基于马尔科夫链的BP-SVM模型的径流预测
发布时间：2021-10-26 05:26
为提高年径流预测的精度,以呼兰河下游兰西水文站1959—2014年的年径流数据作为输出,相应的流域气象数据作为输入,将BP神经网络和支持向量机（SVM）相结合,构建基于马尔科夫链修正的BP-SVM预测模型,运用该模型对呼兰河流域的年径流进行预测。采用哈里斯鹰群算法（HHO）优化支持向量机参数,构建HHO-SVM模型,并进行年径流预测,利用训练好的BP神经网络对年径流进行预测,分别运用马尔科夫链对两种模型的预测结果进行修正,通过最小二乘法确定模型组合权重,将两模型的预测结果进行组合,得到最终的年径流预测值。研究结果表明:HHO-SVM模型预测结果优于BP神经网络预测值;经马尔科夫链修正后,BP神经网络预测值精度提高较大,经最小二乘法组合后的预测结果平均相对误差为11.36%,确定性系数为0.95,合格率达90.91%。哈里斯鹰群算法（HHO）能较好的解决支持向量机参数优化问题,马尔科夫链的修正在一定程度能提高了各个模型的预测精度,提出的混合模型为年径流预测提供了一种新的方法。
【文章来源】：水利水电技术. 2020,51(11)北大核心
【文章页数】：7 页
【部分图文】：
呼兰河流域及研究站点位置示意
各个模型预测结果与实测值对比如图2所示,各个模型的相对误差结果对比如图3所示。本文选择相对误差在20%以内的预测结果为合格预测。从2004—2014年的预测结果可以得出,HHO-SVM模型的预测精度要高于BP神经网络的预测精度;经马尔科夫链修正的两个模型的预测精度均有的提升,HHO-SVM模型的平均相对误差降到至15.34%,BP神经网络的相对误差降低至20.81%,二者的合格率分别提高至81.82%、54.55%;经马尔科夫链修正后,HHO-SVM模型的确定性系数有略微的降低,而BP神经网络模型的确定性系数得到了明显地提高。通过最小二乘法确定模型组合系数后,组合模型的预测结果平均相对误差值降低至11.36%,合格率和确定性系数分别提高至90.91%、0.95。因此,可以得出组合后的模型预测结果优于原始两种模型的预测结果。与王文川等[14]基于马尔可夫链校正GM-BP模型径流预测的结果相比,平均相对误差减少了10.69%,达到了较好的预测结果,为径流预报提供了一种新的途径。
表2 2004—2014年HHO-SVM模型及BP神经网络预测结果统计 年 份 实测值/mm HHO-SVM BP神经网络 最小二乘法组合 预测值/mm 相对误差/% M-C校正 预测值/mm 相对误差/% M-C校正 预测值/mm 相对误差/% 预测值/mm 相对误差/% 预测值/mm 相对误差/% 2004 46.66 41.61 -10.81 52.02 11.48 38.92 -16.58 48.65 4.28 50.91 9.11 2005 85.16 153.13 79.81 114.84 34.86 128.05 50.36 96.03 12.77 108.64 27.57 2006 110.87 104.85 -5.43 131.06 18.21 77.53 -30.07 58.15 -47.55 107.00 -3.49 2007 31.35 44.00 40.37 33.00 5.28 57.25 82.62 42.94 36.97 36.28 15.73 2008 17.47 24.72 41.50 18.54 6.12 34.29 96.28 25.72 47.21 20.91 19.68 2009 150.89 166.31 10.22 124.73 -17.34 222.11 47.21 166.59 10.40 138.54 -8.18 2010 113.07 122.63 8.46 91.97 -18.66 162.11 43.38 121.58 7.53 101.74 -10.01 2011 73.73 91.81 24.52 68.86 -6.61 114.31 55.03 85.73 16.27 74.42 0.94 2012 138.05 179.16 29.78 134.37 -2.67 222.69 61.31 167.02 20.98 145.14 5.14 2013 265.32 244.52 -7.84 183.39 -30.88 260.39 -1.86 325.48 22.67 230.28 -13.21 2014 188.96 176.26 -6.72 220.33 16.60 257.79 36.43 193.34 2.32 211.42 11.89 平均相对误差/% 24.13 15.34 47.37 20.81 11.36 平均误差绝对值 18.54 17.79 40.54 19.56 11.72 合格率/% 54.55 81.82 18.18 54.55 90.91 确定性系数 0.85 0.81 0.53 0.85 0.953 结 论
【参考文献】：
期刊论文
[1]基于马尔可夫链校正GM-BP模型的径流预测[J]. 王文川,李文锦,徐冬梅,李庆敏. 南水北调与水利科技. 2019(05)
[2]几种智能算法与支持向量机融合模型在中长期月径流预测中的应用[J]. 崔东文. 华北水利水电大学学报(自然科学版). 2016(05)
[3]基于果蝇优化算法的支持向量机径流预测[J]. 吴琼,陈志军. 人民黄河. 2015(09)
[4]改进灰色-马尔科夫模型在年降水量预测中的应用研究[J]. 杜川,梁秀娟,王中凯,肖长来,王亮. 节水灌溉. 2014(06)
