基于深度学习神经网络超参数优化的入库径流预测方法研究——以云南省暮底河水库为例

准确的入库日径流预测在水库优化调度中发挥着重要作用.为提高日径流预测精度,提出了基于小波包变换(WPT)并结合了白鲨优化(WSO)算法的门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)日径流时间序列预测模型,以云南省暮底河水库2018—2020年入库日径流时间序列预测为例对各模型进行检验.首先利用WPT将日径流时序数据分解为若干子序列分量;其次引入WSO对GRU、LSTM、CNN超参数进行调优,建立WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型;最后利用所建立的模型对各子序列分量进行预测及加和重构,并构建WPT-GRU、WPT-LSTM、WPT-CNN及基于BP神经网络的WPT-WSO-BP、WPT-BP作对比分析模型.结果表明:WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型对实例日径流预测的平均绝对百分比误差EMAP分别为3.67%、5.52%、8.98%,平均绝对误差EMA分别为0.120、0.155、0.329 m^(3)/s,确定性系数DC分别为0.996 2、0.995 7、0.974 0 s,预报合格率RQ分别为98.1%、96.4%、89.6%,预测效果优于对应未经WSO调优的WPT-GRU、WPT-LSTM、WPT-CNN模型及WPT-WSO-BP、WPT-BP模型,其中WPT-WSO-GRU模型具有更高的预测精度和更好的泛化能力,WPT-WSO-LSTM模型次之.WSO能有效调优GRU、LSTM、CNN超参数,提高GRU、LSTM、CNN预测性能.WPT-WSO-GRU、WPT-WSO-LSTM模型在入库日径流时间序列预测研究中具有较好的应用前景.

基于改进BP神经网络模型的云南文山州水资源脆弱性综合评价

利用层次分析法构建符合丰水地区水资源脆弱性评价的指标体系和等级标准,分别构建基于单、双隐层BP神经网络技术的区域水资源脆弱性综合评价模型,并采用内插法构造网络训练样本,将水资源脆弱性分级评价标准值作为"评价"样本,对云南文山州区域水资源脆弱性进行评价分析。结果表明:①单、双隐层BP神经网络模型对区域水资源脆弱性综合评价结果基本相同,说明研究建立的区域水资源脆弱性评价模型和评价方法均是合理可行的,与单隐层网络相比,双隐层网络泛化能力强,预测精度高,但训练时间较长;②文山州各评价区域不同规划水平年水资源脆弱性评价等级为Ⅲ—Ⅴ级,即处于中度脆弱与不脆弱之间,客观反映了该州水资源脆弱性状况,符合区域实际情况。评价结果可以作为研究和评价区域水资源脆弱性的参考依据。

文山州近10年水资源利用效率评价SLC-PP模型及应用

为科学、客观地评价区域水资源利用效率,提出足球联赛竞争(SLC)-投影寻踪(PP)水资源利用效率评价模型,以文山州2006—2015年水资源利用效率评价为例进行实例分析。通过6个典型高维测试函数对SLC算法进行验证,并将仿真结果与教学优化(TLBO)算法、灰狼优化(GWO)算法、差分进化(DE)算法、混合蛙跳算法(SFLA)、粒子群优化(PSO)算法和帝国竞争算法(ICA)的寻优结果进行比较。从综合、工业、农业、生活和生态环境用水5个方面选取23个指标构建水资源利用效率评价指标体系,应用SLC-PP模型,并基于投影系列均值z及标准差σ构造低水平、较低水平、中等水平、较高水平和高水平5个等级的水资源利用效率评价标准对实例进行评价,并分析近10年的水资源利用效率变化趋势。结果表明:(a)无论是单峰还是多峰函数,SLC算法寻优精度优于TLBO和GWO算法,远优于DE、SFLA、PSO和ICA算法,具有寻优精度高、收敛速度快、极值寻优能力强以及收敛稳定性与可靠性好等特点。(b)SLC-PP模型对实例水资源利用效率评价结果均为:2006—2007年处于低水平,2008—2012年处于中等水平,2013—2015年处于较高水平,水资源利用效率随时间呈提升趋势,且提升趋势显著。

