基于多种径流预测耦合模型的流域月径流预测优选研究

为了提高径流预测的准确性,以澄碧河流域坝首站1979-2019年共41 a的实测月径流序列为例,在优选Elman神经网络模型、支持向量机模型、BP单一预测模型的基础上,分别耦合经验模态分解(EMD)、集合经验模态分解(EEMD)和经验小波变换分解(EWT),选取纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析。结果表明：相对于Elman神经网络模型和SVM模型,BP模型的预测效果较好;耦合预测模型预测精度都优于单一模型。耦合模型中,EWT-BP的纳什效率系数为0.91,预报等级为甲级,预测精度优于EMD-BP和EEMD-BP。采用数据预处理技术生成平稳序列,可有效减少原序列存在非线性和不稳定性特征的影响,并有利于提高流域水文模型的径流预测能力。     

基于TVF-EMD-PSO-GRU的月径流模型与应用研究

准确的径流预测在水资源规划和管理中发挥着重要作用．然而，受气候变化和人类活动等因素的影响，径流形成过程十分复杂，具有高度的非线性和非平稳性，更增加了径流预报的难度．为提高月径流预测精度，提出了基于时变滤波器的经验模态分解(TVF-EMD)和结合粒子群优化算法(PSO)的门限循环单元(GRU)的混合模型(TEPG)．首先利用TVF-EMD将原始月径流序列分解为若干个固有模态函数(IMF)，然后再利用PSO-GRU模型分别对每一个IMF进行预测，最后将每个IMF的预测结果相加得到原始月径流序列最终的预测结果．以黄河干流4个代表性水文站(包括唐乃亥站、头道拐站、花园口站、利津站)为研究对象，应用该模型对这4个测站的月径流进行单步预测研究，并与PSO-GRU(PG)模型、基于互补经验模态分解(CEEMD)的PSO-GRU(CPG)模型和基于经验模态分解(EMD)的PSO-GRU模型(EPG)进行对比分析．选用纳什效率系数NSE、相关系数R、均方根误差RMSE、预报合格率QR及预报精度等级等评价指标对模型预测精度进行评价．结果表明，与PG模型、CPG模型、EPG模型相比，TEPG模型具有更高的预...     

基于PSO-BP神经网络的隧道内气动压力幅值预测

将BP神经网络技术用于隧道内气动压力变化幅值的预测,使用粒子群算法(particle swarm optimization,PSO)对其进行优化,构建PSO-BP神经网络模型。为了验证模型的准确性和可靠性,利用收集到的数据样本对模型进行训练测试,并引入交叉验证法评估2种模型的性能。研究结果表明：PSO-BP神经网络能够准确预测不同情况下的气动压力幅值,而且在平均相对误差、平均绝对误差、均方根误差以及样本的决定系数等方面均比未优化的BP神经网络的好,具有更高的预测精度。通过建立的PSO-BP压力幅值预测模型,得到了压力幅值在不同条件下的变化规律。     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于自适应Elman神经网络的短期风电功率预测

针对BP神经网络动态性能的不足、适应性较差的问题,提出了基于自适应Elman神经网络的短期风电功率预测模型。通过对比不同隐含层数的Elman预测模型的预测误差,选取最小误差的隐含层数作为自适应Elman预测模型的隐含层数;根据不同的训练集和预测集的输入,自动调节Elman隐含层节点数,实现隐含层节点数的自适应,寻求具有最佳隐含层节点数的预测模型,提高了风电功率预测精度。     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.     

基于PSO-BP的钻井机械钻速预测模型

机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求.基于此,提出一种人工智能算法与BP(back propagation)神经网络相结合的钻井机械钻速预测模型.首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余.其次,利用粒子群优化(particle swarm optimization,PSO)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(genetic algorithm,遗传算法)-BP等三种模型进行对比分析.最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价.结果表明,PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考.     

基于机器学习的改性沥青黏弹性预测

为利用机器学习方法预测改性沥青黏弹性，分析不同预测模型适用性和预测精度，测试了胶粉（CR）改性沥青、SBS改性沥青和废旧塑料（PE）改性沥青不同温度和频率下的复数模量.选择人工神经网络（ANN）、稳健线性回归（RLR）、线性支持向量回归（LSVR）、决策树回归（DTR）、高斯回归（GPR）和集成回归（ER）6种机器学习方法预测三种改性沥青复数模量.结果表明：预测结果散点图中，ANN和ER模型预测精度最高，DTR模型次之且存在数据聚类.6种预测模型预测结果的相关系数均大于0.9，纳什效率系数均大于0.85.不同预测模型在PE改性沥青中预测精度最高，SBS改性沥青次之.根据三种改性沥青复数模量预测结果的相关系数、相对均方根误差、分散指数、相对误差和纳什效率系数五个统计参数的平均值，6种预测模型预测精度从高到低依次为ER、ANN、DTR、GPR、LSVR和RLR.     

