基于小波包分解与相空间重构的SSA-ELM水文时间序列预报模型

• 作者: 李禄德 崔东文
• 来源期刊: 人民珠江
• 关键词: 水文预报 小波包分解 相重间重构 松鼠搜索算法 极限学习机
• 年，卷（期）: 2022,（8）
• 所属期刊栏目: 综合
• 页码范围: 100-108
• 页数: 8页
• 分类号: P338
• 语种: 中文
• DOI: 10.3969/j.issn.1001-9235.2022.08.016

摘要

针对水文时间序列非线性、多尺度等特征,提出基于小波包分解(WPD)和相空间重构的松鼠搜索算法(SSA)-极限学习机(ELM)预报模型,并应用于云南省上果水文站月径流和月降水量预报。首先利用WPD对径流和降水时序数据进行分解,并采用Cao方法对各子序列分量进行相空间重构;其次简要介绍SSA原理,通过各分量训练样本构建目标函数,利用SSA对目标函数进行寻优,并与鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、粒子群优化(PSO)算法的寻优结果进行比较;最后利用SSA、WOA、GWO、PSO算法寻优获得的ELM输入层权值和隐含层偏值建立SSA-ELM、WOA-ELM、GWO-ELM、PSO-ELM模型及未经优化的ELM模型对各子序列分量进行预报,将预报结果加和重构得到最终预报结果。结果表明:SSA对各分量目标函数的寻优效果优于WOA、GWO、PSO算法,具有更好的寻优精度。SSA-ELM模型对月径流、月降水量预报的平均相对误差、平均绝对误差、圴方根误差、预报合格率分别为5.32%和3.84%、0.078 m3/s和0.169 mm、0.103 m3/s和0.209 mm、97.5%和95.8%,预报精度优于WOA-ELM等其他模型。