变权组合预测模型的建立及其在区域生态风险预测中的应用

为探讨变权组合预测模型在区域生态风险预测中的应用,该文以黑龙江省大庆市为研究对象,利用该市1976、19881、9921、996、2001、2003年各年的TM遥感影像数据,以GIS技术为数据集成分析平台,获取了20余年不同时期的土地利用信息.在此基础上,引入层次分析法,确定不同土地利用类型的生态风险权重,构造各土地利用类型不同时段的综合生态风险指数,采用基于回归预测法、灰色预测法和神经网络预测法的变权组合预测方法模拟了大庆市2010年生态风险程度空间分布预测图.结果表明,生态风险指数的空间分布是基本沿着城区和主要交通干线的轮廓呈线状或点状逐步向外减小的,这说明干道交通系统建设以及城市开发活动在区域生态风险程度增加中的重要贡献;大庆市生态风险程度分布中,高、中生态风险程度区的范围都有所扩大,这表明大庆市的生态风险在不断的提高,范围也在不断扩大.     

数据误差处理方法在洪水预报中的应用

洪水灾害会对我国的正常农业生产造成非常严重的影响,因此提出一种基于数据误差处理的洪水预报方法有重要意义。结合四川省自贡市某水文站实测的流量数据,应用LS-SVM智能算法建立了单输入单输出(流量—流量)洪水预报模型,并应用数据误差处理方法中改进的拉依达准则法(3σ)和肖维勒准则法(Chauvenet)来处理样本数据里存在的一些误差数据。实验结果表明,应用以上2种数据误差处理方法处理过后的LS-SVM预测模型可以满足洪水预报精度的要求。     

淮河入洪泽湖洪水预报模型

根据降雨径流相关分析,建立了人洪泽湖洪水预报模型,它包含了产流、汇流子系统。预报模型与实测洪水过程相比较,洪峰值的最大误差小于10％。     

最小二乘支持向量机在洪水预报中的应用

由于洪水这种自然灾害严重影响着正常的农业生产,该研究提出基于最小二乘支持向量机(LS-SVM)的洪水预报方法。利用LS-SVM泛化能力强、收敛速度快、预测精度高的特性,结合四川省自贡市某水文站实测水位和流量的数据,建立了单输入单输出(水位—水位)和双输入单输出(水位和流量—水位)2种洪水预报模型。结果表明:这2种模型都可以满足洪水预报精度的要求,并且双输入单输出(水位和流量—水位)模型的预报精度比单输入单输出(水位—水位)模型的预报精度高。     

基于熵组合预测模型的害虫种群动态研究

在农业害虫种群动态的研究中,单一预测模型很难达到理想的预测精度。组合预测模型是将不同的预测模型进行适当的优化组合,以综合利用各单项模型的预测信息,以提高预测精度,然而组合预测模型的核心问题是所综合的模型权重的确定。运用信息熵理论,根据测度不确定性的函数确定组合模型的权值,建立了基于信息熵的组合预测模型,以期在研究昆虫生态中应用。将新建立的预测模型在玉米蚜种群动态研究中进行仿真实验,验证了新模型的有效性。     

渭河下游洪水预报的人工神经网络模型研究

简述了江河防洪的重要性和洪水预报在江河防洪决策中的作用 ,建立了渭河下游干流临潼断面和华县断面洪峰流量预报的人工神经网络 (ANN)模型。模型评定和检验表明 ,ANN模型的预报效果比传统的统计相关模型有明显的改善 ,而且有利于模型评定与检验精度间的合理协调 ,以及洪水预报与防洪决策的智能化管理。     

七里街水文站实时洪水预报神经网络模型

采用人工神经网络方法,建立福建省闽江建溪流域七里街水文站实时洪水过程预报的３ 层前馈反向传播神经网络模型, 经检验预测精度为８３．３０％ , 符合该区洪水预报规范, 准确率比较高． 其结果表明, 人工神经网络模型可适用于洪水过程预报的动态模拟     

靠山屯水库洪水预报方案

中小型水库防汛遥测系统建设是搞好水库防汛调度运用的非工程措施,而水库洪水预报方案的编制成果是完善指挥调度系统的技术支撑。本文笔者在多年分析研究基础上提出的靠山屯水库洪水预报方案,会在市、县指导水库防汛调度中发挥重要作用。     

基于DS证据理论的多模型洪水预报方案优选

【目的】研究基于DS证据理论的多模型洪水预报方案优选模式,以丰富多模型洪水预报方法。【方法】建立了多模型洪水预报情形下的优选指标体系,运用基于证据可信度的DS证据理论合成方法进行洪水预报方案的优选,采用新安江模型、萨克拉门托模型、水箱模型和陕北模型进行多模型洪水预报的优选,并以东洋河为例进行模拟验证。【结果】在对东洋河洪水进行预报时,新安江模型、萨克拉门托模型、水箱模型和陕北模型的可信度(m(Mi))分别为0.758 7,0.906 6,0.838 4和0.859 1,多模型洪水预报方案由优到劣的次序依次为:萨克拉门托模型、陕北模型、水箱模型、新安江模型,因此认为采用萨克拉门托模型对应的预报方案为最优预报方案。【结论】基于DS证据理论的多模型洪水预报方案优选可以为决策者提供更为科学的决策,进一步丰富和完善了多模型洪水预报方法。     

