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。