基于WT+改进SSA-LSTM模型的短期天然气负荷预测算法

为提高天然气负荷的预测精度，提出一种改进麻雀搜索算法（Sparrow Search Algorithm,SSA）与长短期记忆网络（Long Short-Term Memory,LSTM）相结合的组合预测模型（即改进SSA-LSTM模型）。先利用Sobol序列产生高质量初始种群，再引入自适应权重和T分布变异以增加麻雀跳出局部最优、提高全局搜索能力，后通过12种测试函数验证改进SSA算法的性能，并将该组合预测模型应用于华北某城市燃气门站的天然气负荷预测。为进一步提高模型预测精度，引入小波变换（Wavelet Transform,WT），通过5种小波（Symlets小波、Coiflets小波、Fejer-Korovkin小波、Haar小波及Discrete-Meyer小波）对天然气负荷数据进行分解，将分解后的数据代入改进SSA-LSTM模型进行训练与预测，并将预测结果进行重构，以MAPE、RMSE、MAE为模型评价指标，结果表明：利用Discrete-Meyer小波7层分解方法的预测准确性最高，达到99.14%，相较于改进SSA-LSTM模型和传统LSTM模型的预测精度分别提高了3.55%、...     

基于优化 EEMD 和支持向量机的国内大豆价格预测

【目的】国内大豆的价格易受到多种因素的影响,具有非线性等特点,很难进行准确的预测。为 了提高预测精度,提出一种优化的 EEMD-SVR 集成预测方法。【方法】为解决 EMD 分解中存在的模态混叠和 端点效应问题,使用 EEMD 和平行延拓法结合的优化方法,加入白噪声并在原始序列两端延拓出多个极值,将 大豆原始价格分解为多个 IMF 分量,从而使数据趋于平稳。运用支持向量回归（SVR）算法对各分量进行预测, 引入遗传算法寻找参数最优解,对各分量的预测结果进行再次集成,重构大豆市场价格预测值。【结果】为了 检验优化组合模型的预测效果,采取多种模型进行比较,结果发现预测指标 MSE、RMSE、MAPE 都有明显提高。 【结论】采用优化的 EEMD 分解算法和支持向量机的组合模型,可以有效抑制 EMD 分解的端点效应和模态混叠 问题,相对于其他传统预测模型,预测效果更好。     

基于经验模态分解与人工神经网络的参考作物腾发量混合预测模型研究

为了提高具有非线性和非稳定性特征的参考作物腾发量(ET0)时间序列的预测精度,提出基于经验模态分解(EMD)的BP神经网络预测模型。以大连地区1970~2006年间逐月ET0序列为例,首先应用经验模态分解(EMD)方法将ET0序列分解为具有不同尺度特征的本征模态函数(IMF),然后运用BP神经网络对ET0序列和分解得到的IMF进行训练,得到ET0序列的预测模型,并对ET0进行预测,最后将预测值及单纯的BP神经网络预测值分别与真实值进行对比分析。结果表明:EMD-BP模型预测值的平均绝对百分误差(MAPE)、均方根误差(RMSE)、平均绝对差(MAD)及判定系数(R2)分别为1.32%,0.0327,0.0278,0.9967;而BP模型相应的指标值分别为8.50%,0.2583,0.1839,0.8967。显然,EMD-BP模型的MAPE、RMSE、MAD值较小且R2值较大。因此,其预测精度及稳定性均优于单纯的BP模型,可作为ET0预测的一种参考。     

基于小波分解的日径流支持向量机回归预测模型

【目的】将小波变换与支持向量机结合,构建小波支持向量机回归模型(WSVR),并用其对日径流进行预测,为水库调度提供参考依据。【方法】利用径流时间序列中包含的大量信息,通过小波变换将径流时间序列分解成不同分辨率水平的子序列和近似序列,通过相关性分析选取有效子序列与近似序列相加得到的新序列作为支持向量机回归模型的输入,建立小波支持向量机回归耦合模型,以泾河流域张家山站的日径流为研究对象,利用均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)、相关系数(R)及相对误差(RE)作为评价指标对模型预测精度进行评价。【结果】利用所建立的小波日径流支持向量机模型对张家山站日径流的预测结果显示,该模型在检验阶段的RMSE、MAE、DC、R及RE分别为26.05m3/s,8.26m3/s,0.826,0.910,-13.3%,与仅使用支持向量机回归模型(SVR)相比,耦合模型预测精度明显提高,且非汛期预测效果优于汛期。【结论】建立了小波支持向量机回归耦合模型,该模型可有效模拟和预测日径流,为日径流预测提供了新的途径。     

