基于变分模态分解和贝叶斯神经网络的月径流预测方法研究
径流过程是地球上水文循环中的重要一环,径流来水量的精准预测对于流域的水量调度、水资源规划和管理等方面都具有十分重要的意义。然而由于径流过程的复杂性,以及人类活动的影响,使得在变化环境中精准捕捉月径流的变化规律变得十分困难,只能针对月径流时间序列展开预测。然而由于月径流时间序列中所包含的信息相对单一,构建准确度高的月径流时间序列预测模型往往十分困难。 因此,为了实现对月径流时间序列的有效分析研究,本文将变分模态分解(VariationalModeDecomposition,VMD)和贝叶斯神经网络(BayesianNeuralNetwork,BNN)相结合,设计了能够实现对月径流时间序列进行精准预测的模型,并基于渭河流域咸阳、华县两个水文站的月径流时间序列进行了实例应用研究。具体研究工作主要分为以下两个部分: (1)针对月径流时间序列内部信息特征难于捕捉,以及传统神经网络模型对于样本数据中的先验信息学习不够彻底这两点问题,设计了基于VMD和BNN的月径流时间序列预测模型。基于VMD对噪声良好的鲁棒性和对时序信号精确分解的特性,将月径流时间序列视为一种时序信号,利用VMD方法将月径流时间序列分解为多个相对平稳的固有模态函数(IntrinsicModeFunction,IMF)序列后,再对各个IMF分别进行预测。同时对于以往分解集合模型建模中对于所有IMF分别做预测的割裂模式进行了改进,通过设计一种基于变分推理(VariationalInference,VI)的并行BNN(ParallelBayesianNeuralNetwork,PBNN)预测模块,实现了对于所有IMF的一体化预测,增强了预测模型的整体性。将VMD和PBNN两者相结合构建VMD-PBNN月径流时间序列预测模型,使月径流时间序列预测结果达到了更高的准确度,水文预报精度等级从乙级提升至甲级。 (2)针对以往分解集合模型无法自适应选取预测过程中模态分量的嵌入维度的问题,基于相空间重构(PhaseSpaceReconstruction,PSR)理论对VMD分解得到的IMF分别进行相空间重构,设计VMD-PSR处理单元对所有IMF重构后的相空间进行整合,实现了对预测模块嵌入维度的自适应选取,并结合PBNN预测模块,构建VMD-PSR-PBNN月径流时间序列预测模型,进一步提升了月径流时间序列的预测准确度。
月径流预测方法;变模态分解;贝叶斯神经网络;变分推理;相空间重构
河北工程大学
硕士
计算机科学与技术
刘心
2022
中文
P338
2023-08-22(万方平台首次上网日期,不代表论文的发表时间)