LASSO回归和支持向量回归耦合的中长期径流预报

同样预报精度情况下,中长期径流预报提前期越长,对水库调度方案与发电计划的制定辅助决策作用效果更强.中长期径流预报的难点在于径流序列的随机性以及相应预见期的气象难以可靠预报.当前的预报模型大都是基于数据分析的数据驱动模型,其输入因子多为前期径流和大尺度气候因子.而预报因子的选择对于数据驱动模型的精度非常关键.因此,需要有效的因子筛选方法以辅助建模.本文引入lasso回归方法以筛选径流预报因子,其选择结果作为支持向量回归(SVR)模型中的预报因子,形成LASSO回归和支持向量回归耦合(LSVR)模型,并将LSVR模型应用到龙羊峡水库进行预见期为一个月的入库径流预报,并与传统SVR模型预报结果进行对比.结果表明,径流因子的选择对两种模型的预报效果都有较大的影响,过多引入前期径流因子时预报效果较差.两种模型的预报结果对比表明,LSVR模型能够增强有益预报因子的作用,减弱干扰因子的影响,在验证期和测试期的预报结果都好于SVR模型的.在2010年1月到2016年10月的82个月的测试期中,LSVR模型的4项评价指标相比SVR模型都有所提升,其中均方误差(MSE)比SVR模型减小了13.09%.     

基于预报因子聚类分级的日径流预报深度信念模型及应用

径流预报是水库运行调度的重要决策依据,提高入库径流预报精度,对水库优化调度和水资源高效利用具有重要意义.本文提出一种基于大样本数据分级策略的深度信念网络模型(Deep Belief Networks,DBN),以龙羊峡入库径流预报为例,采用Fuzzy C-means(FCM)聚类方法,将总样本训练集分为不同训练样本子集;不同样本子集下,对不同预报因子(只考虑降雨、考虑不同时期的降雨及同时考虑降雨及前期径流),分别建立DBN模型和人工神经网络模型(Artificial Neural Network,ANN),分析样本分级和考虑不同因子情况下不同模型的预报结果.结果表明:与不考虑预报因子分级的预报模型相比,基于时间序列聚类的预报模型显著提高了径流预报的精度;通过FCM聚类,将样本分为3类,考虑降雨及前期径流作为预报因子进行分级时,比只考虑降雨、考虑不同时期的降雨时建立的预报模型的预测精度更高.用该模型进行龙羊峡水库入流日径流预报,提高了预报精度,可为龙羊峡水库调度提供决策支持.     

水库中长期水文预报模型研究（Ⅰ）

中长期水文预报模型库是水库中长期水文预报系统的核心。本研究面向预报对象,利用多要素预报法探索外界各种因素对水文预报对象的影响,分析预报对象与影响因子的相互联系及其变化的物理成因,利用数理统计方法建立了7个基于径流及其影响因子的成因统计关系的预报模型,重点介绍了其中的多维混合回归、模糊分析、门限回归模型,这些模型为有效地进行水文对象的中长期预报提供了坚实的基础。     

水库中长期水文预报模型研究（Ⅱ）

中长期水文预报模型库是水库中长期水文预报系统的核心。本研究面向预报对象,利用多要素预报法探索外界各种因素对水文预报对象的影响,分析预报对象与影响因子的相互联系及其变化的物理成因,利用数理统计方法建立了3个基于径流及其影响因子的成因统计关系的预报模型,分别为投影寻踪回归、时间序列—马尔可夫分析、非线性动力系统学以及神经网络模型,这些模型为有效进行水文对象的中长期预报提供了坚实的基础。     

不同流域的自回归径流预报效果对比

对未来月径流的可靠预报对于水力发电计划的制定和水资源调度管理具有重要的实际应用价值.由于相应预见期的气象预报不可靠以及月径流序列具有明显的非线性和随机性,导致已有模型的预报效果差异大,即使采用同一种模型,在不同流域的预报效果也显著不同.本文选取了自回归滑动平均(ARMA)模型、人工神经网络(ANN)模型和支持向量回归(SVR)模型这3种常见的径流预报模型对3个研究区域的未来一个月的径流进行预报,并用反映相对误差的平均绝对百分误差(MAPE)对预报效果进行了评估和对比分析.3个流域的预报效果对比分析表明预报效果与历史径流序列的变异系数CV以及一阶自相关系数Rlag1有关.此外,各月的径流预报的MAPE和该月历史月径流序列的CV以及Rlag1的绝对值|Rlag1|也显著相关,用CV和|Rlag1|拟合MAPE的决定系数为0.80.3个流域的流域特性分析则表明预报效果的差异本质上是由流域特性差异造成的,可以通过计算历史径流序列的CV、|Rlag1|判断是否适合运用数据驱动模型进行月径流预报.     