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。     

组合预测方法研究及其在电力负荷预测中的应用

文章通过对组合预测模型权重求解方法的研究,给出了一种运用二次规划来求解组合预测模型权重的方法。该方法不仅克服了拉格朗日乘子法不能保证权重非负的不足,而且由于二次规划问题可借助MATLAB软件进行求解,从而简化了求解权重的计算过程。示例计算结果表明,组合预测模型的预测精度明显高于各单一预测模型,误差平方和小于各单一预测模型的误差平方和,从而验证了该方法的有效性。     

GA-BP组合预测方法在北洛河年径流量预测中的应用

为寻求较为合理的径流量预测方法,利用GA-BP组合模型进行径流量预测的研究,首先利用GA算法(Genetic algorithm)全局搜索能力定位出一个较好的搜索空间,再利用BP算法(Back propagation)神经网络的局部寻优能力,以陕西省北洛河状头站实测数据为基础进行径流量预测。结果表明：利用GA-BP组合模型预测2001—2010年结果的相对误差分别为-8.9%、-12.6%、-7.4%、9.4%、-7.6%、15.0%、-5.5%、10.7%、13.3%和-8.2%,预测精度较高,从相对误差和训练次数比较可以看出,GA-BP组合模型优于基本BP模型和GA模型。     

黄河兰州段河工模型及洪水预测

基于1981-2001年水文数据,分析了黄河兰州段河床演变规律;通过动床河工模型试验研究,提出了黄河兰州段泄洪宽度300m的河道整治方案,得到了设计流量为5600m3/s,6500m3/s,7920m3/s,8350m3/s下的相应水位和水面线。在此基础上预测:1)黄河兰州段发生大洪水的可能性仍然存在;2)兰州河段泥沙淤积有加重的趋势。     

基于模糊物元的多属性水文预报组合决策方法

【目的】建立合理的多属性水文预报组合决策方法,为提高水文预报的精度提供参考。【方法】根据水文预报的特点,提取了水文预报中的4个决策属性指标,利用主观权重和熵权结合的方法确定属性指标的综合权重。将模糊物元理论和信息熵引入水文预报研究领域,利用模糊物元理论处理水文预报中的模糊信息,然后结合信息熵对属性进行集结,按照集结后方案的相对贴近度进行择优排序,建立了基于模糊物元的多属性水文预报组合决策方法。【结果】应用该组合决策方法对断面各时间点的预报模型进行择优,得到了断面在某一时间段与实测值更为接近的预报值。实例计算结果表明,该组合预报方法能够择优得到各方案预报值相对误差较小的最优值,有效地提高了水文预报精度,将预报结果至少提升了1个等级。【结论】所构建的基于模糊物元的多属性水文预报组合决策方法,具有较强的合理性及较广的适用性,为水文预报精度的提高提供了一条有效途径。     

改进的实数遗传算法在求解组合预测模型中的应用

在现有文献的基础上,对实数遗传算法进行了改进,并将改进后的实数遗传算法应用到求解组合预测模型权重问题中。改进后的实数遗传算法模型预测精度有所提高,从而证明其能够较好地解决组合预测模型的权重求解问题。     

组合模型在物流量预测中的应用

在分析指数拟合、灰色系统模型的平均预测误差的基础上,建立了组合预测模型,并对广州市的物流量进行了预测.结果表明,组合模型的预测结果是最优的.     

基于混沌径向基神经网络模型的洪水预测研究

【目的】建立更为理想的洪峰大流量预测模型。【方法】针对目前大部分预测模型对洪峰大流量数值预测结果不太理想的问题,根据自然界中普遍存在的混沌现象,在对洪水系统进行混沌识别的基础上,建立了基于混沌理论和径向基神经网络(RBF)的预测模型,将实测洪水序列进行相空间重构得到训练样本,利用MATLAB 7.0工具箱确定网络结构。【结果】将所建立的RBF模型用于汾河石滩水文站2004年最大洪水的预测,结果表明,该模型预测结果的合格率、平均相对误差、相关系数(R)、均方根误差(RMSE)和Nash-Sutcliffe系数(NSC)分别为100%,4.69%,0.9793,4.2260和0.9552,而传统Volterra级数自适应预测模型的分别为93.75%,8.97%,0.9540,10.2632和0.7358,可见RBF模型的预测结果较好,并且对预测洪峰大流量数值取得了较理想的预测效果。【结论】将混沌理论和径向基神经网络结合建立预测模型,作为提高洪水预报精度的一种新尝试,对以后进行洪水预测研究具有一定的参考价值。