不同模态分解方法结合LSTM模型对日径流预报的影响

针对日径流序列不平稳性与波动性的特点,尝试将模态分解和深度学习组合预测方法引入至日径流预报。首先,采用完整集合经验模态分解方法对日径流时间序列进行分解,得到不同频率成分的模态分量;其次,为不同的模态分量构建长短期记忆神经网络日径流预测模型,并采用网格搜索参数寻优算法优化预报模型的超参数;最后将各模型预报结果进行模态重组获得日径流预报结果。以宜昌水文站日径流预报为研究实例,所构建的组合模型较单一长短期记忆神经网络的和分别降低了65.02%、58.35%与2.88%,且运用完整集合经验模态分解方法的分解效果优于传统的模态分解方法,为短时间尺度下的非线性和非平稳的日径流预报提供了新的方法和参考。

基于小波包分解的EHO-ELM与EHO-DELM日径流多步预报模型研究

为提高日径流时间序列多步预报精度,基于小波包分解(Wavelet Packet Decomposition,WPD)方法、象群优化(Elephant Herding Optimization,EHO)算法和极限学习机(Extreme Learning Machine,ELM)、深度极限学习机(Eeep Extreme Learning Machine,DELM)两种预测器,研究提出WPD-EHO-ELM、WPD-EHO-DELM日径流时间序列混合预报模型,并应用于云南省景东水文站日径流时间序列多步预报。首先利用2层WPD将日径流时序数据分解为4个子序列分量,达到降低日径流序列数据复杂性和不平稳性的目的;其次在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入向量;最后介绍EHO算法原理,分别利用EHO优化ELM、DELM输入层权值和隐含层偏值,建立WPD-EHOELM、WPD-EHO-DELM模型对各子序列分量进行多步预测,将预测结果加和重构得到最终日径流多步预报结果。并构建基于小波(Wavelet Decomposition,WD)分解的WD-EHO-ELM、WD-EHO-DELM模型和未经分解的EHO-ELM、EHODELM模型作对比分析模型。结果表明:(1)WPD-EHO-ELM、WPD-EHO-DELM模型对实例预见期为1~5 d日径流预报的平均绝对百分比误差≤9.44%,合格率≥89.2%,确定性系数≥0.99,精度等级均为甲级,预报效果均优于WD-EHO-ELM等其他模型。其中预见期为1~3 d日径流预报的平均绝对百分比误差≤1.81%、合格率100%,确定性系数≥0.999 6,预报效果最理想。(2)WPD-EHO-ELM、WPD-EHO-DELM模型能充分发挥WPD分解、EHO算法和ELM、DELM网络优势,表现出较高的预报精度和稳定性能,预报精度随着预见期天数的增加而降低。(3)模型及方法可为实现日径流时间序列多步预报和精准预报提供新途径。

基于改进PSO-NN的径流水位预报研究

为了提高河流日径流水位预报的精确度,针对粒子群算法和神经网络存在的缺陷,提出一种新的粒子群算法进化三层前馈神经网络的连接权系和阈值,并以此建立逐日径流水位预报模型.该算法采用跟随变异粒子扰动变化的惯性权重和学习因子来提高粒子群算法的局部、全局搜索性能和收敛速度.实验仿真结果表明,在收敛速度和预测的精确度上,该模型明显优于其他对比模型,为获得更高预测精度的径流水位预报提供了一种有效的建模方法 .