基于SHAP重要性排序和机器学习算法的灌区渠道调度流量预测

渠道泄水闸能够快速排除灌区入渠洪水,避免渠道漫顶。研究以淠史杭灌区灌口集泄水闸为例,以闸门调度流量为目标变量,以不同时段过去和未来降雨量、泄水闸闸上实时水位及其变化量为特征变量,比较8种机器学习算法的预测精度,同时采用shapley additive explanations(SHAP)法分析特征变量重要性。结果表明:1)集成学习算法预测评价指标优于传统回归算法,8种机器学习算法中随机森林回归(random forest regression,RFR)算法预测精度最高(训练集均方根误差、平均绝对误差、均方误差及决定系数分别为0.146 m^(3)/s、0.094 m^(3)/s、0.021 m^(3)/s、0.976;测试集分别为0.306 m^(3)/s、0.197 m^(3)/s、0.093 m^(3)/s、0.931);2)采用SHAP法确定的特征变量重要性排序表明灌口集泄水闸闸上水位对于泄水闸调度流量的预测结果影响最大,占特征重要性值总和的34.6%;3)以过去6 h降雨量、过去9 h降雨量、未来6 h降雨量、灌口集泄水闸闸上水位作为输入变量的RFR算法预测灌口集泄水闸调度流量效果最佳,训练集均方根误差、平均绝对误差、均方误差及决定系数分别为0.126 m^(3)/s、0.080 m^(3)/s、0.016 m^(3)/s、0.982;测试集分别为0.263 m^(3)/s、0.164 m^(3)/s、0.069 m^(3)/s、0.950,研究结果对灌区防洪调度决策具有重要参考价值。