摘要
基于支持向量机(SVM)基本原理及方法,构建基于径向基核函数的SVM径流预测模型。针对SVM惩罚因子和核函数参数的选取对模型的预测精度有着关键性影响,提出基于遗传优化算法(GA)、粒子群优化算法(PSO)和交叉验证(CV)方法的GA—SVM、PSO—SVM和CV—SVM径流预测模型。以盘龙河天保站月径流预测为例进行分析,并与传统BP神经网络预测模型进行比较。结果表明:GA—SVM、PSO—SVM和CV—SVM径流预测模型具有较好的预报精度,预测效果明显优于传统BP神经网络模型,表明所构建的几种基于参数优化的SVM模型用于径流预测是合理可行和有效的。相对而言,GA—SVM、PSO—SVM模型的预测精度略高于CV—SVM模型。
出处
《水资源研究》
2013年第2期34-38,共5页
Journal of Water Resources Research