径流中长期预报模糊优选神经网络模型应用研究

预报因子选择与模型训练精度确定,是模糊优选神经网络模型应用于径流中长期预报时有待研究解决的两个重要问题.应用预报因子集与预报量间的复合非线性相关分析方法选择预报因子(集),克服了通常单因子线性相关分析选择预报因子的不适用性;通过定义综合效应系数来综合评价模糊优选神经网络模型的拟合能力与外推预报能力,为研究模型的拟合精度高而外推预测精度低的问题提供了一种解决方法.     

基于EOF迭代的月径流长期预报

应用经验正交函数分析方法,以月平均500hPa,100hPa高度场及月平均海温场为预报因子,对广东省Weng江流域的月径流进行预报。结果表明,基于EOF迭代的预报方法是一种有效的月径流长期预报新方法,具有明显的应用价值。     

枯季径流预报探讨

在分析研究流域气候特征及枯季径流来水规律的基础上,用水文方法分别建立了枯水期月径流预报模型。水文方法是利用水文序列资料建立自回归模型,用实测资料对预报模型进行了验证。     

基于ESMD-BP神经网络组合模型的中长期径流预报

径流预报的精度直接关系到流域水资源优化配置与综合利用的效益最大化.针对径流序列非线性、非平稳、直接预测精度低的特点,首次利用具有自适应性特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列平稳化处理,结合可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络),建立ESMD-BP神经网络组合预报模型,并将其应用于黄河上游龙羊峡水库入库站唐乃亥站月径流和旬径流预报.首先,利用ESMD方法将径流序列中不同尺度的分量和趋势分量逐级提取出来,甄别了大尺度循环和非线性趋势;进而,分析径流周期和趋势变化规律;然后,利用BP神经网络将非平稳径流序列的直接预测转化为平稳的模态分量和趋势余项的预测,加和重构得到最终预测结果.并与单一BP神经网络、经验模态分解(Empirical Mode Decomposition,EMD)与BP神经网络组合模型作对比,结果表明:ESMD-BP神经网络组合模型的预报误差最小、预报精度最高.组合模型为"分解→预测→重构"模式,结合了EMD数据自适应分析和BP神经网络非线性映射的优点,提高了径流预报的准确率,为水文预报精度的提高开辟了新思路.     

引汉济渭工程调水区月径流预报模型研究

针对各预报模型预报结果精度评价不统一的现状,考虑径流具有非线性、突变及非平稳性等特点,本文构建了包含均方根误差(RMSE)、平均绝对百分误差(MAPE)和Nash效率系数(NSE)三项指标的综合评价系统,对自回归滑动平均模型(ARMA)、人工神经网络模型(ANN)和支持向量机模型(SVM)在径流汛期和非汛期内进行了预报精度评价。结果表明:(1)单一评价指标下,ARMA模型与SVM模型预报结果精度相近,而综合评价系统表明,SVM模型预报精度优于ARMA模型;(2)三种模型在非汛期预报精度均高于汛期预报精度,SVM预报效果均最好。将径流进行分割后预报,预报精度可提高。本研究获得了可靠性和精度较高的月径流预报模型,可为工程水资源高效配置提供理论和技术支撑。     

雅鲁藏布江奴下水文站以上流域水文过程及其对气候变化的响应

以雅鲁藏布江奴下水文站以上流域为研究对象,针对缺资料流域的水文计算和预测问题,采用流域水文模型THREW,用地面气象观测、遥感植被覆盖和积雪面积等资料,基于断面水文监测数据对模型进行率定,应用CMIP5数据对径流演变进行预估。结果表明:对于雅鲁藏布江奴下水文站以上流域,THREW模型对1991—1995年率定期月径流模拟的纳什效率系数为0.75,对1996—2000年验证期月径流模拟的纳什效率系数为0.76;IPCC AR5所设置在CO2排放量最大的情况下,径流明显增加。     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。     

基于PSO参数辨识SVM的中长期径流预测研究

以径向基函数作为核函数,利用微粒群(PSO)算法的全局寻优特性进行支持向量机(SVM)的参数辩识.在微粒群搜索参数前,先对参数进行指数变换,使[0,1]和[1,∞]有着相同的搜索概率.微粒群算法的适应值函数是以支持向量机模型的推广能力为标准的,讨论了测试样本的最小误差和留一法对支持向量机学习方法推广能力的两种估计.最后...     

