基于最优加权组合模型的枯季径流预测研究

【目的】研究最优的枯季径流预测模型,为流域水资源管理提供依据。【方法】建立基于差分自回归移动平均(ARIMA)、人工神经网络(ANN)和多元线性回归(MLR)3个单项模型的简单平均组合和最优加权组合预测模型,并将单项预报模型和组合模型应用到石羊河流域支流西营河的枯季径流预测中,采用相关系数、确定性系数以及均方根误差对各模型预测精度进行比较。【结果】单项预测模型中,仅ARIMA模型通过了确定性系数检验;最优加权组合模型的预测精度较简单平均组合模型高;组合预测模型中,仅ARIMA-MLR和ARIMA-ANN最优加权组合模型的确定性系数高于所有单项预测模型。【结论】最优加权组合模型的精度不但取决于各单项预测模型的精度,也与其之间的相关性有关,适合西营河枯季径流预测的最优加权组合模型是ARIMA-MRL和ARIMA-ANN组合模型。     

基于WA-SVM的水库溶解氧预测

【目的】提出一种基于小波分析-支持向量机(WA-SVM)的水库溶解氧预测模型,以期提高水库溶解氧的预测精度。【方法】通过小波分解,将原始复杂的溶解氧浓度序列分解到不同的高频和低频层次,对每层得到的分解重构序列分别采用支持向量机回归方法进行预测后,合成原始序列的预测值,将该模型应用到于桥水库溶解氧浓度序列的预测中,并与单独支持向量机(SVM)回归方法预测结果进行比较。【结果】WA-SVM方法预测精度较SVM方法有较大提高,其平均绝对百分比误差和均方根误差分别为0.04937和0.3453,而SVM方法的分别为0.08493和0.6319。【结论】WA-SVM方法综合运用了小波分析的多分辨特性和支持向量机的非线性回归功能,能够较准确地预测水库溶解氧浓度。     

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。     

小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

小波分解架构下降水量灰色预测方法研究

针对灰色模型在降水量预测中精度较低、稳定性差等问题,选取朝阳地区1996~2011年的降水量为试验数据,引入小波分析理论,对小波分解与灰色模型结合的方法进行研究,从而改进灰色模型的预测精度。运用小波强大的多分辨率分析能力,将降水量数据分解为不同的高频分量和低频分量,分别根据高、低频分量的不同特性选取不同的预测方法,对降水量低频部分进行灰色建模预测;降水量高频部分采用波形预测的方法进行预测,最后合成两部分预测结果。结果表明:低频分量数据的平均灰色模拟精度为0.066;高频分量数据的波形模拟精度为0.159,采用小波多分辨率分解与灰色预测模型相结合的预测方法结果比传统灰色预测精度提高53.4%。     

基于多元统计的河流年度径流预报及误差分析

河流年度径流具有周期性、层次性、可预测性的特点,通过研究和分析河流年度径流的统计变化特征,可以对河流径流未来的长期变化作出预测。该文研究了佛子岭水库的河流年度径流滚动预测的方法,通过观测的河流年度径流资料,探索径流统计变化规律,运用多元回归理论建立预测模型,并且进行了模型参数的确定和径流的预测。通过预测模型对河流年径流实际值与预测值误差分析,并绘制实际值与预测值折线图进行比对,对选择最优的预测模型提供了数据支持和理论指导,继而对预测结果进行分析。计算结果表明,线性回归模型预测的实际值与预测值误差在较为合理的范围。最后得出结论,建立二元线性预测模型对于佛子岭水库年径流量预报结果的拟合模型较好,预测精度较高。     

BP人工神经网络模型在太湖水污染指标预测中的应用

【目的】利用BP人工神经网络模型预测太湖水污染指标,为探讨湖泊水污染物变化规律提供参考。【方法】利用2004~2010年浙江嘉兴王江泾断面自动监测站4项水质指标,建立了太湖水污染BP人工神经网络模型,并对太湖2012年前5周的水质情况进行预测。【结果】建立了浙江嘉兴王江泾断面的4项水质指标浓度的三层BP神经网络预测模型,其预测精度较高,对湖泊水环境污染物预测的适应性较好;对太湖2012年前5周的水质情况进行预测,结果表明,2012年前5周水质污染情况加重,基本为Ⅴ类水质,符合太湖水质污染情况发展态势。【结论】BP人工神经网络具有很强的非线性映射能力和柔性的网络结构,与传统的统计建模方法相比,其预测精度较高,能较好地反映水质指标的内在变化规律,为控制水环境污染提供了科学预测方法。     

