【摘要】：徑流預(yù)測(cè)是水文研究的一個(gè)重要方向,指通過(guò)建立數(shù)學(xué)模型對(duì)河流的徑流趨勢(shì)進(jìn)行研究及預(yù)測(cè)。預(yù)測(cè)結(jié)果可以廣泛應(yīng)用在防治洪水干旱預(yù)防環(huán)境改善水庫(kù)調(diào)度水電站運(yùn)行航運(yùn)管理水資源分配與管理等領(lǐng)域中。但是,天氣系統(tǒng),流域下墊面以及人類活動(dòng)等多種因素使水文系統(tǒng)的動(dòng)態(tài)性加強(qiáng),規(guī)模性和復(fù)雜性增大。這給預(yù)測(cè)研究帶來(lái)極大挑戰(zhàn)。徑流預(yù)測(cè)的方法,可以分為兩類:一是因果模型,根據(jù)水文過(guò)程的物理機(jī)制進(jìn)行建模;二是數(shù)據(jù)驅(qū)動(dòng)模型,不考慮徑流形成的機(jī)制,通過(guò)挖掘數(shù)據(jù)內(nèi)在的變化規(guī)律進(jìn)行建模。因果模型具有較大的局限性,不僅需要對(duì)水文過(guò)程有詳細(xì)的研究,在不同條件下必須采用特定的模型,而且對(duì)數(shù)據(jù)采集和研究人員的操作經(jīng)驗(yàn)要求較高。在人工智能,機(jī)器學(xué)習(xí)技術(shù)的推動(dòng)下,數(shù)據(jù)驅(qū)動(dòng)模型成為近年來(lái)的研究熱點(diǎn),具有使用簡(jiǎn)便,預(yù)測(cè)精度好,適用性廣等優(yōu)點(diǎn)。本文采用數(shù)據(jù)驅(qū)動(dòng)模型對(duì)黑河徑流量進(jìn)行預(yù)測(cè),所建立的混合模型SARIMA-Random Forest-SVR能夠達(dá)到良好的預(yù)測(cè)效果,擬合優(yōu)度達(dá)到0.832。建模思路如下:首先采用時(shí)間序列分析的方法,建立SARIMA模型對(duì)月度徑流數(shù)據(jù)進(jìn)行預(yù)測(cè)。然后在殘差處理的過(guò)程中,運(yùn)用有監(jiān)督學(xué)習(xí)的模式,以滯后期(滯后期從1到37)的殘差值,滯后期殘差值的滑動(dòng)平均值和滑動(dòng)標(biāo)準(zhǔn)差共41個(gè)變量作為候選輸入變量,現(xiàn)期的殘差值為輸出變量建立支持向量回歸模型。為了提高模型的效率和精度,采用隨機(jī)森林算法(RandomForest)進(jìn)行特征選擇,對(duì)候選輸入變量進(jìn)行分析,從而篩選出重要性得分較高的20個(gè)因子作為模型最終的輸入變量。之后,建立支持向量回歸(Support Vector Regression)模型擬合殘差序列,該過(guò)程中使用模擬退火智能算法(Simulated Annealing)進(jìn)行參數(shù)尋優(yōu)。最后將殘差的預(yù)測(cè)值與時(shí)間序列模型的預(yù)測(cè)值進(jìn)行整合,得到最終的預(yù)測(cè)結(jié)果。與單一模型及其他模型組合對(duì)比可以發(fā)現(xiàn),本文建立的混合模型SARIMARandomForest-SVR能夠充分利用各單一算法模型的優(yōu)勢(shì),達(dá)到良好的預(yù)測(cè)效果。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P333
【圖文】：

