基于两阶段粒子群优化算法的新型逐步分解集成径流预测模型
传统分解集成径流预测模型首先将整个径流序列分解成若干个子序列,再将这些子序列划分为训练期和验证期进行建模,错误地将验证期内预报因子数据视作已知数据处理,难以应用于实际径流预报工作中.并且,这类模型的预测结果仅为一个确定数值,难以描述由于径流序列随机性和波动性而导致的预测不确定性.为解决以上问题,本文结合变分模态分解方法、支持向量机模型和核密度估计方法,提出了一种可同时进行点预测和区间预测的新型逐步分解集成(VMD-SVM-KDE)模型,并提出了一种两阶段粒子群优化(TSCPSO)算法来优化模型参数.选用黄河流域月径流数据评估模型性能,研究结果表明:(1)VMD-SVM-KDE模型将单一SVM-KDE模型的确定系数(R2)和纳什效率系数(NSE)值由0.145～0.630提升至0.872～0.921,区间平均偏差(INAD)值由0.046～95.844降低至0.005～0.034,说明VMD-SVM-KDE模型显著改进了单一SVM-KDE模型的点预测和区间预测性能;(2)相较于一阶段PSO算法,TSCPSO优化算法将单一模型的R2和NSE值由0.145～0.480提升至0.309～0.630,INAD值由48.813～95.844降低至0.046～0.195,将分解集成模型的R2和NSE值由0.872～0.912提升至0.876～0.921,INAD值由0.007～0.034降低至0.005～0.014,说明TSCPSO优化算法可以克服SVM的过拟合问题,并能提高单一模型和分解集成模型的预测精度;(3)VMD-SVM-KDE-TSCPSO有效解决了传统分解集成预测模型存在的错误使用验证期内预报因子数据的问题,并在各站的R2和NSE值均约为0.9,INAD值的范围为0.005～0.014,具有更高的点预测和区间预测精度.文中模型可为优化径流预测模型和非平稳非线性水文序列预报提供新思路.
径流预测、区间预测、分解集成模型、两阶段粒子群优化算法、变分模态分解、支持向量机
53
P338(水文科学（水界物理学）)
国家自然科学基金52079110
2023-02-10（万方平台首次上网日期，不代表论文的发表时间）
共11页
1456-1466
