年径流预报的非线性混合回归模型研究

径流中长期预报一直以来都是人们关注的热点研究问题,常用的时间序列法、多元回归分析法等都存在预报精度偏差过大的问题。以年径流作为自回归因子,降水和气温作为多元回归因子,建立了年径流预测的非线性混合回归模型,并利用BP神经网络进行模型求解。戴营水文站的年径流预报结果表明,与自回归模型、多元回归模型、BP网络模型和线性混合回归模型相比较,非线性混合回归模型具有较高的预报精度。     

基于改进集对分析的新疆黄水沟年径流预测

本文提出了以几何形式表示集对的G-SPA模型,该模型以向量之间的夹角、相关系数、欧式距离以及向量的模为指标对径流集合建立对应的指标集合,将指标集合的相似度作为判断径流集合相似度的依据,其优点是不仅考虑了径流大小的相似性,而且考虑了径流变化趋势的相似性.将G-SPA预测模型应用于新疆黄水沟年径流量预测中,并分别与GRNN神经网络模型以及AR(2)模型的预测结果进行了对比.结果表明:G-SPA模型预测的平均相对误差为7.42％,预测结果优于GRNN模型和AR(2)模型.     

黄河上游年降雨-径流预测研究

基于多层前向人工神经网络理论，通过GA-BP混合算法，使用黄河上游兰州水文站45年实测降雨和径流序列资料，建立了降雨—径流预测的GA-BP神经网络模型。研究表明，仅用预报前时段的降雨和径流作为输入，来实现下时段的径流预测，其预报精度较差，但在预报期内有一定精度的降雨预报输入时，所建模型对下时段的径流预测，与传统的统计建模方法相比，预报精度较高，能较好地反映黄河上游区的降雨—径流规律，可应用于实际需要。     

粗糙集理论在年径流预测中的应用

年径流预测对合理开发和优化利用水资源、更好地制定区域社会经济规划具有十分重要的指导意义。应用粗糙集理论研究了历史数据不确定性影响下的年径流预测问题。在结合具体实例的基础上,应用粗糙集理论给出了从预测建模、有效数据筛选到决策规则生成、最终得出预测结果的完整的预测过程。算例分析表明,应用粗糙集理论解决数据不确定性影响下的年径流预测是可行的。     

基于NARX神经网络的年径流预测

针对传统BP模型在时间系列年径流预测中的适应性问题,本文构建了基于动态反馈性NARX神经网络的年径流预测模型,模型结构带有外部输入的非线性自回归网络,输入向量选取降雨及气温,输出向量为未来的年均流量。本文采用构皮滩站历史实测数据对模型进行训练及测试,对NARX模型与传统BP模型及逐步线性回归模型性能进行了对比分析。     

一种非线性组合预测方法在径流预测中的应用

将基于人工神经网络的非线性组合预测方法应用于径流预测中，以1996年太阳沱的洪水资料为例，对已经建立的2个模型，采用3层的BP网络进行组合模拟预测，从多方面分析比较，证明用该种方法能够提高预测精度，结果令人满意。     

基于Copula函数的开都河年径流预测

河川径流量的准确预测对于水库调度、区域水资源优化配置具有重要意义.本文以新疆开都河为例,运用Copula函数将自变量和因变量的相关程度和相关模式有机结合,构建两变量联合分布函数,研究两变量与联合分布之间的相依结构;在此基础上,根据样本值未知的因变量边缘分布与联合分布关系,结合样本值己知的自变量概率分布,对因变量未知值进行预测.结果表明:基于Copula函数的预测方法原理明晰、计算简便、性能稳定、预测精度较高.     

基于RAGA-Shepard模型的滦河大河口站年径流预测

应用基于RAGA的Shepard相似模型,在实测径流统计特性分析的基础上对内蒙古滦河上游主要测站大河口站的年径流进行了预测.为科学调度水资源,最大限度地满足各方面的用水需求,提供有效依据.     

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法,量子粒子群优化算法（Quantum Particle Swarm Optimization,QPSO）、宽度学习系统（Broad Learning System, BLS）模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流...     