基于新型蝙蝠算法-投影寻踪模型的文山州水量分配方法

基于公平和效率原则,构建文山州水量分配指标体系和水量分配投影寻踪(PP)模型。针对PP模型最佳投影方向难以确定的不足,利用新型蝙蝠算法(NBA)搜寻PP模型最佳投影方向,构建NBA-PP水量分配模型对文山州8县(市)水量进行分配。通过5个典型测试函数对NBA算法进行仿真验证,仿真结果与基本蝙蝠算法(BA)、人工蜂群算法(ABC)、布谷鸟搜索(CS)算法和差分进化算法(DE)进行对比。结果表明:通过引入生境选择策略及自适应补偿回声多普勒效应机制的NBA算法能有效平衡全局搜索和局部开发能力,寻优效果优于DE、CS、ABC和BA算法,具有较快的收敛速度、较高的寻优精度和较好的收敛稳定性与收敛可靠性;NBA-PP模型水量分配结果较目前分类权重法分配结果更科学、客观。

基于WDO-PP模型的文山州近10年水资源承载力评价

利用6个典型测试函数对新型优化算法——风力驱动优化(WDO)算法进行仿真验证,将仿真结果与布谷鸟搜索(CS)算法、差分进化(DE)算法、混合蛙跳算法(SFLA)、粒子群优化(PSO)算法、蚁群优化(ACO)算法、帝国竞争算法(ICA)和模拟退火算法(SA)的寻优结果进行比较。选取水资源开发利用率、降水量等10个评价指标,运用风力驱动投影寻踪(WDO-PP)模型计算文山州2006—2015年的水资源承载力,并对其变化趋势及规划水平年2020年、2030年水资源承载力进行预测及评价分析。结果表明:1无论是单峰还是多峰函数,WDO算法寻优效果远优于CS、DE、SFLA、PSO、ACO、ICA和SA算法,具有较好的寻优精度、收敛速度、极值寻优能力以及收敛稳定性与可靠性。2文山州2006—2014年水资源承载力评价结果均为基本可承载(Ⅲ级),2015年评价结果为可承载(Ⅱ级)。水资源承载力随时间呈提升趋势,且提升趋势显著。规划水平年2020年、2030年水资源承载力预测评价结果分别为可承载(Ⅱ级)和绝对可承载(Ⅰ级)。

云南省水安全区域类型识别TSA-PP模型及应用

为科学识别云南省16个州市的水安全区域类型,提出了树-种算法(TSA)-投影寻踪(PP)识别模型。选取了4个典型测试函数对TSA进行仿真验证,并将验证结果与人工蜂群(ABC)算法、布谷鸟搜索(CS)算法等6种算法的仿真结果进行了对比。以云南省为研究对象从水资源条件、经济社会条件和水环境条件中遴选出了27个指标构建区域水安全类型识别指标体系和分级标准,在各分级标准阈值间采用随机内插的方法生成样本;同时,构建了基于水资源、经济社会和水环境条件的投影指标函数,并分别采用TSA搜索最优投影向量,计算云南省内各州市的综合投影值以及各分级标准阈值的投影值,然后利用分级标准阈值投影值对各行政区的水安全区域类型进行识别。结果表明:TSA寻优精度优于ABC、CS等6种算法,具有较好的收敛精度、极值寻优能力和收敛稳健性能。TSA-PP模型对云南省各州市的水安全类型识别结果为:昆明市、玉溪市为"中度缺水-较发达-中等"型;楚雄州、大理州为"严重缺水-中度发达-较差"型;西双版纳、迪庆州为"中度缺水-中度发达-中等"型;丽江市为"严重缺水-中度发达-中等"型;德宏州为"轻度缺水-中度发达-中等"型;怒江州为"轻度缺水-中度发达-较差"型;其他州市被识别为"中度缺水-中度发达-较差"型。

