水资源利用随机预测模型研究

水资源利用量受多项因素的影响,是一动态、非平稳的随机过程。摈弃传统的典型代表年和频率分析等用水预测方法,采用时间序列分析法,在用有序聚类法与秩和检验法分析和处理序列跳跃项（或剔除突变项）之余,建立了一个含趋势项、周期项和随机项的模型,以对水资源利用序列进行预测。最后用所建模型对河南省开封市水资源利用进行预测,结果表明该模型合理可行,且有较高精度。     

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Prophet的生姜价格预测研究

针对农产品价格波动的非线性特征明显、传统时间序列预测方法预测精度不高等状况,构建基于Prophet的农产品价格预测模型,并以生姜为例展开研究。选取2012—2018年生姜每周平均价格数据为研究对象,在对生姜价格的趋势周期分解基础上,通过对生姜价格序列分解的趋势项、周期项和随机项分别进行建模组合实现对2019年上半年生姜价格的预测,并利用统计分析方法对模型性能进行评估。试验结果表明,Prophet算法预测结果的平均相对误差为4%。将Prophet模型的预测结果和BP神经网络预测结果进行比较,其均方误差(MSE为0.20)小于BP神经网络预测结果的均方误差(MSE为0.37)。Prophet预测模型具有较高的预测精度,在农产品价格预测方面具有较广阔的应用前景。     

应用时序递阶组合模型预报白溪水

为探讨白溪水库年平均入库流量序列基本演变规律，在分析研究径流各组成部分的成因的基础上，通过建立趋势项序列、周期项序列和平稳随机项序列的模拟预报子模型，合成时序递阶组合模型，预报白溪水库年平均入库流量。据分析成果显示，该模型概念清晰、结构简单，模拟预报白溪水库年平均入库流量精度较高。     

一种基于HHT的配电网短期负荷预测模型

提出一种基于HHT的配电网短期负荷组合预测方法。该方法利用EMD分解将负荷信号分解为一组IMF分量,通过分析IMF分量对应的边际谱提取周期项、随机项及趋势项。对各个特征量分别采用CPN、SVM及二次指数平滑法进行预测,最后通过直接叠加各分量预测值得到最终预测结果。通过仿真算例,验证该组合模型的精度高于任何一种单一模型和传统线性组合模型,具有较高的预测精度。     

区域地下水的具有时变特性的预报模型

提出了一种用于描述和分析具有趋势性、周期性、时变性的时间序列的新的组合模型时变ＡＲ（Ａｕｔｏｒｅｇｒｅｓｓｉｏｎ）组合模型,该模型由确定性和随机性两部分组成。在建模中,将原序列分解为幂函数趋势部分、周期项和残差随机序列,其中,残差随机序列用时变ＡＲ模型（自回归模型）建模。采用这种新的组合模型对区域地下水位动态进行了预报,结果表明预测效果较好。并且在该模型所用的计算软件中利用ＶＢ（ＶＩＳＵＡＬＢＡＳＩＣ）提供的丰富界面来管理建模原始数据所在的数据库,从而使输入原始建模数据变得简便准确,避免了以往的计算机软件中输入数据的繁琐和不准确性。     

应用时序递阶组合模型预报白溪水库年平均入库流量

为探讨白溪水库年平均入库流量序列基本演变规律,在分析研究径流各组成部分成因的基础上,通过建立趋势项序列、周期项序列和平稳随机项序列的模拟预报子模型,合成时序递阶组合模型,预报白溪水库年平均入库流量.据分析成果显示,该模型概念清晰、结构简单,模拟预报白溪水库年平均入库流量精度较高.     

基于SSA-ARIMA模型的青弋江干流径流预测

传统自回归滑动平均模型对非平稳和非正态分布的径流时间序列处理能力有限,很大程度限制了该方法在径流预测中的应用。基于青弋江西河镇站1970-2010年的逐月径流资料,利用奇异谱分析技术对1970-2007年逐月径流量进行分解,提取径流显著振荡的时间主分量序列,重构趋势序列、多年变化序列、年际变化序列和年内变化序列,运用ARIMA模型对各显著分量序列进行模拟预测,在对所有分量进行序列重构时,进行误差校正,同时利用传统ARIMA模型进行预测,将两者结果与实测值进行比较,检验其精度。结果表明:奇异谱分析技术能有效地从原始序列提取可靠的信息,通过分序列ARIMA模型预测重构后的径流序列与实测值更为接近,提高了传统ARIMA模型的预报精度。     

基于WA-SVM的流域降雨序列预测研

为了提高降雨中长期预测精度，将小波分析和支持向量机回归方法引入水文序列预测领域，给出了两种方法的思路和特点。在此基础上，尝试建立了基于小波分析-支持向量机（WA-SVM）的降雨量序列预测模型。通过小波分解，将原始复杂的降雨序列分解到不同的频率层次，对每层得到的分解序列分别采用支持向量机回归方法进行预测，最后合成原始序列的预测值。将该模型应用于实际流域月降雨量预测，并与单独支持向量机回归方法预测结果进行比较，表明该方法预测精度有明显提高。     

