基于指数核函数高斯过程回归的短期径流预测研究

径流预测有助于流域水资源综合高效调配和防洪减灾调度,如何精准地开展短期径流预测一直是水文水资源研究领域的重点。高斯过程回归(GPR)凭借其针对复杂非线性回归问题的泛化能力,已在水文过程长中短期预测研究中得到成功应用。而GPR回归分析能力不仅取决于模型参数,还受核函数影响。为此,研究分析了不同核函数作用下GPR预测模型效果,提出了基于指数核函数GPR的流域短期径流预测模型。首先通过多重相关性系数分析筛选相关性系数大且时段最短的预测因子组合,然后分别选用有理二次、径向基、马顿和指数核函数建立不同的GPR短期径流预测模型,同时加入了MLR、RT、SVM、BP等模型方法的预测结果作为对比。以赣江流域吉安水文站短期径流预测(预测步长为6 h,预见期为7 d)为例开展实例分析,相关实验结果表明:①应用不同核函数的GPR模型预测结果表现存在明显差异,不同方法预测表现由好到差分别为指数GPR、有理二次GPR、RT、马顿GPR、径向基GPR、SVM、MLR、BP;②指数GPR预测模型28时段的4项评价指标均表现最佳,DC和QR分别接近1和100%,预报精度达到甲级以上。综上,研究验证了指数核函数GPR短期径流预测模型的有效性和普适性,模型预测精度满足实际工程应用需求,具备实际应用价值。

自我调节蚁群-RBF神经网络模型在短期径流预测中的应用

为提高短期径流预测精度,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑气象、天气、季节、降雨等影响因素,对上马水库进行径流预测。仿真表明,该方法克服了RBF神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了短期径流预测的精度,预测相对误差小于3%。可有效用于短期径流预测。