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值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

基于GRU-CNN双网络输出构建BP模型的径流预测方法

提高径流预测精度是避免洪水灾害发生的重要手段,由于预测阶段并无已知有效样本,给预测工作带来难度,因此,提出以双网络输出为预测阶段提供数据参考,结合训练阶段双网络输出与真实值之间的关系,对预测阶段采用二次多变量建模实现径流预测。首先,构建GRU和CNN深度学习网络,同步输出2条径流预测序列;其次,在已知时段内,构建2条预测结果与实测值之间的多变量BP模型;最后,基于双网络输出预测值,通过确定的BP模型输出径流预测结果。经测试,该方法给预测时段提供了可靠的先验样本,高效学习了网络输出与真实值之间关系,预测精度显著提升。

基于多因子多模式集成的中长期径流预测模型

提高中长期径流预测精度对于水资源调度等具有重要意义和应用价值。基于国家气候中心的130项气候因子,采用皮尔逊相关系数、最大信息系数、方差增量指标筛选主要预测因子,建立基于DS(Dempster-Shafer)证据理论的多因子综合方法;采用随机森林、BP神经网络和贝叶斯网络等建立基于水文-气象因子遥相关的中长期径流预测模型,构建基于DS证据理论的预测结果集成模型。以三峡水库为对象开展实例研究,结果表明:引入遥相关因子能有效提高预测精度;基于DS证据理论的多因子综合方法能筛选出综合性更强、稳定性更优的因子,弥补单一筛选方法的不足;基于DS证据理论的多因子多模式集成方法在径流预测精度上优于单一方法单一模型,确定性系数提高到0.823,平均相对误差降低到23.2%。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于WPT-IDBO-RELM和WPT-IDMO-RELM模型的日径流预测

为提高日径流时间序列预测精度,改进正则化极限学习机(RELM)的预测性能,对比验证改进蜣螂优化(IDBO)算法和改进侏獴优化(IDMO)算法与其他算法的优化效果,提出了基于小波包变换(WPT)的WPT-IDBO-RELM和WPT-IDMO-RELM日径流时间序列预测模型。对云南省暮底河水库、马鹿塘电站入库日径流进行预测,结果表明WPT-IDBO-RELM和WPT-IDMO-RELM模型对暮底河水库日径流预测的平均绝对百分比误差分别为1.048%、1.015%,对马鹿塘电站日径流预测的平均绝对百分比误差分别为1.493%、1.478%,优于其他对比模型;IDBO、IDMO算法对标准测试函数和实例目标函数的寻优效果均优于其他对比算法,且IDBO、IDMO算法优化效果越好,RELM超参数越优,WPT-IDBO-RELM、WPT-IDMO-RELM模型预测精度越高;WPT可将日径流序列分解为分量更少、规律性更强的子序列分量,在提高预测精度的同时显著降低模型复杂度和计算规模。

“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明:基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R^(2)增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R^(2)达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。

基于SWAT模型的格尔木河上游分布式水文模拟和径流预测

研究格尔木河流域水文循环过程并预测未来流域水资源的变化特征,对地区生态环境保护和下游盐湖矿产资源可持续开发利用具有重要意义。选取格尔木水文站以上区域构建SWAT(Soil and Water Assessment Tool)分布式水文模型。采用大气同化数据集为气象驱动,联合区域内纳赤台和格尔木水文站的实测月尺度径流数据进行参数的率定和验证。在率定期和验证期内,纳什效率系数、确定性系数和相对偏差系数均达到了良好的标准,表明SWAT模型在格尔木河高寒山区流域水文过程模拟中具有较好的适用性。研究表明流域降水量偏少,地表径流量、壤中流量与降水量的变化趋势具有较好的一致性,降水量年际变化中蒸散发量为主要消耗量,占40.26%。根据未来气候预测模型RegCM4.6,预测路径浓度RCP2.6、RCP4.5和RCP8.53种情景下格尔木河未来40年径流量呈增加趋势。3种情景下的年平均径流量较基准期(2006—2018年)分别增加了7.63%、11.01%、15.96%;随着温室气体排放浓度的增加,径流量呈现出增加趋势,特别是夏秋季增幅较大。短时间内径流量增大可能会引发格尔木市洪涝灾害,破坏盐湖企业生产设施;但若将洪水资源进行调控和利用,不仅防范了洪涝灾害,同时也利于解决盐湖企业日渐增大的用水需求难题。

