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.