基于CEEMD-GRNN组合模型的月径流预测方法

• 作者: 桑宇婷 祝雪萍 赵雪花
• 来源期刊: 人民长江
• 学科: 工学
• 关键词: 月径流预测 CEEMD模型 GRNN模型 加权平均集成法 汾河上游
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 水文水资源
• 页码范围: 117-123,141
• 页数: 8页
• 分类号: TV121
• 字数: 5753字
• 语种: 中文
• DOI: 10.16232/j.cnki.1001-4179.2019.04.021

摘要

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble EmpiricalMode Decomposition,CEEMD)与广义回归神经网络(Generalized Regression Neural Networks,GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比.结果 表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26％,17％,23％;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30％,28％,33％.组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用.三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵雪花	太原理工大学水利科学与工程学院	63	259	9.0	13.0
2	祝雪萍	太原理工大学水利科学与工程学院	24	47	4.0	5.0
3	桑宇婷	太原理工大学水利科学与工程学院	4	4	1.0	2.0