基于信息熵与改进极限学习机的中长期径流预测

为提高流域中长期径流预测精度,提出一种基于信息熵与改进极限学习机的中长期径流预测方法。首先,基于不同水文站点的流域控制面积构造径流综合指数,在较宏观层面表征流域水情丰枯变化;其次,采用偏互信息法计算影响对象与径流综合指数之间的相关性,获得径流过程变化的关键因子集,形成预测模型输入;最后,结合K折交叉验证与改进粒子群算法优化极限学习机(ELM)参数,构建IPSO-ELM模型,用于中长期径流预测。以雅砻江流域为例,将所建模型与BP神经网络(BPNN)、支持向量机(SVM)、ELM和PSO-ELM等预测模型进行对比分析。结果表明:所提模型的E_(mape)、E_(rmse)、E_(dc)、E_(qr)和E_(re)等性能评价指标明显优于上述4种模型;5种预测模型在D1数据集上的预测效果整体上胜于D2。

基于改进深度信念网络模型的中长期径流预测

为提高流域中长期径流预测效果,提出径流综合指数构建、因子筛选和改进深度信念网络模型相结合的预测方法。首先研究不同水文站点(细粒度)月平均径流的一致性,构造流域径流综合指数(粗粒度),在较宏观层面研究流域水情丰枯变化;接着采用基于信息熵的因子筛选方法,获得影响流域水情丰枯变化的关键因子集,形成深度学习的输入;然后利用改进的深度信念网络(IDBN)模型进行预测。以雅砻江流域为例,将所建模型与多元线性回归、自回归移动平均、反向传播(BP)神经网络、支持向量机和传统深度信念网络等预测模型进行对比分析。结果表明:所提方法具有较好的实用性,且IDBN模型具有更好的预测速度和精度。研究结果可为流域中长期径流变化趋势预测提供参考。