基于SARIMA和SVR混合模型的黑河径流量预测分析

发布时间：2020-07-10 15:28

【摘要】：径流预测是水文研究的一个重要方向,指通过建立数学模型对河流的径流趋势进行研究及预测。预测结果可以广泛应用在防治洪水干旱预防环境改善水库调度水电站运行航运管理水资源分配与管理等领域中。但是,天气系统,流域下垫面以及人类活动等多种因素使水文系统的动态性加强,规模性和复杂性增大。这给预测研究带来极大挑战。径流预测的方法,可以分为两类:一是因果模型,根据水文过程的物理机制进行建模;二是数据驱动模型,不考虑径流形成的机制,通过挖掘数据内在的变化规律进行建模。因果模型具有较大的局限性,不仅需要对水文过程有详细的研究,在不同条件下必须采用特定的模型,而且对数据采集和研究人员的操作经验要求较高。在人工智能,机器学习技术的推动下,数据驱动模型成为近年来的研究热点,具有使用简便,预测精度好,适用性广等优点。本文采用数据驱动模型对黑河径流量进行预测,所建立的混合模型SARIMA-Random Forest-SVR能够达到良好的预测效果,拟合优度达到0.832。建模思路如下:首先采用时间序列分析的方法,建立SARIMA模型对月度径流数据进行预测。然后在残差处理的过程中,运用有监督学习的模式,以滞后期(滞后期从1到37)的残差值,滞后期残差值的滑动平均值和滑动标准差共41个变量作为候选输入变量,现期的残差值为输出变量建立支持向量回归模型。为了提高模型的效率和精度,采用随机森林算法(RandomForest)进行特征选择,对候选输入变量进行分析,从而筛选出重要性得分较高的20个因子作为模型最终的输入变量。之后,建立支持向量回归(Support Vector Regression)模型拟合残差序列,该过程中使用模拟退火智能算法(Simulated Annealing)进行参数寻优。最后将残差的预测值与时间序列模型的预测值进行整合,得到最终的预测结果。与单一模型及其他模型组合对比可以发现,本文建立的混合模型SARIMARandomForest-SVR能够充分利用各单一算法模型的优势,达到良好的预测效果。
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P333
【图文】：

流程图,研究方法,流程图,兰州大学

研究方法流程图

线性可分,示例

士学位论文基于 SARIMA和SVR 混合模型的黑河径流量预学习的目标就是求出一个从xi到yi的映射。当yi为离散变量时，可以归为分类问题；当yi为连续变量时，所研究的问题可以归为回持向量机 SVM向量机是一种以 VC 维和结构风险最小化理论为基础的分类算法，年正式发表(CortesandVapnik,1995)。这种方法在文本分类的问题上速成为机器学习的主流技术。SVM 的本质是把样本的特征向量从到高维空间，目标是找到将样本分隔开的最大间隔超平面。，我们从线性可分的情况开始讨论。如图 2-1 所示，有两类样本，们可以画出无数条将两类样本分开的分割线。但是从模型泛化性的有图中所示的那条实线是最优的。最优分割线在高维空间的情况下超平面。

示意图,核函数,示意图,线性不可分

兰州大学硕士学位论文基于 SARIMA和SVR 混合模型的黑河径流量预测分但在实践过程中，大部分问题都是线性不可分的。这种情况下，可以将样从原始空间映射到一个更高维的特征空间，目的是为了使得样本在这个空间内性可分。通过理论证明可以发现，如果原始空间的维数是有限的，即属性的个有限，那么一定存在一个高维特征空间使得样本可分。这个过程中，我们通过入核函数来解决。如图 2-2 所示，在平面上有两类线性不可分的样本点。通过核函数，样本被映射到三维空间，最后通过分割超平面将两类样本分离。

【参考文献】