水循环算法-投影寻踪模型在水环境承载力评价中的应用——以文山州为例

利用4个典型测试函数对水循环算法(WCA)进行仿真验证,仿真结果与文化算法(CA)、布谷鸟搜索(CS)算法和粒子群优化(PSO)算法的仿真结果进行比较.从水资源、水污染、社会经济3个系统遴选12个指标构建区域水环境承载力评价指标体系,利用WCA优化PP模型最佳投影方向,提出WCA-PP水环境承载力动态评价模型,并构建CA-PP、CS-PP和PSO-PP模型作对比,以文山州2006~2015年水环境承载力动态评价为例进行实例验证.结果表明:无论是单峰还是多峰函数,WCA寻优精度与收敛稳定性均优于CA、CS和PSO算法,具有较好的收敛速度、求解精度和极值寻优能力;WCA优化PP模型获得的适应度值为1 248.202 6,均优于CA、CS和PSO算法.WCA-PP模型对实例2006~2011年水环境承载力评价为"基本可承载",2012~2015年评价为"可承载";水环境承载力随时间呈提升趋势,且提升趋势显著.WCA-PP模型对实例的评价及排序结果与CS-PP模型相同,与CA-PP模型在各年度排序上存在差异,与PSO-PP模型在评价及排序上均存在差异.实例验证了智能算法的优化性能决定了评价精度的高低.模型及验证方法具有实际应用价值,可为区域水环境承载力计算分析提供新的思路和方法.

蝙蝠算法-投影寻踪模型在旱灾评估中的应用——以文山州为例

针对投影寻踪(PP)模型在实际应用中最佳投影方向α难以确定的不足,利用蝙蝠算法(BA)搜寻PP模型最佳投影方向α,提出BA-PP评估模型,并同PSO-PP模型作对比,以文山州1990—2013年旱灾评估为例进行实例研究,选取农作物受灾面积、成灾面积、粮食损失和经济作物损失4个旱灾评估基本指标,并利用旱灾投影系列均值Z及标准差σ构造旱灾评估分级标准对实例进行评估。结果表明:1BA算法收敛精度优于PSO算法,具有较高的寻优精度和全局寻优能力,将BA算法用于PP模型佳投影方向α的选取,可有效提高PP模型评估精度,避免最佳投影方向α寻优结果变化范围过大的缺陷;2BA-PP模型对文山州24 a来旱灾评估结果为特大旱灾3次,重大旱灾5次,较大旱灾16次,平均3 a发生一次重大旱灾,旱灾程度随时间呈增加趋势,且增加趋势显著。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于WPT-ISO-RELM模型的月径流时间序列预测研究

为提高月径流时间序列的预测精度,提升基本蛇群优化(SO)算法搜索能力,同时提升正则化极限学习机(RELM)预测性能,提出了小波包变换(WPT)-改进蛇群优化(ISO)算法-RELM预测模型。首先,利用WPT将月径流时间序列分解为低频分量和高频分量;其次,通过构建8个RELM超参数寻优适应度函数对ISO寻优能力进行检验,并与SO算法、灰狼优化(GWO)算法、变色龙群算法(CSA)、鲸鱼优化算法(WOA)、樽海鞘群体算法(SSA)、侏獴优化算法(DMO)、粒子群优化算法(PSO)的优化结果作对比;最后,建立WPT-ISO-RELM模型,并构建包含WPT-SO-RELM在内的17种模型作对比模型,通过黑河流域莺落峡水文站、讨赖河水文站2个月径流预测实例对各模型进行验证。结果表明:①ISO寻优精度优于SO、GWO、CSA、WOA、SSA、DMO、PSO,通过关键参数的改进,能有效提升ISO的极值寻优能力和平衡能力;②WPT-ISO-RELM模型对莺落峡水文站、讨赖河水文站月径流预测的平均绝对百分比误差分别为0.854%、0.447%,平均绝对误差分别为0.245、0.068 m^(3)/s,纳什效率系数均在0.9999以上,优于其他对比模型,具有更高的预测精度和更好的稳健性;③ISO对于高维和低维问题均具有较好的优化效果,算法寻优能力对提升RELM预测精度十分关键,算法优化性能越强,寻优精度越高,由此获得的RELM超参数越优,所构建的模型预测性能越好。

