基于EMD-GWO-LSTM模型的新疆标准化降水蒸散指数预测方法研究

干旱预测一直是干旱研究领域的重大挑战,提高干旱预测的准确性是解决干旱问题的关键。基于1961—2019年新疆34个气象站点月降水和月平均气温数据,计算得到标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI),对新疆气象干湿变化进行分析,提出一种经验模态分解方法(empirical mode decomposition,EMD)-灰狼优化算法(grey wolf optimizer,GWO)-长短期神经网络(long short-term memory network,LSTM)的数据分解型干旱组合预测模型进行预测,并进行模型性能评价。结果表明:(1)干旱周期性变化整体呈现平稳且周期长的特点;(2)EMD能够有效优化数据的平稳性,GWO优化预测模型参数,组合模型的预测精度相较于单一预测模型有明显提高;(3)4个预测模型结果精度由高到低的排序为:EMD-GWO-LSTM、GWO-LSTM、GWO-支持向量回归(Support Vactor Regression,SVR)、LSTM,拟合优度分别为0.972、0.939、0.862、0.830,EMD-GWO-LSTM组合预测模型的预测精度优于其余3个预测模型。EMD-GWO-LSTM组合模型可有效提高气象干旱的预测精度,为新疆地区气象干旱预报及抗旱减灾工作提供了新的方法手段。

基于EMD-CNN-LSTM模型的铁路客运量短期预测研究

铁路客运量预测由于数据的强波动性、强随机性特征成为一个复杂的非线性问题,为解决此问题,以1990年1月—2020年1月的全国铁路月度客运量数据为基础,提出一种基于数据分解的组合预测方法。运用线性拟合与小波分析法对铁路客运量序列进行趋势与周期分析,对原始序列采用经验模态分解方法得到不同尺度的IMFs分量和残差分量并通过样本熵值近似程度进行叠加重构,运用CNN-LSTM组合预测模型,对各分量进行预测并将预测结果进行叠加,得到最终预测结果。采用均方根误差、平均绝对百分比误差和平均绝对值误差作为评价指标,比较EMD-CNN-LSTM与其他模型,结果表明,我国铁路客运量在月尺度上具有一定的趋势性及周期性,在预测过程中EMD-CNN-LSTM与其他模型相比,预测结果误差最小,预测精度优于其他模型。