[5]基于BP神经网络-马尔科夫链模型的隧道围岩位移预测[J]. 龙浩,高睿,孔德新,刘鹏. 长江科学院院报. 2013(03)
[6]灰色-马尔科夫链在年降水量预测中的应用[J]. 魏代俊,谢民育. 华中师范大学学报(自然科学版). 2009(01)
[7]支持向量机在中长期径流预报中的应用[J]. 林剑艺,程春田. 水利学报. 2006(06)
[8]支持向量机在径流预报中的应用探讨[J]. 卢敏,张展羽,冯宝平. 人民长江. 2005(08)
本文编号：3458920
【文章来源】：水利水电技术. 2020,51(11)北大核心
【文章页数】：7 页
【部分图文】：
呼兰河流域及研究站点位置示意
各个模型预测结果与实测值对比如图2所示,各个模型的相对误差结果对比如图3所示。本文选择相对误差在20%以内的预测结果为合格预测。从2004—2014年的预测结果可以得出,HHO-SVM模型的预测精度要高于BP神经网络的预测精度;经马尔科夫链修正的两个模型的预测精度均有的提升,HHO-SVM模型的平均相对误差降到至15.34%,BP神经网络的相对误差降低至20.81%,二者的合格率分别提高至81.82%、54.55%;经马尔科夫链修正后,HHO-SVM模型的确定性系数有略微的降低,而BP神经网络模型的确定性系数得到了明显地提高。通过最小二乘法确定模型组合系数后,组合模型的预测结果平均相对误差值降低至11.36%,合格率和确定性系数分别提高至90.91%、0.95。因此,可以得出组合后的模型预测结果优于原始两种模型的预测结果。与王文川等[14]基于马尔可夫链校正GM-BP模型径流预测的结果相比,平均相对误差减少了10.69%,达到了较好的预测结果,为径流预报提供了一种新的途径。
表2 2004—2014年HHO-SVM模型及BP神经网络预测结果统计 年 份 实测值/mm HHO-SVM BP神经网络 最小二乘法组合 预测值/mm 相对误差/% M-C校正 预测值/mm 相对误差/% M-C校正 预测值/mm 相对误差/% 预测值/mm 相对误差/% 预测值/mm 相对误差/% 2004 46.66 41.61 -10.81 52.02 11.48 38.92 -16.58 48.65 4.28 50.91 9.11 2005 85.16 153.13 79.81 114.84 34.86 128.05 50.36 96.03 12.77 108.64 27.57 2006 110.87 104.85 -5.43 131.06 18.21 77.53 -30.07 58.15 -47.55 107.00 -3.49 2007 31.35 44.00 40.37 33.00 5.28 57.25 82.62 42.94 36.97 36.28 15.73 2008 17.47 24.72 41.50 18.54 6.12 34.29 96.28 25.72 47.21 20.91 19.68 2009 150.89 166.31 10.22 124.73 -17.34 222.11 47.21 166.59 10.40 138.54 -8.18 2010 113.07 122.63 8.46 91.97 -18.66 162.11 43.38 121.58 7.53 101.74 -10.01 2011 73.73 91.81 24.52 68.86 -6.61 114.31 55.03 85.73 16.27 74.42 0.94 2012 138.05 179.16 29.78 134.37 -2.67 222.69 61.31 167.02 20.98 145.14 5.14 2013 265.32 244.52 -7.84 183.39 -30.88 260.39 -1.86 325.48 22.67 230.28 -13.21 2014 188.96 176.26 -6.72 220.33 16.60 257.79 36.43 193.34 2.32 211.42 11.89 平均相对误差/% 24.13 15.34 47.37 20.81 11.36 平均误差绝对值 18.54 17.79 40.54 19.56 11.72 合格率/% 54.55 81.82 18.18 54.55 90.91 确定性系数 0.85 0.81 0.53 0.85 0.953 结 论
【参考文献】：
期刊论文
[1]基于马尔可夫链校正GM-BP模型的径流预测[J]. 王文川,李文锦,徐冬梅,李庆敏. 南水北调与水利科技. 2019(05)
[2]几种智能算法与支持向量机融合模型在中长期月径流预测中的应用[J]. 崔东文. 华北水利水电大学学报(自然科学版). 2016(05)
[3]基于果蝇优化算法的支持向量机径流预测[J]. 吴琼,陈志军. 人民黄河. 2015(09)
[4]改进灰色-马尔科夫模型在年降水量预测中的应用研究[J]. 杜川,梁秀娟,王中凯,肖长来,王亮. 节水灌溉. 2014(06)
[5]基于BP神经网络-马尔科夫链模型的隧道围岩位移预测[J]. 龙浩,高睿,孔德新,刘鹏. 长江科学院院报. 2013(03)
[6]灰色-马尔科夫链在年降水量预测中的应用[J]. 魏代俊,谢民育. 华中师范大学学报(自然科学版). 2009(01)
[7]支持向量机在中长期径流预报中的应用[J]. 林剑艺,程春田. 水利学报. 2006(06)
[8]支持向量机在径流预报中的应用探讨[J]. 卢敏,张展羽,冯宝平. 人民长江. 2005(08)
本文编号：3458920
本文链接：https://www.wllwen.com/projectlw/dqwllw/3458920.html