基于WPT-ARO-DBN/WPT-EPO-DBN模型的月含沙量多步预测

准确的含沙量多步预测对于区域水土流失治理、防洪减灾等具有重要意义。为提高含沙量多步预测精度,改进深度信念网络(DBN)的预测性能,基于小波包变换(WPT),分别提出人工兔优化(ARO)算法、鹰栖息优化(EPO)算法与DBN组合的月含沙量多步预测模型,通过云南省龙潭站月含沙量时序数据对模型进行验证。首先利用WPT对实例月含沙量时序数据进行3层分解处理,得到8个更具规律的子序列分量;其次介绍ARO、EPO算法原理,利用ARO、EPO对DBN隐藏层神经元数等超参数进行寻优,建立WPT-ARO-DBN、WPT-EPO-DBN预测模型,并构建WPT-PSO(粒子群算法)-DBN、WPT-DBN作对比分析模型;最后利用4种模型对各子序列分量进行预测,将预测值叠加得到最终月含沙量多步预测结果。结果表明:(1)WPT-ARO-DBN、WPT-EPO-DBN模型对实例超前1步—超前4步月含沙量具有满意的预测效果,对超前5步具有较好的预测结果,对超前6步、超前7步的预测效果一般,对超前8步的预测精度较差,已不能满足预测精度需求;(2)WPT-ARO-DBN、WPT-EPO-DBN模型的多步预测效果要优于WPT-PSO-DBN模型,远优于WPT-DBN模型,具有更高的预测精度、更好的泛化能力和更大的预测步长;(3)ARO、EPO能有效优化DBN超参数,提高DBN预测性能,优化效果优于PSO,WPT-ARO-DBN、WPT-EPO-DBN模型能充分发挥WPT、新型群体智能算法和DBN网络优势,提高月含沙量多步预测精度,且预测精度随着预测步数的增加而降低。

基于WPD-AHA-ELM模型的水质时间序列多步预测

根据水质时间序列多尺度、非平稳特性,并基于“分解-预测-重构”思想,提出小波包分解(WPD)-人工蜂鸟算法(AHA)-极限学习机(ELM)组合多步预测模型,并应用于云南省昆明西苑隧道断面pH值、CODmn、DO、NH_(3)-N多步预测.首先介绍AHA原理,在不同维度条件下选取6个典型函数对AHA进行仿真测试,并与灰狼优化(GWO)算法、旗鱼优化(SFO)算法、粒子群优化(PSO)算法的仿真结果进行比较;其次利用WPD对水质时序数据进行小波包分解,以降低水质序列数据的复杂度;并在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入、输出;最后通过各分量训练样本构建ELM适应度函数,采用AHA对适应度函数进行寻优,利用寻优获得的最佳ELM输入层权值和隐含层偏值建立WPD-AHA-ELM模型对各子序列分量进行超前1步至超前5步预测,将预测结果加和重构得到最终多步预测结果.结果表明:AHA具有较好的寻优精度和全局搜索能力,寻优精度优于GWO、SFO、PSO算法.WPD-AHA-ELM模型对实例断面pH、CODmn、DO、NH_(3)-N超前1步至超前5步预测的平均绝对百分比误差分别在0.05%~1.23%、0.10%~3.15%、0.13%~3.67%、0.65%~10.6%之间,具有较小的预测误差,其中尤以超前1步至超前3步的预测效果最好.WPD-AHA-ELM模型预测精度随着超前预测步数的增加而降低.