BP人工神经网络模型在太湖水污染指标预测中的应用

【目的】利用BP人工神经网络模型预测太湖水污染指标,为探讨湖泊水污染物变化规律提供参考。【方法】利用2004～2010年浙江嘉兴王江泾断面自动监测站4项水质指标,建立了太湖水污染BP人工神经网络模型,并对太湖2012年前5周的水质情况进行预测。【结果】建立了浙江嘉兴王江泾断面的4项水质指标浓度的三层BP神经网络预测模型,其预测精度较高,对湖泊水环境污染物预测的适应性较好;对太湖2012年前5周的水质情况进行预测,结果表明,2012年前5周水质污染情况加重,基本为Ⅴ类水质,符合太湖水质污染情况发展态势。【结论】BP人工神经网络具有很强的非线性映射能力和柔性的网络结构,与传统的统计建模方法相比,其预测精度较高,能较好地反映水质指标的内在变化规律,为控制水环境污染提供了科学预测方法。     

黄河源区河川径流短期预测的ANFIS模型

【目的】建立径流短期预测的自适应神经模糊推理系统(ANFIS)模型,以提高预测精度,进而为黄河源区水资源开发和工程规划提供参考。【方法】以黄河源区出口站军功水文站为研究对象,以ANFIS为基本方法,建立ANFIS日尺度径流预测模型。基于输入变量、训练次数、隶属度函数类型与数目、预见期等参数设置了9个方案,通过实测径流与预测径流的对比和评价指标(均方根误差RMSE、相关性系数R)验证确定最佳方案,并分析不同参数对预测结果的敏感性,获得基于最优参数的ANFIS模型。【结果】采用神经网络+Sugeno型模糊推理算法建立了ANFIS日尺度径流预测模型,在预见期为1d时,利用ANFIS模型进行的径流短期预测,其相对误差最大为4.36%,平均为0.21%,预测结果合理可靠;当预见期延长至2~4d时,预测结果均满足精度要求,相对误差平均值均小于3.00%。【结论】将ANFIS用于短期径流预测,既可提高预测精度,又能延长预见期,可为黄河源区水库群规划、施工、调度和全流域水资源配置提供指导。     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

基于GA-SVR的中长期径流预报

【目的】将遗传算法（GA）与支持向量机回归（SVR）2种算法结合,构建GA-SVR模型,并采用该模型对径流进行预报,为制定防洪抗旱与水资源调度方案提供依据。【方法】以陕西府谷县黄甫川水文站1979-2003年实测资料作为拟合样本,2004-2008年资料作为检验样本,选取降水量、蒸发量为输入量,径流为输出量,通过GA优化SVR的结构和参数,建立GA-SVR预报模型,进而进行径流预报,同时与基于误差反向传播算法的人工神经网络（BP-ANN）、投影寻踪回归（PPR）模型的预报结果进行对比分析。【结果】应用GA-SVR、BP-ANN、PPR 3个模型在径流拟合阶段的预报精度较检验阶段有所下降,但是预报精度均达到了乙级水平,其中以GA-SVR的预报精度最高,效果最好。【结论】GA-SVR模型实现了SVR参数自动化选取,较好地解决了高度非线性、小样本、过学习等问题,模型可行有效,为径流预报提供了一种新途径。     

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。     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

灰色马尔柯夫模型在陕西省苹果产量预测中的应用

【目的】将灰色系统理论与马尔柯夫链相结合,建立灰色马尔柯夫预测模型,并对陕西省苹果产量进行预测,为指导苹果产业发展提供科学依据。【方法】首先建立陕西省1998~2007年苹果产量的GM(1,1)预测模型,确定出苹果产量的发展趋势和预测值,在此基础上应用马尔柯夫链理论对预测结果进行修正。【结果】2008年陕西苹果产量预测值为769.71万t,实例计算表明,灰色马尔柯夫模型更适用于随机波动性较大的数列预测问题。【结论】将灰色GM(1,1)模型和马尔柯夫链相结合用于苹果产量预测是可行的。     