基于奇异谱分解的玉米价格多尺度组合预测

为提高玉米价格预测精度,基于分解-重构-集成思想,构建一个基于奇异谱分解的多尺度组合模型。首先对原始序列进行奇异谱分解,并用对角平均法将分量序列重构,用作单个模型的输入,最后用BP神经网络对各单一模型输出进行非线性集成。对比分析了分别将原始序列、重构序列作为输入,各单一模型和多尺度组合模型的预测效果。结果表明,该研究所建模型要优于各单一模型。基于价格总体趋于平稳的情况,政府应结合实际情况适当采取措施以保障玉米价格的持续稳定。     

基于EMD与K-means的ILSTM模型在池塘溶解氧预测中的应用

为提高池塘溶氧量预测精度并改善预测结果滞后的情况,本研究提出基于经验模态分解(empirical mode decomposition,EMD)与K-means聚类的改进长短期记忆神经网络(improved long short-time memory,ILSTM)模型。利用皮尔森相关性分析与主成分分析结合的方法对原始数据进行特征提取,对溶氧量进行EMD分解,将选出的环境参数与溶氧量各分量一起生成样本集,并对其进行K-means聚类。针对同类中不同分解分量建立相应ILSTM预测模型,并用网格搜索、五折交叉验证与早停法进行超参数选取。对未来1 h池塘溶氧量进行预测,并与LSTM、ILSTM、LSTM-SVR、EMD-LSTM、EMD-ILSTM模型进行对比试验。结果显示,ILSTM与LSTM模型相比,RMSE、MAE与MAPE分别下降了50.46%、63.20%与68.96%,证明ILSTM模型能缓解传统LSTM模型预测的滞后情况。EMD-ILSTM模型与ILSTM模型相比,RMSE、MAE与MAPE分别下降了53.22%、46.74%与38.19%,证明EMD算法能提高预测精度。EMD...     

基于BP神经网络的河川年径流量预测

运用人工神经网络模型对松花江流域年径流量径流序列做出预报,表明了人工神经网络模型在水文预报中具有一定的优势。通过对基本BP网络算法和L-M算法的比较工作,得到了适合该神经网络模型的训练算法,既L-M算法,提高了预报的精度。以松花江流域哈尔滨站年径流量实测序列为研究对象,在数值试验的基础上找到了适合于松花江流域哈尔滨站年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

基于混沌神经网络的径流预测模型

【目的】揭示径流时间序列变化规律并进行预测,为水库调度提供指导。【方法】针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌相空间重构的径流量预测BP网络模型,并利用该模型对位于陕西省汉江上游的石泉水文站的径流时间序列进行了预测。【结果】实例计算结果表明,石泉水文站月平均流量的时间序列具有混沌性,最大嵌入维数为12,依此构建的BP神经网络收敛速度快、预测精度较好。【结论】利用重构相空间中的最佳嵌入维数,可合理确定BP神经网络的输入层节点数。     

