基于KPCA-PSO-SVM的径流预测研究

发布时间：2019-02-22 16:59

【摘要】：为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。
[Abstract]:In order to improve the accuracy and stability of runoff prediction model, the runoff prediction method of KPCA-PSO-SVM was studied. On the basis of analyzing the influencing factors of runoff, the (KPCA) method of kernel principal component analysis was used to extract the nonlinear features of runoff influencing factors, and the principal component was obtained as the input variable of (SVM) of support vector machine. The SVM model of runoff prediction was established. The model parameters are optimized by particle swarm optimization (PSO). After the establishment of the model, the long-term runoff prediction at Yili River Yamadu Station in Xinjiang was analyzed as an example. The results of prediction analysis show that the average relative errors of the models are 0.77% and 7.64% respectively in the fitting and testing stages, which are compared with other prediction models. The runoff forecasting model based on KPCA-PSO-SVM method has good forecasting and generalization ability, and it is an effective medium and long term runoff forecasting method.
【作者单位】： 长江水利委员会水政与安监局;武汉大学水资源与水电工程科学国家重点实验室;军事经济学院基础部;
【分类号】：TV121

【参考文献】

相关期刊论文 前6条

1 徐纬芳;刘成忠;顾延涛;;基于PCA和支持向量机的径流预测应用研究[J];水资源与水工程学报;2010年06期

2 廖杰;王文圣;李跃清;黄伟军;;支持向量机及其在径流预测中的应用[J];四川大学学报(工程科学版);2006年06期

3 林剑艺;程春田;;支持向量机在中长期径流预报中的应用[J];水利学报;2006年06期

4 梅松,程伟平,刘国华;基于支持向量机的洪水预报模型初探[J];中国农村水利水电;2005年03期

5 吴今培;基于核函数的主成分分析及应用[J];系统工程;2005年02期

6 王景雷,吴景社,孙景生,齐学斌;支持向量机在地下水位预报中的应用研究[J];水利学报;2003年05期

【共引文献】

相关期刊论文 前10条

1 董前进;张旭;;基于遥相关的三峡水库中长期径流预测[J];华北水利水电大学学报(自然科学版);2016年06期

2 万星火;王玲;周丽晖;檀亦丽;;本科专业人才培养效率评价——基于核主成分的数据包络模型[J];教育现代化;2016年37期

3 崔东文;金波;;鸟群算法-投影寻踪回归模型在多元变量年径流预测中的应用[J];人民珠江;2016年11期

4 孟锦根;;基于PSO-LSSVM的干旱区中长期降水预测模型研究[J];长江科学院院报;2016年10期

5 巴欢欢;郭生练;钟逸轩;刘章君;;SSA-LSSVM在中长期径流预测中的应用研究[J];水资源研究;2016年05期

6 袁忠大;符双学;王大伟;;基于主成分分析的航空发动机性能综合评估[J];航空计算技术;2016年05期

7 Yannan Zhao;Yuan Li;Lifen Zhang;Qiuliang Wang;;Groundwater level prediction of landslide based on classification and regression tree[J];Geodesy and Geodynamics;2016年05期

8 鞠彬;王嘉毅;;基于粒子群算法与最小二乘支持向量机的ET_0模拟[J];水资源保护;2016年04期

9 黄志强;任鸿飞;梁芳敏;魏继祖;段长生;;核主成分分析在地球化学元素组合异常圈定中的应用[J];物探化探计算技术;2016年04期

10 巴超;刘婷婷;刘向红;;水电站支持向量机组合预报模型[J];河南科技;2016年05期

【二级参考文献】

相关期刊论文 前10条

1 方红卫;孙世群;朱雨龙;肖中新;施帆君;;主成分分析法在水质评价中的应用及分析[J];环境科学与管理;2009年12期

2 卓苏霜;苏国韶;袁钦承;;径流长期预报的支持向量机方法[J];企业科技与发展;2009年18期

3 张小确;高枝荣;夏云贵;;主成分分析方法及其在各仪器分析中的应用[J];河北工业科技;2007年06期

4 于国荣;夏自强;;支持向量机的混沌序列预测模型及在径流中应用[J];水利学报;2007年S1期

5 李亚娇;沈冰;李家科;李怀恩;;基于混沌支持向量机的径流时间序列预测研究——以渭河宝鸡林家村站径流序列为例[J];西安建筑科技大学学报(自然科学版);2006年06期

6 廖杰;王文圣;李跃清;黄伟军;;支持向量机及其在径流预测中的应用[J];四川大学学报(工程科学版);2006年06期

7 林剑艺;程春田;;支持向量机在中长期径流预报中的应用[J];水利学报;2006年06期

8 卢敏;张展羽;;径流预测的支持向量机应用研究[J];中国农村水利水电;2006年02期

9 刘隽,周涛,周佩玲;GA优化支持向量机用于混沌时间序列预测[J];中国科学技术大学学报;2005年02期

10 梅松,程伟平,刘国华;基于支持向量机的洪水预报模型初探[J];中国农村水利水电;2005年03期

【相似文献】

相关期刊论文 前10条

1 张建兴;马孝义;赵文举;高文强;王波雷;;基于生命旋回-权马尔可夫的径流预测模型[J];武汉大学学报(工学版);2008年06期

2 马建琴;许龙宾;师琨;;改进型灰色马尔科夫模型在径流预测中的应用[J];华北水利水电学院学报;2012年02期

3 周秀平;王文圣;黄伟军;;支持向量机回归模型在径流预测中的应用[J];水电能源科学;2006年04期

4 袁晓辉;张勇传;袁艳斌;;基于遗传规划的径流预测新方法[J];水力发电;2006年08期

5 陈f^;隋彬;;径流预测在雅砻江流域梯级电站中的应用[J];水力发电;2007年12期

6 曹辉;黄强;白涛;金力新;吴超;;径流预测方法对比分析[J];人民黄河;2009年09期

7 汪芸;郭生练;李响;;奇异谱分析在中长期径流预测中的应用研究[J];人民长江;2011年09期

8 朱聪;王文圣;程开宇;杨娟;;一种新型耦合模型在月径流预测中的应用[J];水力发电;2012年01期

9 刘素一,廖家平;径流预测中的非线性分析方法[J];湖北工学院学报;2003年01期

10 李计;李毅;严宝文;宋松柏;;基于四种方法的月径流预测研究[J];水利与建筑工程学报;2010年02期

相关硕士学位论文 前7条

1 汪龙;基于BP网络的径流预测研究[D];昆明理工大学;2015年

2 潘希强;面向藏木电站下闸蓄水日期选择的雅江中游径流预测研究[D];清华大学;2014年

3 戴露;雅鲁藏布江中游段径流预测研究[D];四川大学;2006年

4 杨东方;电力市场环境下水电站中长期径流预测及优化调度研究[D];四川大学;2003年

5 任磊;基于人工神经网络的金沟河流域径流预测研究[D];新疆农业大学;2012年

6 张伟;基于人工神经网络的径流预测研究[D];石河子大学;2008年

7 秦蓓蕾;清江流域水文中长期预测研究[D];四川大学;2004年

，

本文编号：2428418