研究方法流程圖

士學(xué)位論文 基于 SARIMA和SVR 混合模型的黑河徑流量預(yù)學(xué)習(xí)的目標(biāo)就是求出一個(gè)從xi到y(tǒng)i的映射。當(dāng)yi為離散變量時(shí)，可以歸為分類問(wèn)題；當(dāng)yi為連續(xù)變量時(shí)，所研究的問(wèn)題可以歸為回持向量機(jī) SVM向量機(jī)是一種以 VC 維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論為基礎(chǔ)的分類算法， 年正式發(fā)表(CortesandVapnik,1995)。這種方法在文本分類的問(wèn)題上速成為機(jī)器學(xué)習(xí)的主流技術(shù)。SVM 的本質(zhì)是把樣本的特征向量從到高維空間，目標(biāo)是找到將樣本分隔開(kāi)的最大間隔超平面。，我們從線性可分的情況開(kāi)始討論。如圖 2-1 所示，有兩類樣本，們可以畫(huà)出無(wú)數(shù)條將兩類樣本分開(kāi)的分割線。但是從模型泛化性的有圖中所示的那條實(shí)線是最優(yōu)的。最優(yōu)分割線在高維空間的情況下超平面。

蘭州大學(xué)碩士學(xué)位論文 基于 SARIMA和SVR 混合模型的黑河徑流量預(yù)測(cè)分但在實(shí)踐過(guò)程中，大部分問(wèn)題都是線性不可分的。這種情況下，可以將樣從原始空間映射到一個(gè)更高維的特征空間，目的是為了使得樣本在這個(gè)空間內(nèi)性可分。通過(guò)理論證明可以發(fā)現(xiàn)，如果原始空間的維數(shù)是有限的，即屬性的個(gè)有限，那么一定存在一個(gè)高維特征空間使得樣本可分。這個(gè)過(guò)程中，我們通過(guò)入核函數(shù)來(lái)解決。如圖 2-2 所示，在平面上有兩類線性不可分的樣本點(diǎn)。通過(guò)核函數(shù)，樣本被映射到三維空間，最后通過(guò)分割超平面將兩類樣本分離。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔延華;宋悅;粟曉玲;;祁連山區(qū)氣候變化對(duì)黑河出山徑流的影響[J];人民黃河;2017年05期

2 曹偉;;基于改進(jìn)模糊支持向量機(jī)方法的車爾臣河徑流預(yù)報(bào)[J];水資源開(kāi)發(fā)與管理;2016年01期

3 黃巧玲;粟曉玲;楊家田;;基于小波分解的日徑流支持向量機(jī)回歸預(yù)測(cè)模型[J];西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年04期

4 陳夫凱;夏樂(lè)天;;運(yùn)用ARIMA模型的我國(guó)城鎮(zhèn)化水平預(yù)測(cè)[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué));2014年04期

5 馬金鳳;楊廣;;基于自回歸滑動(dòng)平均模型的瑪納斯河洪水預(yù)報(bào)[J];石河子大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

6 曹輝;黃強(qiáng);暢建霞;張洪波;;黑河徑流時(shí)空演變規(guī)律分析[J];水資源與水工程學(xué)報(bào);2008年05期

7 王鈞;蒙吉軍;;黑河流域近60年來(lái)徑流量變化及影響因素[J];地理科學(xué);2008年01期

8 R.D.辛格;陳志斌;;用變化的降雨—徑流資料通過(guò)反向傳播人工神經(jīng)網(wǎng)絡(luò)模擬徑流[J];水資源研究;2006年02期

9 藍(lán)永超,丁永建,劉進(jìn)琪,康爾泗,魏智;全球氣候變暖情景下黑河山區(qū)流域水資源的變化[J];中國(guó)沙漠;2005年06期

10 李棟梁,劉洪蘭;黑河流量對(duì)祁連山氣候年代際變化的響應(yīng)[J];中國(guó)沙漠;2004年04期

相關(guān)碩士學(xué)位論文 前2條

1 任妮;改進(jìn)L-M型BP模型的降雨徑流預(yù)報(bào)[D];大連理工大學(xué);2006年

2 劉曉安;小波分析在徑流分析和預(yù)報(bào)中的應(yīng)用研究[D];華中科技大學(xué);2006年

本文編號(hào)：2749104