基于BP神经网络与SVM模型的黄尾河径流预测比较分析

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。     

中长期径流预报模型优选研究

【目的】对中长期径流预报模型进行比较和优选,为中长期径流预报模型的应用及提高预报精度提供参考。【方法】以黄河流域黑石关、龙门、民和水文站年径流为研究对象,利用灰色预测进行趋势分析、逐步回归进行周期分析,两者耦合建立灰色-逐步回归周期模型;利用逐步回归分析确定均生函数的周期性基函数,耦合建立均生函数-逐步回归模型;利用灰色-逐步回归中的趋势项和周期项作为预报因子,建立投影寻踪回归模型;利用前4年的实测径流数据预报当年径流,建立BP神经网络模型,并通过信息熵原理进行站点模型的综合评价和优选。【结果】建模期除黑石关水文站BP神经网络模型外,各站点拟合预报的平均相对误差均小于11.0%,合格率均大于90%。验证期除民和水文站灰色-逐步回归周期模型外,各站点平均相对误差均小于20%,合格率等于或大于80%,满足精度要求。【结论】均生函数-逐步回归径流预报模型可作为黑石关水文站的优选模型,BP神经网络径流预报模型可作为龙门和民和水文站的优选模型。     

基于自适应模糊神经网络的鱼类投喂预测方法研究

在集约化水产养殖中，鱼类的投喂水平直接关系到养殖效率和生产成本。针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题，以实现投喂量的精准预测为目的，提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法。该方法以罗非鱼为研究对象，选择水温和鱼的平均体重2个因素作为输入变量，利用混合学习方法，通过训练和学习获得最优模糊规则库，基于自适应神经网络模糊推理系统（adaptive network fuzzy inference system,ANFIS）建立投喂量预测模型，取得了较好的预测效果。基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0003 1，均远远小于原始模糊推理投喂量预测模型的指标值，其网络预测能力优于原始模糊推理预测模型。因此，该模型不仅可以在无监督条件下对鱼进行科学投喂，节省人力成本，而且能为合理的投喂提供技术支撑和理论支持。     

农作物虫情的模糊神经网络预测模型

利用BP神经网络建立的农作物虫情预测模型,其算法存在收敛速度慢、网络泛化能力差等缺点,可影响预测精度。为进一步提高预测精度,将人工神经网络与模糊系统结合,建立基于模糊神经网络的农作物虫情预测模型;并将该模型与基于BP神经网络算法的预测模型进行比较。结果表明,模糊神经网络的预测模型预测精确度比较高,训练速度比较快;该模型给农作物虫情预测提供了一种新方法。     

雨量站分布不均匀流域的降雨径流预报人工神经网络模型

为解决传统方法难以可靠预报雨量站分布不均匀流域的次降雨径流量这一水文预报难题 ,探讨了人工神经网络模型用于该类水文预报问题的可能性。实例研究表明 ,以次暴雨量及其前期影响雨量为输入、次暴雨径流总量 (净雨量 )为输出的 BP网络模型 ,预报的相对误差比蓄满产流模型预报的相对误差平均低 9.2 % ,这说明 ,人工神经网络模型可作为雨量站分布不均匀等雨量观测存在系统偏差或不足流域的降雨径流预报模型。     

潇河枯水期月径流量预测研究

利用潇河流域51 a的径流量资料,选择每月之前的12个月径流量作为预报因子,采用逐步回归分析的方法,对枯水期径流量进行了分析研究。结果表明,可以利用月径流量之间的关系建立枯水期月径流量预测模型,所建立的预测模型包含的自变量不超过5个,每个预测模型中均包含前一个月的径流量,均没有常数项,可用于实际作业预报;模型的预测精度随月径流量的增加有降低的趋势,其中12月份到翌年4月份的预测模型精度可以达到甲等,10月份、11月份和5月份可以达到乙等。     

遗传算法优化BP网络的汛期降水预测模型

针对BP算法易陷入局部极小、收敛速度慢等缺点,遗传算法是全局优化算法和具有很强的全局搜索能力,遗传算法优化BP神经网络初始连接权值和阈值形成混合算法.以安徽宣城市为例,将汛期降水量作为预测对象,前期74项大气环流特征量、500 hPa、100 hPa月平均高度场、月平均海平面气压场和月平均海温场资料中选取预测因子,建立汛期降水短期气候预测模型.结果表明,该方法计算稳定,预报误差小,具有实用价值.     