若干新型群体智能算法优化高斯过程回归的年降水量预测

为提高年降水量预测精度,提出一种基于小波包变换(WPT)和孔雀优化算法(POA)、沙猫优化(SCSO)算法、猎豹优化(CO)算法优化的高斯过程回归(GPR)预测模型,并将其应用于文山州年降水量预测研究。首先,利用WPT将实例1956-2021年降水量时间序列分解为1个周期项分量和3个波动项分量;其次,简要介绍POA、SCSO、CO算法原理,利用POA、SCSO、CO分别优化GPR超参数,建立WPT-POA-GPR、WPT-SCSOGPR、WPT-CO-GPR模型;最后,利用所建立的3种模型对年降水量周期项分量和波动项分量进行预测,将4个分量的预测结果加和重构后得到最终预测结果,并构建基于支持向量机(SVM)的WPT-POA-SVM、WPT-SCSOSVM、WPT-CO-SVM模型、基于RBF神经网络的WPT-POA-RBF、WPT-SCSO-RBF、WPT-CO-RBF模型和未经优化的WPT-GPR模型作对比分析模型。结果表明:①WPT-POA-GPR、WPT-SCSO-GPR、WPT-CO-GPR模型对年降水量预测的平均绝对百分比误差MAPE分别为0.52%、0.46%、0.48%,平均绝对误差MAE分别为5.80 mm、5.31 mm、5.25 mm,均方根误差RMSE分别为8.20 mm、7.72 mm、7.83 mm,确定性系数DC>0.99,预测效果优于其他7种模型,具有更高的预测精度和更好的泛化能力。②POA、SCSO、CO能有效优化GPR超参数,显著提高GPR预测性能。③所构建的3种模型具有普适性,为降水等时间序列预测研究提供参考。

基于数据处理与若干群体算法优化的GRU/LSTM水质时间序列预测

为提高水质时间序列预测精度,提出一种基于小波包变换(WPT)和变色龙优化算法(CSA)、猎豹优化(CO)算法和山瞪羚优化(MGO)算法的优化门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)的预测模型。首先利用WPT对pH值、DO、COD_(Mn)、NH_(3)-N时间序列进行平稳化处理,得到若干个规律性较强的子序列分量;其次简要介绍了CSA、CO、MGO算法原理,利用CSA、CO、MGO分别寻优GRU、LSTM超参数,建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型;最后利用所建立的模型对pH值及DO、COD_(Mn)、NH_(3)-N浓度各分量进行预测和重构,并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型,以云南省昆明市观音山断面为例,通过pH值及DO、COD_(Mn)、NH_(3)-N浓度预测对模型进行了验证。结果表明:WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、COD_(Mn)、NH_(3)-N浓度的预测精度优于其他对比模型,具有较好的预测效果,其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高;CSA、CO、MGO能有效调优GRU、LSTM超参数,显著提高GRU、LSTM预测性能;所构建的6种模型预测精度高且计算规模小,是有效的水质时间序列预测模型,可为相关水质预测研究提供参考。

基于WT-HBBO-RBF模型的年径流时间序列预测

利用4个基准函数对HBBO进行仿真测试;采用WT分解处理年径流时序数据;通过突变点检测方法Mann-Kendal(M-K)划分训练、预测样本,构建RBF适应度函数,利用HBBO优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,建立WT-HBBO-RBF模型,并构建WT-HBBO-SVM、WT-HBBO-BP、WT-RBF、WT-SVM、WT-BP、HBBO-RBF、HBBO-SVM、HBBO-BP作为对比分析模型。以云南省龙潭站、落却站年径流时间序列预测实例对模型进行验证的结果表明,HBBO具有较好的寻优精度及全局搜索能力;WT-HBBO-RBF模型对龙潭站、落却站年径流时间序列预测误差小于其他对比模型,具有较好的预测精度和泛化能力;HBBO能有效优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,提高RBF神经网络预测性能;WT能科学降低径流序列的复杂性,提高预测精度。

