基于小波ANFIS的诸暨站降雨量预测模型

【目的】建立适合诸暨站的降雨量预测的模型。【方法】采用小波分析和ANFIS相结合的模型预测方法,首先利用小波分析的多尺度分解功能,将诸暨站降雨量进行分解,然后利用ANFIS的自适应非线性逼近功能对分解后的序列进行预测,最后利用小波重构对预测的分解结果进行重构。【结果】小波ANFIS模型对诸暨降雨量的预测值与原始值相对误差在30%以内,精度达到要求。【结论】小波ANFIS模型可作为诸暨站的降雨量预测模型。     

基于小波支持向量机特征分类的日径流组合预测——以宜昌三峡水库为例

河流径流预测作为水库调度和发电的重要前提,其预测精度直接影响水利工程的综合效益。基于径流历史数据,针对其波动和随机性提出一种小波分析-支持向量机(SVM)特征分类组合预测模型。该模型首先利用小波分解提取原始径流序列的高低频能量谱作为SVM样本标记,并对原始序列进行特征分类,分为"平稳型"和"突变型"序列,对应不同类型序列的小波近似信号和细节信号分别采用自回归和滑动平均模型(ARMA)和BP神经网络模型进行预测,再重构各序列预测结果。最后采用平均绝对百分比误差(MAPE)、均方根误差(RMSE)、希尔不等式系数(TIC)作为模型评价指标。结果表明:在3个评价指标下,所提模型都优于ARMA和BP神经网络模型,并具有更好预测稳定性。     

蒸发蒸腾量时间序列的混沌特征分析

利用成都1951-2000年的气象资料和地理参数,用Penman-Monteith公式计算蒸发蒸腾量(ET0)。根据混沌理论,采用Welch法和小数据量法识别ET0的混沌特征,根据G-P关联维和C-C方法得出主要的混沌特征指标,并利用RBF神经网络和Volterra级数进行一步预测。研究表明:ET0序列存在一定的混沌特征,最小嵌入维数m=6时对应的吸引子维数D=2.025,最大李雅诺夫指数大于0;利用RBF神经网络和Volterra级数自适应方法对ET0进行预测一步预时,Volterra级数自适应一步预测结果误差较小,预测精度较高。因此,在实际中可采用Volterra级数自适应模型进行ET0一步预测。     

基于非线性多尺度模型的黄河三角洲降水量预测

【目的】提高降水量的预测精度,反映降水量的实际特征。【方法】基于经验模态分解对非线性时间序列的分析和处理的优势,对黄河三角洲气象站点1954—2018年连续65 a月均降水量数据进行经验模态分解(Empirical Mode Decomposition, EMD),得到了系列本征模态函数(Intrinsic Mode Function,IMF),对IMF进行Hilbert变换,在此基础上建立了2种黄河三角洲降水量多尺度预报模型。【结果】黄河三角洲降水量存在着9、13、23、76、135月左右的周期,并以9个月的波动为主;65 a月均降水量数据预测结果显示:模型一的相对误差在0.9%～9.8%之间,模型二的相对误差在1.6%～11.8%之间,在建模时不考虑初相位的模型一平均预测误差为2.70%,整体预测精度要优于考虑初相位的模型二。【结论】2种模型的拟合精度及显著性均符合要求。     

改进灰色波形预测方法在降水量预测中的应用

为提高降水量预测的准确度,降低经济损失.针对降水量数据序列非线性、非平稳的特征,在已有灰色波形预测模型的基础上引入斜率和分位数,构造非等间隔斜率灰色波形预测模型.首先,采用斜率等高线解决降水量数据具有上升、下降或波动的特征;其次,引入分位数解决降水量数据非平稳的特征;再次,采用GM(1,1)模型对满足条件的等高时刻序列建模;最后,采用非等间隔斜率灰色波形预测模型方法及传统方法对河南省1990-2019年的降水量数据进行分析.结果表明:基于方法的降水量预测结果与实测结果更相符、预测误差更小,精度较高.提出的斜率非等间隔灰色波形预测模型能够对非等间隔、具有上升或下降趋势的数据序列进行有效预测.     

基于Prophet模型的湖北省月降水量预测

为提高降水量的预测精度,建立了基于Prophet算法的降水量时序预测模型.使用湖北省1960年1月-2006年5月的月降水量资料,对2006年6月-2017年12月共139个月的月降水量进行预测,并与传统的SVR、BP以及ARIMA预测模型进行对比,以探讨该模型在降水量预测中的可行性.实验结果表明:在湖北省各站点降水量...     

基于小波云模型的年径流预测

为研究年径流的变化规律,采用小波理论和云模型相结合的方式建立预测模型。先运用小波分析对径流时间序列进行消噪,获得主时间序列,在此基础上对时间序列进行云推理,得到相应的预测值。以岷江流域年径流为例进行研究,通过与直接预测的方法相比较,发现此方法有较高的预测精度和推广应用价值。     

若干新型群体智能算法优化高斯过程回归的年降水量预测

为提高年降水量预测精度，提出一种基于小波包变换（WPT）和孔雀优化算法（POA）、沙猫优化（SCSO）算法、猎豹优化（CO）算法优化的高斯过程回归（GPR）预测模型，并将其应用于文山州年降水量预测研究。首先，利用WPT将实例1956-2021年降水量时间序列分解为1个周期项分量和3个波动项分量；其次，简要介绍POA、SCSO、CO算法原理，利用POA、SCSO、CO分别优化GPR超参数，建立WPT-POA-GPR、WPT-SCSOGPR、WPT-CO-GPR模型；最后，利用所建立的3种模型对年降水量周期项分量和波动项分量进行预测，将4个分量的预测结果加和重构后得到最终预测结果，并构建基于支持向量机（SVM）的WPT-POA-SVM、WPT-SCSOSVM、WPT-CO-SVM模型、基于RBF神经网络的WPT-POA-RBF、WPT-SCSO-RBF、WPT-CO-RBF模型和未经优化的WPT-GPR模型作对比分析模型。结果表明：(1)WPT-POA-GPR、WPT-SCSO-GPR、WPT-CO-GPR模型对年降水量预测的平均绝对百分比误差MAPE分别为0.52%、0.46%、0.48...     

基于GM(1,1)模型群的农田土壤墒情短期预测

全面比较和分析了春玉米全生育期内土壤墒情的时空分布特征。结果表明,土壤墒情数据为非平稳时间序列,具有周期性;降水量是影响土壤墒情的重要环境因素,其影响规律具有较大随机性。以不同土层深度（10、30cm,〖JP2〗分别代表2种墒情变化情况）和春玉米不同生育期（4个）交叉组合的土壤墒情作为模型对象,〖JP〗基于GM(1,1)预测方法构建农田土壤墒情短期预测模型群。预测结果表明该子模型的预测精度均较高,平均相对误差均小于2%,其中以苗期10cm处土壤含水率预测效果最佳。考虑降水量的影响,对模型群中参数u进行优化,使得所建土壤墒情短期预测模型群的预测更为准确有效。     

基于LSTM递归神经网络的番茄目标产量时间序列预测

番茄目标产量预测对于合理制定灌溉施肥制度以及减少水肥的浪费有着重要意义。以番茄历年产量数据为依据,提出了一种基于长短期记忆递归神经网络的番茄目标产量预测模型,包括模型设计、网络训练和预测过程实现等,将模型预测结果与自回归移动平均(ARIMA)、小波神经网络(WNN)、支持向量回归(SVR)3种时间序列预测模型进行对比,验证了所提出的LSTM递归神经网络预测模型在番茄目标产量预测中具有较高准确性。