基于相空间遗传BP神经网络的径流预测研究

基于混沌时间序列的重构相空间、遗传算法的良好全局搜索和神经网络精确的局部搜索特性,以重构相空间中的饱和嵌入维数作为神经网络输入层节点数,通过采用遗传算法优化神经网络初始权重,将重构相空间、遗传算法、神经网络三者有机地结合,提出并建立了相空间遗传BP神经网络预测模型。将该模型用于黄河上游月径流预测,结果表明,该模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。     

基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算

目前对植物叶片花青素含量的测定主要是湿化学法和高效液相色谱法(high performance liquid chromatography,HPLC),为简化测定方法,降低成本和提高精度,提出一种利用数码相机获取照片提取的颜色参数构建模型无损估测植物叶片花青素含量的方法。试验测定166份紫叶李叶片的花青素含量及其RGB特征值,对15种颜色参数进行皮尔逊相关分析,构建逐步多元线性回归（stepwise multiple linear regression,SMLR）、一元线性回归（single linear regression,SLR）和BP神经网络（BP neural network,BPNN）估算模型;同时对模型进行验证和比较。结果表明,1）BP神经网络模型建模集的R²、RMSE和MAE分别为0.883、0.412、0.323,验证集的R²、RMSE和MAE分别为0.796、0.462和0.353,相关系数均达到极显著水平;一元线性回归模型中,参数G-B与花青素含量的线性相关性最强,相关系数为-0.820,达到极显著水平;逐步多元线性回归模型的相关系数均达极显著水平,其中建模集的R²、RMSE和MAE分别为0.724、0.630、0.459,验证集的R²、RMSE和MAE分别为0.643、0.616和0.509。2）颜色参数与花青素含量之间具有明显的相关性,利用数码相机获取的颜色特征值估测紫叶李叶片花青素含量具有可行性;3）3种模型中,BP神经网络模型的估测效果最好,能有效地估测紫叶李叶片花青素含量,其次为逐步多元线性回归,一元线性回归模型的预测效果相对较差。     

基于天气预报的参考作物蒸发蒸腾量预测模型

参考作物蒸发蒸腾量(ET_0)是计算作物需水量和进行灌溉预报的基本要素。本文利用天气预报可测因子和Penman Monteith(PM)公式ET_0计算值作为基础数据,分别建立BP神经网络模型和ANFIS自适应模糊神经推理系统模型,两种模型的估算值与PM公式的计算值没有明显差异,均表现出显著的相关性以及整体吻合度。本文对两种模型取相同的数据样本进行比较,BP-ET_0预测结果的MRE值为32.13%,RMSE为0.134 mm,而R2达到了0.971,说明模型预测精度高,稳定性良好。相较于ANFIS-ET_0的检验结果,BP-ET_0模型的均方根误差更小(0.134mm/d0.188 mm/d),表明其预测精度更高;而ANFIS-ET_0模型估算值的平均相对误差明显小于BP-ET_0模型估算值(16.92%32.13%),显示出ANFIS-ET_0模型更高的稳定性。两种预测模型的输入项完全可以从当前短期天气预报因子中取得而不需要专用测量设备,程序操作简单,具有实用价值,为实时灌溉预报提供了理论基础。     

基于机载激光雷达点云的桉树林分蓄积量估算模型构建

  目的  通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。  方法  通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。  结果  采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m3·hm?2、平均绝对误差(MAE)为18.18 m3·hm?2;偏最小二乘回归模型R2为0.81、RMSE为26.52 m3·hm?2、MAE为19.94 m3·hm?2;核函数为RBF的支持向量回归模型R2为0.88、RMSE为21.35 m3·hm?2、MAE为16.62 m3·hm?2;随机森林回归模型R2为0.84、RMSE为24.53 m3·hm?2、MAE为17.41 m3·hm?2。  结论  采用随机森林进行变量筛选后,RBF-SVR模型拟合优度及泛化能力最优;通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之;最后为随机森林回归模型与偏最小二乘回归模型。可见,在解决林业激光雷达领域中的回归预测问题时,采用非参数方法构建RBF-SVR模型更有优势。本研究建立的4种森林类型蓄积量模型,各模型均有较高精度且符合森林资源调查相关技术规定要求。图6表6参25