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.     

基于改进粒子群算法优化BP神经网络的废水处理软测量模型

针对废水处理过程BP神经网络软测量模型受处理过程非线性特征影响,存在收敛速度慢、陷入局部极小点等问题,用改进的粒子群算法(PSO)优化BP神经网络,建立废水处理过程中出水化学需氧量(CODeff)与出水固体悬浮物(SSeff)的软测量模型(PSO-BP模型),并与基于遗传算法-BP神经网络算法的模型(GA-BP模型)及...     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

广义相加模型在乌江夏季径流预报中的应用

基于前期冬季海温指数,构建具有4个非线性指数和9个线性指数的广义相加模型(GAM),对乌江流域洪家渡夏季径流进行了模拟与预测,利用5种评估指标,包括最小信息准则(AIC)、均方根误差(RMSE)、平均绝对误差(MAE)、概率空间线性误差(LEPS)和线性相关(r),评估GAM和广义线性模型(GLM)模拟效果.结果表明:...     

混沌神经网络预测算法评价准则与性能分析

为比较各种混沌神经网络预测算法的误差性能 ,该文提出了预测误差评价准则 ,即根均方误差 ,偏差 ,预测精度 ,决定度系数 ,绝对误差 ,以及一些归一化根均方误差等 ,并分析了它们在描述误差特征上的具体含义。针对两种混沌神经网络预测算法 (即全局神经网络算法和局部神经网络算法 ) ,利用该准则进行了性能分析 ,给出了合理的评价。结果表明 ,与混沌神经网络预测的局部模型算法相比 ,全局模型算法有更好的预测效果 ,且训练时间短 ,占用资源少 ,推广能力好     

基于改进Real AdaBoost算法的软件可靠性预测

针对基于单一神经网络的软件可靠性模型预测精度低和可信性差的问题,提出一种基于加权信息熵(WIE)的Real BP-AdaBoost算法。首先,用BP神经网络个体代替Real AdaBoost算法的基分类器,构建Real BP-AdaBoost算法。然后,对Real BP-AdaBoost算法的加权方式进行改进,以基分类器对训练样本的整体分类权值与基分类器对测试样本的个体分类权值的乘积作为最终的加权系数,得到WIE Real BP-AdaBoost算法。最后,通过2组软件实际失效数据对WIE Real BP-AdaBoost算法的有效性进行验证,并与SVM、BP网络、Elman网络和Real BP-AdaBoost算法进行比较研究。实验结果显示,WIE Real BP-AdaBoost算法对2组数据预测的均方误差分别为0.442 87和0.284 71,均低于4个对比模型的均方误差,说明了WIE Real BP-AdaBoost算法模型具有更高的预测精度和可信性。     

地铁轨道不平顺状态的监测与预警

在客流量和客运量高速化的背景下,轨道线路作为地铁运营的基本设施,其不平顺状态直接影响到行车的安全性和舒适性。以北京地铁9号线为例,采用光纤光栅传感器对典型区段的轨道不平顺状态进行监测,运用数理统计的方法对监测数据进行权重统计和超限分析,结合数据特征提出一种将灰色模型和粒子群算法优化Elman神经网络的组合预测方法,并利用监测的轨道不平顺七项参数对模型的效果进行验证。结果表明该模型的预测效果均优于单一灰色模型,在平均相对误差、均方根误差、决定系数和相关系数上具有较高的预测精度,可以实现对各单项指标的超限预警,更好地监控轨道质量的发展状况。     

BP神经网络在ATR-FTIR技术微量农药溶液 检测中的应用

利用衰减全反射傅里叶变换红外光谱(ATR-FTIR)技术分别对毒死蜱、炔螨特的微量溶液进行了检测,采用差谱、基线校正和矢量归一化对谱图进行预处理,利用BP神经网络分别使用自适应调整学习率并附加动量因子的梯度下降反向传播算法训练函数和SCG反向传播算法训练函数建立了毒死蜱和炔螨特农药溶液的定量分析模型,并对校正集和预测集进行了定量分析.毒死蜱溶液模型的分析结果为:R=0.998 6,RMSEC=0.100 0,RMSEP=0.220 1;炔螨特溶液模型的分析结果为:R=0.997 4,RMSEC=0.391 8,RMSEP=0.624 1.结果表明,BP神经网络结合ATR-FT-IR技术检测微量农药溶液含量具有快速、精度高、泛化能力强的优点,可用于农药溶液含量的快速、准确鉴定.     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。