甘肃省水资源时间序列模型及其变化规律研究

水文水资源序列是一个具有周期变化、随机变化和递增或递减趋势变化的复杂时间序列。作为一种近似,可以把水文序列{Qt}分为趋势序列{Nt}、周期序列{Pt}和随机性的平稳时间序列{St},即式:Qt=Nt+Pt+St。采用时间序列分析的方法,建立了甘肃省水资源的时间序列模型,分析了其变化规律,结果表明,甘肃省水资源呈明显下降趋势,并存在一定的周期变化规律。     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明：STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

灰色动态模型群法在河流水质预测中的应用初探

在对原始数据序列对数变换的基础上，依据灰色系统理论，构造了由6个GM（1，1）模型组成的灰色动态模型群，并用于淮河干流枯水期氨氮浓度变化趋势预测。研究表明，灰色动态模型群法能够充分利用近期水质资料信息预测水质变化趋势；相对单个GM（1，1）模型，灰色动态模型群法能有效改善随机波动数据序列的拟合效果，提高预测精度。     

基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。     

基于条件植被温度指数的夏玉米生长季干旱预测研究

为验证条件植被温度指数(VTCI)在夏玉米生长季干旱预测中的适用性,以河北中部平原为研究区,应用求和自回归移动平均(ARIMA)模型及季节性求和自回归移动平均(SARIMA)模型,对该地区VTCI时间序列数据进行分析建模预测。首先基于49个气象站点所在像素的VTCI时间序列数据,选取不同长度时间序列建立ARIMA模型,并分析时间序列长度与预测精度间关系,以期为时间序列长度选择提供依据;然后选择理想长度的VTCI时间序列数据,分别建立ARIMA模型和SARIMA模型,用于研究区域2017年夏玉米生长季VTCI预测,并分析评价两模型预测精度;最后采用性能较好的ARIMA模型逐像素建模预测,得到2016—2018年9月上旬至下旬VTCI预测结果。结果表明:基于ARIMA模型的VTCI预测精度与时间序列长度未呈现明显的相关关系,但随时间序列长度增加,模型预测精度逐渐趋于稳定; ARIMA模型对干旱的预测精度高于基于SARIMA模型,其1步、2步、3步VTCI预测结果均方根误差较SARIMA模型分别降低0. 06、0. 07、0. 09; ARIMA模型在不同年份夏玉米生长季VTCI1～3步的预...     

融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络（WNN）获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。     

对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

溶解氧(DO)浓度是对虾养殖水质检测的核心指标.为提高对虾养殖溶解氧浓度的预测精度,本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络(EMD-RF-LSTM)的对虾养殖溶解氧浓度组合预测模型.首先采用经验模态分解(EMD)对养殖水质溶解氧浓度时序数据进行多尺度特征提取,得到不同尺度下的固有模态分量(IMF...     

基于灰色关联法的月降雨量预测

【目的】提高降雨量预测精度,为农业、水利等相关部门提供决策依据。【方法】鉴于月降雨量时间序列具有显著的多尺度特征,开展了数据驱动下基于模型融合的月降雨量预测研究,应用灰色EGM(1,1)模型和自适应模糊神经网络系统(ANFIS)分别预测了年尺度与月尺度下的月降雨量,采用灰色关联法将2个预测结果进行数据融合。利用澳大利亚维多利亚8个站点降雨数据验证所提出方法,并将预测结果进行了与单一灰色EGM(1,1)、ANFIS、人工神经网络(ANN)、自回归积分滑动平均模型(ARIMA)与聚类回归法(CLR)模型预测结果对比。【结果】模型融合预测结果精度高于单一EGM(1,1)、ANFIS、ANN及ARIMA模型预测结果,并在8个站点中的5个取得了最佳预测效果,其中中部地区(Ballarat和Cape Otway站点)及东部地区(Dookie,Wangaratta和Orbost站)预测均方根误差为28.2～37.2 mm,西部地区(Dimboola,Edenhope和Dunkeld站点)预测均方根误差为20.8～23.4 mm。【结论】所提出的模型融合预测法可行,为月降雨量预测提供了新思路。     

基于分形理论的大中型拖拉机产量预测

大中型拖拉机产量是一个复杂的非线性系统。为了探讨大中型拖拉机产量的变化规律及趋势预测,在分析分形理论原理和大中型拖拉机产量时间序列分形特性的基础上,构建了R/S分形模型,该模型具有较高的拟合度。最后,应用该模型预测了河南省2013-2015年大中型拖拉机的产量,可为农机企业调整产品结构和河南省农机部门制定农机动力发展规划提供参考。     

基于SSA-LSTM的玉米土壤含氧量预测模型

土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。     

基于人工神经网络的 雅鲁藏布江流域NDVI预测模型

雅鲁藏布江流域既是生态资源的宝库,又是全球气候变化的敏感区.研究基于2000-2015年的MODIS数据和30个地面站点气象数据资料,在分析雅鲁藏布江流域的NDVI归一化植被指数时空变化特征的基础上,分别采用偏相关分析和主成分分析法,辨识了影响各子流域NDVI变化的主导气候因素,并此基础上构建了基于人工神经网络的雅鲁藏...