摘要:

入库径流预测对丹江口水库调度及水资源利用具有重要的指示意义.基于灰狼优化算法(GWO)构建不同的预测模型,开展丹江口水库月入库径流预测研究,并探讨网络结构超参数的选取及验证GWO全局遍历性、收敛快的特点.结果表明:灰狼优化的长短期记忆模型(GWO-LSTM)的预测精度和泛化性能优于灰狼优化的人工神经网络模型(GWO-BP)和逐步回归模型,其验证期的纳什效率系数平均达到0.969,整体趋势预测较好,峰值捕捉略有不足,可适用于丹江口水库月入库径流预测;模型超参数依据经验取值时,其预测结果不如GWO优化,验证期的纳什效率系数不足0.5,未达到可接受范围,而且带有一定的偶然性,建议选用具有全局优化特性的优化算法进行超参数选取;验证了GWO算法全局遍历性和收敛快的特点,平均在3次迭代后可达到收敛状态.

摘要:

通过评估IPCC第四次评估公开发布的22个全球气候模式对长江流域降水和气温的模拟性能,选取了BCCR_BCM2.0等7个气候模式,利用这些GCMs在A1B、A2和B1三种典型排放情景下的未来气温和降水预测结果,结合BP神经网络模型,在对模型验证效果良好的基础上,预测未来气候变化下长江流域径流变化趋势.结果表明,长江流域未来年平均径流量呈减少趋势,宜昌水文站以枯水年减少为主,未来年平均流量比历史年平均流量减少了520 m3/s；大通水文站则以平水年减少为主,比历史年平均流量减少了250 m3/s,水量的减少对南水北调东中线的调水规模和调配、管理提出了较大的挑战.长江流域多年平均月流量增加将主要发生在1～6月,而7～12月将以减少趋势为主.宜昌站和大通站的1～6月份平均增加幅度分别为29.6%和13.8%,7～12月份的平均减少幅度分别为- 18.2%和-11.0%,宜昌站的变幅要高于大通站.宜昌站汛期呈减少趋势,平均为-8.5%,非汛期略有增加.大通站变化趋势与宜昌站相反,汛期呈增加趋势,平均为2.3%,非汛期略有减少.

摘要:

以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取.利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别.在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程.实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度.

摘要:

基于Budyko水热耦合平衡假设，推导了年径流变化的计算公式，分析了长江流域多年平均潜在蒸发量、降水量、干旱指数和敏感性参数的空间变化规律。选用BCC?CSM1?1全球气候模式和RCP4?5排放情景，把未来气候要素预估值与LS?SVM统计降尺度方法相耦合，预测长江流域未来的气温、降水和径流变化情况。采用乌江和汉江流域的长期径流观测资料，分析验证了基于Budyko公式计算年径流变化的可靠性。结果表明：降水量变化是影响径流量变化的主导因素；长江各子流域未来径流相对变化增减不一，最大变幅10％左右；在未来2020s （2010—2039年）、2050s（2040—2069年）和2080s（2070—2099年）3个时期内，长江南北两岸流域的径流将出现“南减北增”现象，北岸径流变化增幅逐渐升高，南岸径流变化减幅逐渐降低。

摘要:

为进一步提高径流预测的精度和泛化能力,提出基于多元变量组合的回归支持向量机(SVR)集成年径流预测模型,以云南省龙潭站年均径流预测为例进行实例研究.首先,以实例1-10月月均流量作为预测因子,采用相关分析法确定预测因子与年均径流量的相关系数,按照相关系数大小顺序依次选取预测因子,构建2维输入变量～10维输入变量的9种SVR模型对实例后12年的年均径流量进行预测.最后,采用简单平均(SA)和加权平均(WA)两种集成方法对具有较高预测精度的7种SVR模型的预测结果进行综合集成.结果表明:①SVR模型的预测精度随着输入变量维数的增加明显提高.②SA-SVR和WA-SVR模型对实例后12年年均径流量预测的平均相对误差绝对值分别为1.73％和1.79％,最大相对误差绝对值分别为6.34％和6.47％,精度和泛化能力均优于各SVR模型.相对而言,由于采用多个SVR模型进行集成,SA-SVR模型预测效果略优于WA-SVR模型.

摘要:

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.

摘要:

比较分析BP神经网络与SVM模型在径流预测应用中的性能特征.以降雨量为预报因子,采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟,并对二者的预测性能进行比较与评价.结果 表明,黄尾河流域BP模型模拟的总体相对误差为14.43％,合格率为77.5％,确定性系数为0.76,预报精度等级为乙级;SVM模拟的总体相对误差为12.41％,合格率、确定性系数及预报精度等级与BP模型相同.SVM模型模拟结果较BP模型而言更集中于较小的误差范围内.BP模型的累积误差＞SVM模型,并且随着误差自由度的增大,这种差距有扩大的趋势,表明SVM模型的误差范围较小,误差间隔小于BP模型,模拟性能较BP模型更稳定.

摘要:

粒子群优化(PSO,Particle swarm optimizer)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解.其优势在于操作简单,容易实现,并且功能强大.目前PSO已成为国际演化计算界研究的热点.本文将PSO与模糊优选人工神经网络进行融合,对流域年径流量进行智能预测,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势,结果表明采用这种方法可以提高模糊优选人工神经网络的训练效率并且具有很好的推广能力.

摘要:

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.

摘要:

为提高径流预测预报的精度和泛化能力，建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷，采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt 法分别改进BP神经网络标准算法，依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测，并构建GA-BP预测模型作为对比模型；采用加权平均方法对各单一模型预测结果进行综合集成。结果表明：集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4．67％，最大相对误差绝对值为7．11％，精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点，具有较好的预测精度和泛化能力，是提高径流预测预报精度的有效方法。