基于LCD-SSA-BiLSTM模型的月径流预测研究

径流预测在水资源优化配置和防汛抗旱方面发挥着重要作用。但径流序列非平稳会导致预测误差及峰值预测误差较大,因此提出了基于局部特征尺度分解(LCD)、麻雀搜索算法(SSA)和双向长短期记忆神经网络(BiLSTM)的组合预测模型(LCD-SSA-BiLSTM),以提高非平稳径流序列的预测精度。以汾河上游4个站点(汾河水库站、上静游站、兰村站和寨上站)为研究对象开展月径流序列预测研究,采用纳什效率系数、平均绝对误差、均方根误差、合格率4个评价指标对预测结果进行定量评价。结果表明,LCD-SSA-BiLSTM模型的平均绝对误差为10.346×10^(4)~124.629×10^(4)m^(3),均方根误差为19.416×10^(4)~191.284×10^(4)m^(3),纳什效率系数为0.975~0.988,4个水文站的合格率均在90%及以上,预测精度为甲级,与单一BiLSTM、EMD-BiLSTM、LCD-BiLSTM及EMD-SSA-BiLSTM模型相比预测效果更好,因此LCD-SSA-BiLSTM模型是预测非平稳月径流序列的有效方法。

基于LSTM、RF、SVR三种机器学习方法的径流预测研究

为探究不同预报方案对机器学习模型径流预测的影响,以淮河王家坝~蒋家集~润河集区间流域为例,设计了七种径流预测方案,采用LSTM(长短期记忆神经网络)、RF(随机森林)以及SVR(支持向量回归)三种机器学习模型进行径流预测。研究结果表明:(1)三种机器学习模型对降雨信息的敏感程度不同,且采用同时考虑径流影响因素以及前期历史径流的方案预测效果最佳,但随着预见期的延长,前期历史径流的重要性逐渐降低;(2)三种机器学习模型在不同预见期的径流预测表现有所差异:三种机器学习模型在预见期为1 d时预测精度均较高;当预见期为2~4 d时,SVR模型的预测效果较好;RF模型在预见期为5~7 d时预测精度较高。研究可为后续基于机器学习的径流预测提供参考。

基于3种新型群体智能算法优化正则化极限学习机的三峡水库入库日径流预测

准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于WPT-ITTA-RELM/ELM/LSSVM模型的日径流预测研究

为提高日径流预测精度,验证改进足球战术算法(ITTA)寻优正则化极限学习机(RELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)超参数对日径流预测精度的影响,提出小波包分解(WPT)-ITTA-RELM/ELM/LSSVM时间序列预测模型,并通过德厚大型水库入库日径流预测实例进行验证.首先,利用WPT分解处理日径流时序数据,以获得更具规律的子序列分量;其次,通过典型测试函数和RELM/ELM/LSSVM超参数寻优适应度函数对ITTA寻优能力进行检验,并与基本足球战术算法(TTA)、灰狼优化(GWO)算法、倭黑猩猩优化(BO)算法、黏菌算法(SMA)、鲸鱼优化算法(WOA)的优化结果作对比;最后,建立WPT-ITTA-RELM/ELM/LSSVM模型对实例日径流进行预测,并构建WPT-TTA/GWO/BO/SMA/WOA-RELM、WPT-TTA/GWO/BO/SMA/WOA-ELM、WPT-TTA/GWO/BO/SMA/WOA-LSSVM、WPT-RELM/ELM/LSSVM作对比分析模型.结果表明:对于高维和低维优化问题,ITTA寻优精度均优于TTA、GWO、BO、SMA、WOA,表明通过Levy飞行策略及平衡系数等的改进,可有效提高ITTA全局搜索性能和全局、局部平衡能力.WPT-ITTA-RELM、WPT-ITTA-ELM模型对实例日径流预测的平均绝对百分比误差(E_(MAP))分别为0.521%与0.604%,平均绝对误差(E MA)分别为0.024 m^(3)/s与0.025 m^(3)/s,纳什效率系数(E_(NS))均为0.9992,优于其他对比模型;其中WPT-ITTA-ELM模型运行时间较长,不利于大容量样本的预测研究.对于RELM/ELM超参数高维寻优,ITTA优化效果最好,SMA、TTA次之,GWO、BO、WOA优化效果较差;对于LSSVM超参数低维寻优,由于优化维度低、问题简单,ITTA等6种算法均具有较好的优化效果,但ITTA优化效果最好.

