基于EEMD的区域地下水埋深PSO-ELM预测模型

• 作者: 刘东 李光轩 梁契宗 王立权
• 来源期刊: 水利水电技术
• 学科: 工学
• 关键词: 地下水埋深 集合经验模态分解 粒子群算法 极限学习机 预测
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 水文水资源
• 页码范围: 45-51
• 页数: 7页
• 分类号: TV211.1
• 语种: 中文
• DOI: 10.13928/j.cnki.wrahe.2020.09.005

摘要

针对区域地下水埋深时间序列预测问题,本文将集合经验模态分解(EEMD)、粒子群算法(PSO)和极限学习机(ELM)组合,构建了EEMD-PSO-ELM地下水埋深预测模型.选用黑龙江省三江平原友谊农场地下水埋深的时间序列数据,首先利用EEMD将地下水埋深时序数据分解成若干个IMF分量,根据各分量均值将IMF分量分组叠加为高频部分、低频部分和余项;然后针对3个新序列分别构建不同的PSO-ELM模型,进而得到3组预测值,最后将预测值叠加就得到原始地下水埋深序列的最终预测值.通过精度检验发现,该组合预测模型预测效果很好;与径向基网络(radial basis function neural network,RBF)、PSO-ELM模型和ELM模型对比分析,实验结果表明,EEMD和PSO均能有效改善ELM神经网络的预测精度,ELM神经网络在区域地下水埋深预测方面有很大的应用前景.