上呼吸道感染月发病率的主成分神经网络预测模型

 在医学卫生领域,疾病受许多因素的影响,很难用结构式因果模型解释,根据神经网络预测是一种行之有效的方法。径向基函数（RBF）神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素,如月平均气压、月平均气温、月平均相对湿度、月平均风速、月平均降水量等本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降。针对这一问题,本文提出了利用主成分分析方法对原输入空间进行重构,并根据各主成分的贡献率确定网络结构,从而有效地解决了预测精度下降问题。最后,以2001年8月至2006年9月甘肃省武威市上呼吸道感染炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。     

水口水电厂年内首末两场洪水的长期预报

根据流域气候特征及年内首末两场洪水的来水规律,挑选出与预报对象关系最密切的气象因子作为预报因子,首先研究趋势预报,然后应用逐步判别法筛选因子,最后建立预报模型。研究发现,前期的月平均降水、月平均气温,月平均北太平洋海温因子是影响水口流域首末两场洪水的主要气象因子。     

灰色理论在预测深埋型矿井涌水量中的应用

煤矿地下水动态的预测预报始终存在着计算过程复杂、计算量大、且难以兼顾影响矿井充水的各种因素、精度较低的特点：灰色系统理论则具有高度的概括性、简单的计算过程和极佳的预测精度，因此在工程界得到了广泛的应用。然而，用于矿井涌水量预测的不多，文章以灰色理论GM(1，1)模型为基础、在这方面进行了尝试，效果甚佳。     

基于因子BP神经网络预测模型的胃溃疡发病率预测

目的:在医学卫生领域,疾病发病率受许多因素的影响,很难用结构式因果模型解释,根据神经网络预测是一种行之有效的方法。多层前馈神经网络(BP)应用于疾病发病率的预测时,由于影响它的气象因素,如月平均气温、月平均气压、月平均相对湿度等本身具有很大相关性,且维数较高,BP神经网络的预测精度会下降。方法:针对这一问题,提出了利用因子分析方法对原输入空间进行重构,并根据各主成分的贡献率确定网络结构,有效地解决了预测精度下降的问题。结果:以2003年1月至2009年12月青海海西州地区胃溃疡发病率的资料验证了该方法的有效性。结论:应该充分考虑胃溃疡在各时间段的发病率特征,以便更有重点地进行健康防治工作,有效地降低胃溃疡对人类的危害,保障人类的生活品质。     

洪季长江口径流量与近海海平面的响应关系

为了分析长江口洪季径流量对其近海海平面上升的影响权重,基于1950~2011年大通站实测洪季月均径流量资料,统计分析出大通站洪季发生频率为25%,50%和75%时对应的径流量以及多年平均径流量,并利用长江口杭州湾潮流数学模型,计算分析长江洪季径流量对长江口口内平均潮位和近海海平面的影响.研究结果表明:随着径流量的增加,整个计算区域的平均潮位也随之增大,且从上游到口外平均潮位增幅沿程减小,近海南部平均潮位增长幅度比近海北部大.口内及近海平均潮位与径流量呈正相关关系,在径流量增加20 000m3·s-1的情况下,杭州湾大部分区域平均潮位增加0.005~0.010m.     

基于随机规划的现代医院选址方法

针对医院选址问题中就医人数随机性的特点,提出了基于随机规划的现代医院选址方法.考虑医院附近不同人口分布点的每月就医人次数、交通状况、病人对不同级别医院的偏好因素,建立随机整数规划模型,以最小化地区内人口与医疗资源间的权重距离总和为优化目标,并采用蒙特卡罗方法模拟每月就医人次数这一随机参数.实验结果证明,该方法具有良好的收敛性,其选址决策相比于确定性模型选址方法明显优化.