基于PSO-WRF的渭河中下游年径流预测模型

发布时间：2021-03-04 14:03

　　针对传统随机森林（RF）模型决策树因投票权重相同而导致预测精度不高的问题,采用加权随机森林（WRF）模型全面考虑各决策树分类能力的差异性,建立决策树加权投票机制;同时运用粒子群算法（PSO）进行参数全局寻优,避免依据经验选取参数的不科学性,通过二者耦合最终构建PSO-WRF模型。利用渭河中下游咸阳站与华县站1960—2009年的径流系列对RF、WRF、PSO-WRF三种模型进行训练及测试,结果表明,PSO-WRF在咸阳站与华县站的平均相对误差绝对值（MRE）分别为7.05%和9.41%,且均方根误差（RMSE）、平均绝对误差（MAE）等指标均降至优化前的30%～50%,各年预测误差最低可降低至优化前的1/3～1/6。PSO-WRF模型优化效果显著,表现出良好的预测精度和泛化能力,能够为相关径流预测研究提供一定参考。 

【文章来源】：水利水电技术. 2020,51(08)北大核心

【文章页数】：6 页

【部分图文】：

PSO-WRF流程

渭河是黄河的第一大支流,流经甘肃、陕西二省,属于温带大陆性气候,多年平均气温6～14 ℃,多年平均降水量500～800 mm,多年平均蒸发量1 000～2 000 mm[14],流域面积134 766 km2。渭河干流全长818 km,本次选取位于渭河上中游分界处的咸阳站和位于渭河下游接入黄河处的华县站为例[14],根据两站1960—2009年近50 a的年、月径流量相关关系,建立PSO-WRF预测模型,考察预测效果(见图2)。通过分析两测站年径流量与其各自年内1—10月份径流量的相关性发现(相关系数见表1),测站每年5—10月份的径流量与年径流量相关性较好,相关系数均在0.418～0.872之间,其中7—9月份达到显著相关水平,相关性在0.711以上。

表1 年径流量与1—10月份径流量相关系数 测 站 时 间 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 咸阳站 0.108 0.122 0.141 0.095 0.421 0.529 0.748* 0.872* 0.713* 0.577 华县站 0.133 0.151 0.146 0.112 0.418 0.633* 0.711* 0.854* 0.727* 0.539 注: “*”表示在0.01水平(双侧)上显著相关图4 三种模型预测相对误差

【参考文献】：
期刊论文
[1]基于随机森林和粒子群优化的SVR的混合气体分析方法研究[J]. 李紫蕊,范书瑞,花中秋,夏克文,张艳.  传感技术学报. 2019(11)
[2]基于改进随机森林算法的电力系统短期负荷预测模型[J]. 邢书豪,孙文慧,颜勇,张智晟.  青岛大学学报(工程技术版). 2019(03)
[3]多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用[J]. 崔东文.  水利水电科技进展. 2019(04)
[4]基于粒子群优化加权随机森林的非侵入式负荷辨识[J]. 谢诗雨,李君豪,王劲峰,熊双菊,唐阳.  电器与能效管理技术. 2019(09)
[5]基于PSO-BP神经网络的西洞庭湖南咀站径流预测[J]. 赵文刚,刘晓群,宋雯,石林,马孝义.  人民长江. 2019(03)
[6]基于随机漂移粒子群优化的随机森林预测模型及水文应用实例[J]. 崔东文,郭荣.  三峡大学学报(自然科学版). 2019(02)
[7]一种基于粒子群算法优化的加权随机森林模型[J]. 王杰,程学新,彭金柱.  郑州大学学报(理学版). 2018(01)
[8]基于BA-LSSVM模型的月径流预测方法[J]. 武群丽,彭晨阳.  中国农村水利水电. 2017(03)
[9]基于KPCA-PSO-SVM的径流预测研究[J]. 杨易华,罗伟伟.  人民长江. 2017(03)
[10]基于互信息的改进RBF神经网络预测模型及其应用[J]. 刘蕊鑫,纪昌明,马源.  中国农村水利水电. 2016(10)

博士论文
[1]基于群智能优化的机器学习方法研究及应用[D]. 赵东.吉林大学 2017

硕士论文
[1]随机森林自适应特征选择和参数优化算法研究[D]. 刘凯.长春工业大学 2018
[2]粒子群优化加权随机森林算法研究[D]. 程学新.郑州大学 2017
[3]随机森林算法的优化改进研究[D]. 马骊.暨南大学 2016



本文编号：3063342