流量为例,随机森林模型和多元线性回归模型的预报合格率分别为83.3%、75.0%,预报精度均较好,且随机森林模型的预测精度优于多元线性回归模型,可用于丹江口水库月径流预测。     

一元线性回归法径流预测在新疆克孜尔水库的应用

利用入库径流1986-2012年系列实测旬径流资料,根据一元线性回归方程原理,建立中长期预报方案,并对预报结果进行分析及精度评价。结果表明:该方法能满足中长期定量预报允许的许可误差,预报精度达到水文情报预报规范。     

相关向量机及其在径流预测中的应用

介绍了贝叶斯框架下相关向量机的基本理论,并利用其对黄河某水文站的年径流与月径流量进行了预测。结果表明：在年径流预测方面,取高斯核函数的宽度值为2.0时,预测效果较为理想;在月径流预测方面,各个月检验阶段和拟合阶段的相对误差全部在10%以内,平均相对误差在2%以内,预测效果较好。     

主成分回归在需水预测中的应用

城市需水量的准确预测对区域的发展具有十分重要的意义。城市需水受多重因素的影响,且这些因素大多存在较强的相关性。通过主成分分析法的计算分析,以金华市为例,采用2000-2010年的城市用水资料建立回归模型对需水量进行预测。结果表明:该模型应用于城市用水预测,其结果与当地实际情况较为吻合,模型的拟合程度和预测准确度较好。     

一种新型耦合模型在月径流预测中的应用

基于投影寻踪分析与随机分析提出了一种新的耦合预测模型,运用投影寻踪技术将年内12个月径流由遗传算法优化得投影值,获取投影值与年径流的相关关系;建立年径流预测模型,由预测的年径流推算对应的投影值z^;寻找与z^最近邻的h个模式,由最近邻回归进行年内月径流展望预测。将耦合模型应用于宝珠寺和三峡水电站入库月径流展望预测,结果表明该耦合模型可行且预测效果较好。     

多支流河段径流预测方法比较研究

以塔里木河流域为例，建立了多支流河段多元线性回归和人工神经网络两种径流预测模型，并对预测效果进行了系统的比较。结果表明，两种方法都能以令人满意的精度进行径流过程的模拟和预测；人工神经网络比多元线性回归更适合于在多支流河段上进行径流预测。     

小波网络模型在隔河岩水库径流预测中的应用

基于小波分析与人工神经网络提出一种小波网络模型,模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力,预测精度较好。在清江隔河岩水库年、月径流中长期预测中,得到满意的结果。     

Volterra模型在月径流预测中的应用研究

水文过程的月均径流序列存在着较明显的低维混沌特性,利用Volterra模型可以较好的预测低维混沌序列。引入低维混沌动力系统相空间坐标重构的Volterra自适应预测模型,对多年月均径流序列采用二阶Volterra自适应滤波器进行预测。以大渡河石棉站33年的月径流量为例进行验证,预测相对误差<10%的天数为73.3%,相对误差<20%的天数为90.0%,与人工神经网络预测结果对比表明该方法具有较满意的准确率。     

加权平均集成模型在径流预测中的应用

针对单一预测模型泛化能力不强、误差稳定性能较差等局限性,基于遗传算法优化支持向量机、遗传算法优化BP神经网络、径向基神经网络三种单一预测模型的预测结果,建立了径流量预测的加权平均集成模型,并将其用于预测黄河上游唐乃亥水文站的年、月径流量。结果表明:加权平均集成模型集成了各单一预测模型的优点,在预测精度、泛化能力以及稳定性能方面均优于单一预测模型。