基于EEMD-SVM-ELM模型的月降水量预测研究

针对地表降水量数据的非线性、非平稳特征,首先利用EEMD对月降水量初始数据进行分解,再利用Lempel-Ziv复杂度算法将分量划分为高频及低频分量,使用粒子群算法(PSO)优化基学习器参数,最终构建EEMD-SVR-ELM月降水量预测模型,并采用该模型对长江下游部分城市的月降水量实际数据进行预测。结果表明,该模型的综合性能最优,具有更高的精确度。相较于单一模型,在M_(MAE)、R_(RMSE)、M_(MAPE)指标上分别降低了37.4%、41.4%、42.5%,DM检验表明该模型显著优于其他模型,说明该模型可作为月降水量预测的一种有效新方法。

基于WD-COA-LSTM模型的月降水量预测

为进一步提高月降水量预测精度,提出了基于小波分解(WD)和郊狼优化(COA)算法的长短期记忆神经网络(LSTM)降水量预测模型(WD-COA-LSTM)。首先用小波分解对时间序列进行预处理,消除序列的非平稳性,得到1个低频序列和3个高频序列;然后通过郊狼优化算法对神经网络(LSTM)模型进行参数优化;最后将各子序列预测值叠加得到月降水量预测值。将提出的模型应用于洛阳市栾川县白土镇和洛宁县故县镇两个雨量站的月降水量预测中,并与LSTM、COA-LSTM、WD-LSTM模型预测结果进行对比。结果表明:提出的WD-COA-LSTM模型的预测精度最高,说明小波分解和郊狼优化算法能有效加强LSTM模型预测的精度和泛化能力,为月降水量的预测提供了一种新的途径。

月降水量预测的粒子群-小波神经网络模型

为了提高月降水量预测精度和处理神经网络隐藏层神经元个数优化问题,提出了一种基于粒子群优化的小波多神经网络模型,并将其应用于洞庭湖流域月降水量的预测。首先,将大尺度气候指数和标准化月降水量作为预测因子在不同时间尺度上分解,然后使用多个基于粒子群算法以确定各隐藏层神经元个数的cascade-forward(CF)神经网络,用以对各频率下的标准月降水量子序列分别进行预测,最后通过重构和逆标准化得到月降水量预测值。结果表明:基于粒子群优化的小波多神经网络的预测精度高于小波单神经网络的预测精度,并且对极端月降水量的预测也有所改善。

基于多侧面多分类器融合的月降水量预测

针对降水量影响因子多、彼此之间关系复杂、预测难度大的特点,提出一种基于多侧面集成学习方法的降水量预测模型。采用多侧面递进算法对数据进行特征提取,得到多个特征子集(多个侧面),且在特征子空间上建立预测模型,对未知样本进行分类预测,并利用专家投票的大多数规则对预测结果进行组合。实验表明,该方法具有较高的预测准确率。

基于混沌优化GMDH网络的月降水量预测

为提高降水量预测的精确度,介绍了一种基于混沌优化的GMDH网络预测方法,该方法利用混沌优化算法全局搜索GMDH网络的初始权值,并利用优化后的GMDH网络建立预测模型对月降水量进行预测。结果表明:该方法能加快GMDH网络结构稳定的速度,使算法快速收敛到全局最优解,对月降水量的动态预报具有一定的实用价值。

奇异谱分析-支持向量回归机耦合模型在月降水量预测中的应用研究

以辽宁省某气象站为研究对象,其月降水量的数据的处理利用奇异谱分析,并以此提取多个子序列,然后针对不同子序列采用支持向量回归机构建耦合预测模型SSA-SVR,对模型输出结果求和即为预测结果;最后采用耦合模型SSA-SVR、小波分析预测模型WA-SVR、支持回归机模型SVR对不同步长的月降雨量进行预测。研究表明:所构建的SSA-SVR耦合模型其预测结果具有较高的精度和准确性,能较好地揭示出研究区域的月降水量变化特征,预测结果与实测值具有保持高度的一致性。

基于注意力机制与LSTM-CCN的月降水量预测

针对现有月降水量预测方法预测准确性不高的问题,提出一种基于注意力机制与LSTM-CCN的月降水量预测方法。首先,利用长短时记忆神经网络(long short-term memory neural network,LSTM)提取气象数据在时间维度的特征分布,从时间相关性方面捕获相邻时间段或长距离气象数据段中的统计分布;其次,利用因果卷积神经网络(causal convolutional network,CCN)将气象数据映射到空间维度,深层次地从空间维度捕获气象数据在空间中的特征统计分布;再次,以并联的方式将时间和空间特征作为交叉注意力网络的输入,构造融合的时空特征;最后,以长短时记忆神经网络构造解码器,并将融合的时空特征作为解码器的输入,预测的月降水量作为输出。选取河南省新乡市2001~2017年数据集进行测试,结果表明:所提出方法的均方根误差仅为13.08 mm,相比主流方法具有更低的预测误差。研究成果可为提高气象预测的准确性和实用性提供参考。

广西2004年7月降水量异常偏多成因及预测分析

介绍了广西2004年7月降水的概况;分析了广西2004年7月降水异常多雨的成因;给出了2004年7月降水短期气候预测基本思路及各种预测方法;并进一步讨论了该月降水量预测决策中有关的经验及教训。

局域法邻近点选取对降雨量预测精度影响研究

基于混沌理论的局域法对非线性、非平稳的降雨系统的预测较为适用,而邻近点个数与混沌局域法预测精度密切相关,但在运用该模型对降雨量预测时却鲜有人考虑邻近点个数问题,邻近点个数选择过少可能将历史运动趋势忽略,选取过多将加大计算量,甚至引入伪邻近点,导致预测精度降低。鉴于此,研究了BIC信息准则用于混沌局域法的邻近点个数的确定,并采用实测月降雨量数据验证所提出方法。结果表明,运用BIC信息准则优选邻近点能显著提高月降雨量预测精度,预测的平均绝对误差由3.640%降低到2.511%。

长江上游月降水人工神经网络预测模型

长江上游月降水量预测对于三峡库区及整个长江流域水资源管理具有重要意义。根据长江上游不同气候区降水差异,选取玉树、九龙和宜宾3个代表性气象站点近60a的月降水量数据,运用反向传播神经网络、径向基函数神经网络、广义回归神经网络和多元线性回归法,确定降水时滞和降水月份,建立月降水预测模型,来预测未来一个月的降水量,并采用均方误差和判定系数来验证和对比各种模型的模拟效果。结果显示:人工神经网络模型总体上优于多元线性回归,特别是反向传播神经网络的模拟结果各站表现较好,在确定合理的输入变量和网络结构后,可以尝试作为长江上游各站月降水预测模型。