基于VIC模型的金沙江流域水文要素分析和径流预测研究

[目的]金沙江流域是西南高山峡谷区的重要生态区域。在全球气候变暖背景下,预测并评估金沙江气候及未来径流变化对流域尺度的水土流失防治、防洪减灾和水土资源规划具有重要意义。[方法]基于VIC模型模拟金沙江流域的水文过程,对CMIP6全球气候模式下的2种排放情景(SSP2-4.5、SSP5-8.5)的20个气候模式及多模式集合平均(MMEA)的数据进行降尺度处理,预测2015-2100年径流变化趋势。[结果](1)历史径流模拟显示,模型模拟值与实测值的纳什效率系数超过0.6,BIAS(相对偏差)绝对值控制在0.15以内,表明VIC模型适用于模拟金沙江流域水文过程;(2)VIC模型模拟的水文过程分量显示,降水量从上游到下游递增,蒸散发在中下游较高,地表径流和基流的多年平均值从上游到下游递增,且存在显著差异;(3)基于EEMD(集合经验模态分解)的统计降尺度方法对比单模式和(MMEA)的模拟结果发现,观测数据与MMEA匹配度最高。在未来SSP2-4.5和SSP5-8.5情景下,模拟结果显示高辐射高排放情景(SSP5-8.5)下水文要素变化更显著,尤其是蒸散发增加趋势明显。[结论]径流量模拟显示,SSP2-4.5情景下年平均径流量变化不明显,而SSP5-8.5情景下年平均径流量呈小幅增长趋势。未来年内月径流量在SSP5-8.5情景下大多数月份高于SSP2-4.5情景。研究结果以期为金沙江流域水资源评估与管理、生态综合治理提供一定参考依据。

基于GWO-PE-VMD-ResNet组合模型的日径流预测

传统“分解-集成”径流预测模型存在预测效率低、忽略分量预测误差等问题,为此提出一种基于灰狼优化算法(GWO)、排列熵(PE)、变模态分解(VMD)和残差网络(ResNet)的预测日径流的组合模型(GWOPE-VMD-ResNet)。首先,构建以排列熵为适应度函数的GWO算法对VMD分解参数进行搜索,减少人为选择参数的不确定性;其次,利用选定分解参数的VMD算法将日径流数据分解为若干分量,降低径流序列的复杂性;最后,建立ResNet径流预测模型,将径流序列分量拼接并调整为符合ResNet模型输入维度的数据,对未来径流进行预测。以长江朱沱、监利和螺山等水文站点为研究对象开展径流预测,结果表明所建模型在预测精度和预测效率上均有明显优势。

融合自适应滑动集合经验模态分解的机器学习月径流预测方法

为提高月径流预测精度,解决传统分解集成径流预测方法提前引入“未来信息”在实际工程中无法实现的问题,提出了一种基于自适应滑动集合经验模态分解(ASEEMD)、秃鹰搜索(BES)算法和极限学习机(ELM)耦合的月径流预测模型(ASEEMD-BES-ELM)。并以玛纳斯河1957~2014年的月径流序列为例,首先,利用ASEEMD对原始月径流序列自适应分解,得到若干子序列;其次,将各子序列分别输入到结合BES算法和网格搜索优化后的ELM模型中预测;最后,累加各子序列预测结果,得到最终月径流预测值。与ELM^(*)、BES-LEM^(*)、BES-ELM、EEMD-BES-ELM(传统“捆绑分解”)模型对比结果表明,ASEEMD-BES-ELM模型的纳什效率系数为0.971、平均绝对误差为5.173m^(3)/s、均方根误差为8.282m^(3)/s、平均绝对百分比误差为16.033%,在符合实际应用中预测精度最高。结果可为干旱区月径流预测研究提供参考。

