針對(duì)傳統(tǒng)隨機(jī)森林（RF）模型決策樹因投票權(quán)重相同而導(dǎo)致預(yù)測(cè)精度不高的問題,采用加權(quán)隨機(jī)森林（WRF）模型全面考慮各決策樹分類能力的差異性,建立決策樹加權(quán)投票機(jī)制;同時(shí)運(yùn)用粒子群算法（PSO）進(jìn)行參數(shù)全局尋優(yōu),避免依據(jù)經(jīng)驗(yàn)選取參數(shù)的不科學(xué)性,通過二者耦合最終構(gòu)建PSO-WRF模型。利用渭河中下游咸陽(yáng)站與華縣站1960—2009年的徑流系列對(duì)RF、WRF、PSO-WRF三種模型進(jìn)行訓(xùn)練及測(cè)試,結(jié)果表明,PSO-WRF在咸陽(yáng)站與華縣站的平均相對(duì)誤差絕對(duì)值（MRE）分別為7.05%和9.41%,且均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）等指標(biāo)均降至優(yōu)化前的30%～50%,各年預(yù)測(cè)誤差最低可降低至優(yōu)化前的1/3～1/6。PSO-WRF模型優(yōu)化效果顯著,表現(xiàn)出良好的預(yù)測(cè)精度和泛化能力,能夠?yàn)橄嚓P(guān)徑流預(yù)測(cè)研究提供一定參考。 

【文章來源】：水利水電技術(shù). 2020,51(08)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

PSO-WRF流程

渭河是黃河的第一大支流,流經(jīng)甘肅、陜西二省,屬于溫帶大陸性氣候,多年平均氣溫6～14 ℃,多年平均降水量500～800 mm,多年平均蒸發(fā)量1 000～2 000 mm[14],流域面積134 766 km2。渭河干流全長(zhǎng)818 km,本次選取位于渭河上中游分界處的咸陽(yáng)站和位于渭河下游接入黃河處的華縣站為例[14],根據(jù)兩站1960—2009年近50 a的年、月徑流量相關(guān)關(guān)系,建立PSO-WRF預(yù)測(cè)模型,考察預(yù)測(cè)效果(見圖2)。通過分析兩測(cè)站年徑流量與其各自年內(nèi)1—10月份徑流量的相關(guān)性發(fā)現(xiàn)(相關(guān)系數(shù)見表1),測(cè)站每年5—10月份的徑流量與年徑流量相關(guān)性較好,相關(guān)系數(shù)均在0.418～0.872之間,其中7—9月份達(dá)到顯著相關(guān)水平,相關(guān)性在0.711以上。

表1 年徑流量與1—10月份徑流量相關(guān)系數(shù) 測(cè) 站 時(shí) 間 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 咸陽(yáng)站 0.108 0.122 0.141 0.095 0.421 0.529 0.748* 0.872* 0.713* 0.577 華縣站 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(雙側(cè))上顯著相關(guān)圖4 三種模型預(yù)測(cè)相對(duì)誤差

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林和粒子群優(yōu)化的SVR的混合氣體分析方法研究[J]. 李紫蕊,范書瑞,花中秋,夏克文,張艷.  傳感技術(shù)學(xué)報(bào). 2019(11)
[2]基于改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型[J]. 邢書豪,孫文慧,顏勇,張智晟.  青島大學(xué)學(xué)報(bào)(工程技術(shù)版). 2019(03)
[3]多組群教學(xué)優(yōu)化算法-神經(jīng)網(wǎng)絡(luò)-支持向量機(jī)組合模型在徑流預(yù)測(cè)中的應(yīng)用[J]. 崔東文.  水利水電科技進(jìn)展. 2019(04)
[4]基于粒子群優(yōu)化加權(quán)隨機(jī)森林的非侵入式負(fù)荷辨識(shí)[J]. 謝詩(shī)雨,李君豪,王勁峰,熊雙菊,唐陽(yáng).  電器與能效管理技術(shù). 2019(09)
[5]基于PSO-BP神經(jīng)網(wǎng)絡(luò)的西洞庭湖南咀站徑流預(yù)測(cè)[J]. 趙文剛,劉曉群,宋雯,石林,馬孝義.  人民長(zhǎng)江. 2019(03)
[6]基于隨機(jī)漂移粒子群優(yōu)化的隨機(jī)森林預(yù)測(cè)模型及水文應(yīng)用實(shí)例[J]. 崔東文,郭榮.  三峽大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[7]一種基于粒子群算法優(yōu)化的加權(quán)隨機(jī)森林模型[J]. 王杰,程學(xué)新,彭金柱.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2018(01)
[8]基于BA-LSSVM模型的月徑流預(yù)測(cè)方法[J]. 武群麗,彭晨陽(yáng).  中國(guó)農(nóng)村水利水電. 2017(03)
[9]基于KPCA-PSO-SVM的徑流預(yù)測(cè)研究[J]. 楊易華,羅偉偉.  人民長(zhǎng)江. 2017(03)
[10]基于互信息的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及其應(yīng)用[J]. 劉蕊鑫,紀(jì)昌明,馬源.  中國(guó)農(nóng)村水利水電. 2016(10)

博士論文
[1]基于群智能優(yōu)化的機(jī)器學(xué)習(xí)方法研究及應(yīng)用[D]. 趙東.吉林大學(xué) 2017

碩士論文
[1]隨機(jī)森林自適應(yīng)特征選擇和參數(shù)優(yōu)化算法研究[D]. 劉凱.長(zhǎng)春工業(yè)大學(xué) 2018
[2]粒子群優(yōu)化加權(quán)隨機(jī)森林算法研究[D]. 程學(xué)新.鄭州大學(xué) 2017
[3]隨機(jī)森林算法的優(yōu)化改進(jìn)研究[D]. 馬驪.暨南大學(xué) 2016



本文編號(hào)：3063342