基于马尔科夫链的BP-SVM模型的径流预测

为提高年径流预测的精度,以呼兰河下游兰西水文站1959—2014年的年径流数据作为输出,相应的流域气象数据作为输入,将BP神经网络和支持向量机(SVM)相结合,构建基于马尔科夫链修正的BP-SVM预测模型,运用该模型对呼兰河流域的年径流进行预测。采用哈里斯鹰群算法(HHO)优化支持向量机参数,构建HHO-SVM模型,并进行年径流预测,利用训练好的BP神经网络对年径流进行预测,分别运用马尔科夫链对两种模型的预测结果进行修正,通过最小二乘法确定模型组合权重,将两模型的预测结果进行组合,得到最终的年径流预测值。研究结果表明:HHO-SVM模型预测结果优于BP神经网络预测值;经马尔科夫链修正后,BP神经网络预测值精度提高较大,经最小二乘法组合后的预测结果平均相对误差为11.36%,确定性系数为0.95,合格率达90.91%。哈里斯鹰群算法(HHO)能较好的解决支持向量机参数优化问题,马尔科夫链的修正在一定程度能提高了各个模型的预测精度,提出的混合模型为年径流预测提供了一种新的方法。

Responses of River Runoff to Climate Change Based on Nonlinear Mixed Regression Model in Chaohe River Basin of Hebei Province, China

Taking the nonlinear nature of runoff system into account,and combining auto-regression method and multi-regression method,a Nonlinear Mixed Regression Model (NMR) was established to analyze the impact of temperature and precipitation changes on annual river runoff process. The model was calibrated and verified by using BP neural network with observed meteorological and runoff data from Daiying Hydrological Station in the Chaohe River of Hebei Province in 1956–2000. Compared with auto-regression model,linear multi-regression model and linear mixed regression model,NMR can improve forecasting precision remarkably. Therefore,the simulation of climate change scenarios was carried out by NMR. The results show that the nonlinear mixed regression model can simulate annual river runoff well.

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt(LM)算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.

基于BP神经网络的干旱区多组分径流模拟

西北干旱区内陆河流的地表径流是宝贵的可利用水资源,但是由于径流组成的复杂性导致径流模拟复杂,难以满足实际应用的需要。应用Back-Propagation(BP)神经网络结合Snowmelt-Runoff Model(SRM)融雪径流模型中度日因子法对新疆开都河流域进行径流过程分析,模拟取得较好结果,同时发现:①日平均气温是影响目标流域径流量和过程的主要影响因子;②使用自相关系数法处理日均流量序列对全年日均流量模拟精度均有明显提升,尤其对普通输入无法有效模拟的目标流域融雪时间段(3—5月)的日均流量改进显著。为西北干旱区冰川、融雪和降水复合补给的径流的快速模拟提供了新的途径,也为水资源的合理利用提供了有效参考。

基于最小二乘支持向量机的开都河径流预测

简述支持向量的回归分析,支持向量机自回归预测模型结构及预测方法,利用开都河大山口水文站52 a的径流资料,采用最小二乘支持向量机方法对径流进行模拟预测,并与BP神经网络方法进行对比分析,其计算结果相对略好。

灰色人工神经网络模型及其在和田河径流预测中的应用

针对GM(1,1)模型在原始数据变化幅度较大且趋势不明显时,预测效果差的情况,提出了用人工神经网络对GM(1,1)模型的残差系列进行修正的改进模型,并将其应用于和田河径流变化预测中。结果表明,该方法提高了模型精度,为分析和田河径流变化趋势提供了有效的方法。

月径流预报建模方法对比分析——以嘉陵江北碚站为例

为提高径流预报的精度,以嘉陵江流域北碚水文站为例,选取1979~2019年径流资料,对比分析月径流预报多种建模方法的预报性能。选择时间序列法作为单变量预报模型的方法,随机森林、BP神经网络和多元线性回归作为多变量预报模型的方法,并应用时变权重进行组合预报,对比单变量与多变量、单一与组合模型预报结果。结果表明:①多变量预报模型预报效果更优,与时间序列模型相比,其平均绝对百分比误差减少约20%;②随机森林与BP神经网络这两种机器学习方法在单一模型中具有更好的预测能力;③时变权重组合预报方法能有效结合单一模型的优点,进一步提高预报精度。研究成果可为中长期径流预报的建模策略制定提供参考。

秃尾河流域年径流变化特性分析

对流域径流的变化规律进行准确地分析及合理地预测对流域水资源的合理开发、水利工程的建设以及社会经济的发展具有重要的指导意义。利用Mann-Kendall秩次相关检验法和小波分析理论对秃尾河流域的径流变化规律进行分析研究,并建立BP神经网络模型对径流变化进行预测分析。结果表明:秃尾河流域年径流量变化总体上有明显的下降趋势;从小波系数图可以看出年径流过程主要存在2年、8年和19年左右的变化周期,其中19年左右时间尺度为第一主周期,同时发现目前年径流处在枯水期后期,水量有转向增加的趋势;采用BP神经网络法对秃尾河流域高家川站年径流量进行预测,预测结果相对误差仅为5.92%,说明所建立的BP神经网络模型用于该流域的年径流预测得精度较高,是一种有效地年径流预测方法。