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。

基于改进麻雀搜索算法的黄河花园口日径流预测研究

为准确预测河南省内黄河径流量,减少黄河泛滥隐患,帮助防洪工作开展。文章提出以改进麻雀搜索算法(ISSA)为基础的EMD-ISSA-LSTM径流预测模型。选取花园口水文站2009—2022年日径流数据作为实验数据,均方误差(MSE)、平均绝对百分比误差(MAPE)和纳什效率系数(NSE)作为模型评价指标。实验结果表明:EMDISSA-LSTM模型在花园口日径流预测中具有较好的准确性和稳定性,其中,预见期为1 d时NSE达到0.965。该研究为花园口水文站日径流预测工作提供了有效的工具,有利于水资源优化管理和水库的防洪调度。

基于VMD-NGO-LSTM的融雪洪水汛期非平稳性极值径流预测模型及应用

金沟河属于典型的融雪补给流域,受自然环境、气候变化和人类活动等因素的影响,汛期极值径流序列表现出非平稳性及复杂性特征,给流域内汛期极值径流精准预测带来新的挑战。为解决该地区汛期极值径流的非平稳性对于预测结果的影响,引入变分模态分解算法(Variational Mode Decomposition,VMD),提出一种基于北方苍鹰优化算法(Northern Goshawk Optimization,NGO)与长短期记忆神经网络(Long Short-Term Memory,LSTM)的组合预测模型(VMD-NGO-LSTM),应用于金沟河流域八家户水文站1964—2016年的汛期极值径流预测,采用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、Nash系数(NSE)评价模型的预测能力。结果表明:(1)根据金沟河流域融雪洪水汛期径流极值序列的周期变化和趋势变化的水文特性变化结果表明径流极大值序列和径流极小值序列均具有非平稳性;(2)VMD-NGO-LSTM预测模型的NSE均大于0.97,且RMSE、MAPE、MAE值均处于偏小状态,与VMD-LSTM模型和VMD-NGO-BP模型相比,VMD-NGO-LSTM模型能够很好地预测八家户汛期极值径流的变化过程。该研究为汛期极值径流预测工作提供了新的思路,对新疆地区防洪减灾具有一定参考价值。

基于二次分解和支持向量机的月径流预测方法

针对径流序列的非线性和非平稳性特征,提出了一种基于加权回归的季节趋势分解(STL)和变分模态分解(VMD)组合的二次分解,结合支持向量机(SVM)的月径流预测模型STL-VMD-SVM。该模型利用STL将原始径流序列分解为不同频率的季节项、趋势项和残差项,并通过VMD将残差项分解为IMF s。建立SVM模型预测季节项、趋势项和IMF s,所有IMF s的预测值之和为残差项的预测值,季节项、趋势项和残差项之积为原始径流序列的最终预测值。基于伊洛河流域黑石关站及黄河干流高村站的月径流时间序列进行了实例应用及普适性评价,并与BP神经网络模型和长短期记忆神经网络模型(LSTM)进行对比。结果表明:对于伊洛河黑石关站径流预测,所提模型验证期的NSE、MAPE、RMSE、R分别为0.977,13.705%,0.327,0.991,其预测精度均优于单一模型和一次分解模型,STL-VMD二次分解可以有效提高模型预测精度;在黄河干流高村站径流预测中验证期的NSE、MAPE、RMSE、R分别为0.979,8.509%,3.263,0.989,也达到了很好的预测效果。

群智能算法在月径流预测支持向量机建模中的适应性研究

变化环境下,径流的精准预测愈加困难,集成稳健的优化算法是近年来机器学习发展的动力,也是提高径流预测精度的有效途径。为规避支持向量机(SVM)建模时适应度函数选取的不足,提出基于群智能算法的SVM参数优化范式,并以新疆克孜尔水库月平均径流量预测为例,对粒子群算法(PSO)、差分算法(DE)、灰狼算法(GWO)、鲸鱼算法(WOA)和麻雀算法(SSA)5个典型算法进行仿真验证。结果表明,PSO建立SVM模型合格率(QR)小于60%,预测精度不达标,其余4类算法的平均绝对相对误差和纳什系数分别介于10%~20%和0.75~1之间,预测效果良好;20次独立运算结果中,PSO、WOA、SSA和DE存在预测结果较差的情况,其中PSO的稳定性最差。综合而言,GWO优化的SVM(SVMGWO)在月径流预测中精度、稳定性和可靠性更佳。