若干新型智能算法优化极限学习机在区域人水和谐度评价中的应用

为科学量化和评价区域人水和谐度,改进极限学习机(ELM)评价性能,提出野狗优化算法(DOA)、哈里斯鹰优化(HHO)算法、均衡优化(EO)算法、卷尾猴搜索算法(CapSA)、鸽群优化(PIO)算法与ELM融合的人水和谐度评价模型,通过云南省2006-2020年人水和谐度评价实例对模型进行验证.首先,简要介绍5种算法原理,在不同维度条件下选取4个标准函数对DOA、HHO、EO、CapSA、PIO算法进行仿真验证;其次,从水系统健康、经济社会发展、人水系统协调3个方面遴选18个指标构建人水和谐度评价指标体系和等级标准;最后,采用线性内插和随机选取的方法生成样本构建ELM适应度函数,利用DOA、HHO、EO、CapSA、PIO对适应度函数进行寻优,利用寻优获得的最佳ELM超参数建立DOA-ELM、HHO-ELM、EO-ELM、CapSA-ELM、PIO-ELM模型对实例各年度人水和谐度进行评价,结果与模糊综合评价法、ELM评价结果作对比.结果表明:DOA、HHO、EO、CapSA、PIO算法对4个标准函数的寻优精度由优至劣依次是HHO>PIO>DOA>CapSA>EO;对ELM适应度函数的寻优精度由优至劣依次是HHO>DOA>EO>CapSA>PIO.DOA-ELM、HHO-ELM、EO-ELM、CapSA-ELM模型对预测样本预测的平均绝对百分比误差在0.0124%~0.0198%之间,预测精度较PIO-ELM提高26.9%以上,较ELM提高84.6%以上;对实例2006-2011年人水和谐度评价为“不和谐”,2012-2018年评价为“基本和稭”,2019-2020年评价为“较和谐”;近15年来云南省人水和谐度总体上呈上升趋势,且上升趋势显著.DOA、HHO、EO、CapSA、PIO算法均能有效优化ELM超参数,提高ELM预测性能;DOA、HHO、EO、CapSA优化效果要优于PIO算法.

新型群体智能算法优化BIGRU/BILSTM的水资源空间均衡评价

为科学评价云南省2006-2022年及2025年水资源空间均衡状态,建立基于社交网络搜索(SNS)算法、登山队优化(MTBO)算法优化双向门控循环单元(BIGRU)、双向长短时记忆(BILSTM)网络的水资源空间均衡评价模型。首先,从水资源支撑、水资源压力、水资源调控力3个方面遴选15个指标构建水资源空间均衡评价指标体系和等级标准,采用线性内插和随机选取的方法生成样本构建BIGRU、BILSTM适应度函数;其次,简要介绍SNS、MTBO算法原理,利用SNS、MTBO优化BiGRU、BiLSTM隐含层神经元数、学习率(超参数)构建SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBOBILSTM模型,通过不同样本大小和连续10次运行的方法验证SNS-BIGRU等4种模型的稳健性;最后利用SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM模型对云南省2006-2022年及2025年水资源空间均衡进行评价,并与SNS-支持向量机(SVM)、MTBO-SVM和模糊综合评价法的评价结果作对比。结果表明:①所建立的SNS-BIGRU等4种模型具有较好的识别精度和稳健性能;SNS、MTBO能有效优化BIGRU、BILSTM超参数,提升BIGRU、BILSTM预测性能。②SNS-BIGRU等4种模型对云南省2006-2011年水资源空间均衡评价为“不均衡”,2012-2013年评价为“较不均衡”,2014-2018年评价为“临界均衡”,2019-2022年评价为“较均衡”,2025年基本可达到“均衡”水平;4种模型评价结果与SNSSVM、MTBO-SVM、模糊综合评价法有3年存在1个等级的差异。本文构建及提出的模型方法可为水资源空间均衡评价提供参考与借鉴。

WPD-COA-EL M模型在汛期月降水量时间序列预测中的应用研究

针对月降水量时间序列多尺度非平稳性特点,提出小波包分解(WPD)-白骨顶鸟优化算法(COA)-极限学习机(ELM)相融合的降水量预测模型。首先,利用WPD将非平稳月降水量时间序列分解为若干子序列分量;然后在不同维度条件下利用6个典型函数对COA进行仿真测试;利用COA优化ELM输入层权值和隐含层偏值,对每一个子序列分量分别建立COA-ELM模型进行预测,将预测结果叠加重构后即为最终预测结果;最后,以云南省龙潭站汛期和主汛期月降水量数据为例进行实验,并与WPD-COA-BP、WPD-ELM、WPD-BP预测模型进行比较。结果表明:COA在不同维度条件下均具有较好的寻优精度和全局搜索能力。WPD-COA-ELM模型对实例汛期、主汛期月降水量时间序列预测的平均绝对百分比误差分别为3.91%、3.59%,预测精度优于WPD-COA-BP模型,远优于WPD-ELM.WPD-BP模型。WPD能科学降低月降水时间序列数据的复杂性,提高预测效果;COA能有效优化ELM输入层权值和隐含层偏值,提高ELM网络性能。