基于小波变换和动态神经网络的温室黄瓜蒸腾速率预测

针对作物蒸腾速率与温室环境参数间非线性耦合时延性关系,以温室环境参数:空气温度、空气湿度、太阳辐射度、土壤温度、叶面温度、土壤含水量的时间序列为输入量,温室黄瓜蒸腾速率时间序列为输出量,采用小波分解重构方法,分别建立低频时间序列和高频时间序列的非线性自回归动态神经网络(NARX)子网络预测模型,以子网络的预测叠加值为蒸腾速率预测值。结果表明:1层小波分解重构的低频时间序列A1和高频时间序列D1的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.949和0.853,平均绝对误差(MAE)分别为5.36和2.00 g·h-1。2层小波分解重构的低频时间序列A2和高频时间序列D2的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.983和0.849,MAE分别为2.88和2.56 g·h-1。1层小波分解重构的时间序列的NARX子网络预测值合成值(A1+D1),2层小波分解重构的时间序列的NARX子网络预测值合成值(A2+D2+D1)和未小波分解重构的原时间序列的NARX预测值与蒸腾速率测量值间相关性决定系数R2分别为0.945、0.974和0.857,MAE分别为5.76、4.42和10.09 g·h-1。小波分解重构的高频和低频时间序列预测合成,能够提高时间序列的预测准确性。同时采用相同网络结构的BP神经网络和NAR动态神经网络预测蒸腾速率时间序列,其预测值与测量值间决定系数R2分别为0.596和0.839,MAE分别为19.55和9.45 g·h-1。NARX预测性能优于NAR和BP神经网络的预测性能,能够应用该方法预测温室黄瓜的蒸腾速率。该方法可推广至多变量非线性强耦合时延性系统中的变量预测。     

小波分析用于土壤速效钾含量高光谱估测研究

【目的】对土壤高光谱数据去噪提纯,提高土壤速效钾含量高光谱估测模型的精度和实用性。【方法】选取土壤有机质、碱解氮、有效磷含量近似而速效钾含量差异较大的样本76个,对土壤样本反射率对数的一阶导数光谱分别基于4种函数进行多层小波离散分解;提取小波低频系数,构建土壤速效钾含量高光谱估测模型。【结果】小波分解1-3层获得的低频系数可用以代表原始光谱。基于各小波函数相同尺度的低频系数,土壤速效钾含量估测建模精度差异不大。其中基于Bior 1.3函数分解的第2层低频系数建模精度略高,作为最佳估测模型,在数据压缩到25%、反映输入光谱信息95.6%的基础上,建模R2达到0.976,RMSE为10.66 mg•kg-1,经验证模型具有较好的预测准确度。【结论】通过小波分析获得小波系数,既提取了土壤高光谱信息,又对数据进行了压缩,结合偏最小二乘回归预测土壤速效钾含量是可行的。     

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。     

基于BP神经网络的韶山地表径流pH预测研究

建立地表水pH预报模型来分析酸沉降下地表径流的酸化趋势,对于研究酸沉降对小流域生态系统的影响和酸雨的防治工作都具有重要意义。韶山地表径流酸度的变化具有很强的非线性特性,要对其酸度进行较为准确的预测,就必须采用能捕捉非线性变化规律的预报方法,因此,尝试选用BP人工神经网络对韶山地表径流酸度进行模拟预测,结果表明,该方法预测的精度较高,在地表径流酸度的预测中有一定的适用性。     

基于小波分析的中国人均GDP分析与预测

提出基于小波分析,GM（1,1）模型和AR（P）模型结合的预测方法。通过多分辨率小波分解,将中国人均GDP依尺度分解成不同层次,对低频部分和高频部分分别进行重构,然后对每层建立不同模型进行预测,再合成得到所需的预测值。实例验证,该方法具有较好的预测精度。