基于信息扩散近似推理的年径流量预测模型

通过分析年径流时间序列的特性,利用信息扩散近似推理描述年径流量间的复杂非线性关系,建立起基于信息扩散近似推理的年径流预测模型.信息扩散近似推理将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可以将矛盾模式转换成兼容模式.通过与传统预测方法相比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值.     

基于小波分析的年最大径流预测方

径流序列可以看成是各种不同成分线性叠加构成的时间序列。利用小波变换良好的局部化时频分析能力，将年最大径流序列进行分解，使其趋势项、周期项和随机项得以分离。各子序列分别代表不同的时间尺度，反映了各种物理因素对径流过程的影响。然后根据各子序列的特性分别建立幂函数、周期函数或ARMA模型并进行预测。最后将各子序列的预测值合成，得到年最大径流序列的预测值。对宜昌站1991年至2002年最大径流量的预测结果表明，该方法是切实可行的。并指出小波包变换在分析中、高频信息方面优于小波变换，有助于进一步提高预测的精度。     

基于BP神经网络的雨雪混合径流预

通过分析暴雨融雪混合径流的物理成因,确定其主要影响因子,然后分析雨雪混合径流主要影响因子对径流的影响,建立一个基于BP神经网络雨雪混合径流预报模型。并利用新疆喀浪古尔河流域暴雨融雪径流资料对模型进行仿真训练实验和验证,通过结果比较分析,在一定程度上提高了模型预报精度,取得了一定成效。     

年径流丰枯分类方法的效果研究

研究年径流丰枯分类方法的效果,对流域水文分析和水资源管理具有重要意义.从年径流过程相似性、总量差异性、分布均匀性等3个方面,定义了3个对应的丰枯分类效果评价指标,即相似指数、差异指数和均布指数.根据所采用的丰枯分类指数,将年径流丰枯分类方法划分为综合指数型、关系指数型和综合关系指数型等3类,并从3类方法中各选取3种代表...     

基于小波分析-PSO优化ANFIS的径流组合预测模型研究

径流序列由于多种因素的影响,存在十分复杂的变化特性,如果利用常规方法直接进行预测,其预测精度一般不高.如果将径流序列分解成比较简单的序列,再利用非线性预测方法进行预测,其精度将会得到提高.利用小波分析的多分辨率分解功能对径流序列进行分解,降低了径流序列的复杂程度.利用PSO对自适应神经模糊推理系统的网络参数进行优化,提高模型结构参数的确定精度.将小波分析与PSO优化的ANFIS进行组合对径流序列进行预测,经实例验证:该模型能够提高径流预测的精度,预测效果较好.     

基于BP神经网络的农田灌溉量预测

农田灌溉量预测对水资源合理规划和优化配置具有重要意义。为此,以农田水分平衡公式为基础,导出灌溉量I与前各时期的降雨量pt-1、pt-2、pt-3灌溉面积S之间存在非线性关系,由此建立了农田灌溉量的BP神经网络预测模型。检验结果表明,灌溉量BP神经网络预测法精度约为94.5%。因而,以灌溉面积、前各时期降雨量为输入变量,结合BP神经网络技术来预测农田灌溉量,具有很好的应用前景。     

黄河龙门径流量预测模型研究

河川径流预测是一个十分复杂的问题,生命旋回模型在进行径流趋势预测时具有对资料要求少、计算简单等优点,但由于模型方程的限制,进行预测时得到的序列很难反映径流序列的随机波动变化,且存在预测结果精度不高的缺点。根据黄河龙门水文站提供的49a的径流水文资料。应用神经网络进行预测时和生命旋回模型建模使用,得到预测值。结果表明预测结果明显优于单一的生命旋回模型和神经网络模型,可以用于径流预测。     

基于小波-ANFS的水库年径流组合

提出了一种基于小波-ANFIS的水库年径流组合预报模型。利用Mallat算法对年径流序列进行多尺度分解,得到对应尺度下的低频信号和高频信号;分别对低频信号和高频信号建立ANFIS模型进行预报,将各模型预报结果叠加作为原径流的预报值。将该模型用于昭平台水库年径流预报中,通过与单一ANFIS模型预报结果的对比分析,验证了小波-ANFIS水库年径流预报模型的有效性。