基于小波包分解的GJO-XGBoost水面蒸发量预测

为提高水面蒸发量预测精度,提出一种基于小波包变换(WPT)、金豺优化(GJO)算法和极端梯度提升(XGBoost)算法相融合的水面蒸发量时间序列预测模型,通过云南省龙潭站、董湖站、西洋站1991—2021年逐月水面蒸发量时序数据对模型进行检验.首先介绍GJO原理,在不同维度条件下选取4个标准函数对GJO进行仿真测试,并与粒子群优化(PSO)算法的仿真结果作对比.其次采用小波包变换(WPT)对逐月水面蒸发量时序数据进行分解处理,构建XGBoost算法输入输出向量.最后引入GJO算法对XGBoost超参数进行调优,建立WPT-GJO-XGBoost模型对各子序列分量进行预测和重构,并构建WPT-PSO-XGBoost、WPT-GJO-SVM、WPT-PSO-SVM、WPT-XGBoost作对比分析模型.结果表明:在不同维条件下GJO算法寻优精度优于PSO算法.WPT-GJO-XGBoost模型对龙潭站、董湖站、西洋站水面蒸发量预测的平均绝对百分比误差分别为5.491%、4.943%、5.024%,平均绝对误差分别为4.70、3.37、3.39 mm,预测精度优于WPT-PSO-XGBoost、WPT-GJO-SVM、WPT-PSO-SVM模型,远优于WPT-XGBoost模型.GJO算法能有效调优XGBoost超参数,提高XGBoost预测性能,超参数调优效果优于PSO算法.

数据分解技术与若干智能算法优化的高斯过程回归总氮预测

总氮(TN)是反映水体污染程度和衡量湖库营养化状态的重要指标之一。为提高TN预测精度,基于经验小波变换(EWT)、小波包变换(WPT)分解技术,分别提出鱼鹰优化算法(OOA)、雾凇优化算法(ROA)、秃鹰搜索(BES)算法、黑寡妇优化算法(BWOA)优化的高斯过程回归(GPR)预测模型。首先分别利用EWT、WPT将TN时间序列分解为若干更具规律的子序列分量;然后简要介绍OOA、ROA、BES、BWOA算法原理,利用OOA、ROA、BES、BWOA优化GPR超参数;最后利用优化获得的最佳超参数建立EWT-OOA-GPR、EWT-ROA-GPR、EWT-BES-GPR、EWT-BWOA-GPR、WPT-OOA-GPR、WPT-ROA-GPR、WPT-BES-GPR、WPT-BWOA-GPR模型(简称EWT-OOA-GPR等8种模型)对TN各分量进行预测,重构后得到最终预测结果,并构建基于小波变换(WT)的WT-OOA-GPR、WT-ROA-GPR、WT-BES-GPR、WT-BWOA-GPR模型,基于支持向量机(SVM)的EWT-OOA-SVM等8种模型,未经优化的EWT-GPR、WPT-GPR模型和未经分解的OOA-GPR、ROA-GPR、BES-GPR、BWOA-GPR模型作对比分析,通过全国重要饮用水水源地暮底河水库2008—2022年月监测TN浓度时序数据对各模型进行验证。结果表明:①EWT-OOA-GPR等8种模型对TN预测的平均绝对百分比误差在0.161%~0.219%,决定系数均为0.9999,优于其他对比模型,具有更高的预测精度和更好的泛化能力;②EWT兼顾WT、EMD优势,WPT能同时分解低频、高频信号,二者均可将TN时序数据分解为更具规律的模态分量,显著提高模型预测精度,分解效果均优于WT方法;③OOA、ROA、BES、BWOA能有效优化GPR超参数,提高GPR预测性能。