為提高年徑流預(yù)測(cè)的精度,以呼蘭河下游蘭西水文站1959—2014年的年徑流數(shù)據(jù)作為輸出,相應(yīng)的流域氣象數(shù)據(jù)作為輸入,將BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）相結(jié)合,構(gòu)建基于馬爾科夫鏈修正的BP-SVM預(yù)測(cè)模型,運(yùn)用該模型對(duì)呼蘭河流域的年徑流進(jìn)行預(yù)測(cè)。采用哈里斯鷹群算法（HHO）優(yōu)化支持向量機(jī)參數(shù),構(gòu)建HHO-SVM模型,并進(jìn)行年徑流預(yù)測(cè),利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)年徑流進(jìn)行預(yù)測(cè),分別運(yùn)用馬爾科夫鏈對(duì)兩種模型的預(yù)測(cè)結(jié)果進(jìn)行修正,通過(guò)最小二乘法確定模型組合權(quán)重,將兩模型的預(yù)測(cè)結(jié)果進(jìn)行組合,得到最終的年徑流預(yù)測(cè)值。研究結(jié)果表明:HHO-SVM模型預(yù)測(cè)結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值;經(jīng)馬爾科夫鏈修正后,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值精度提高較大,經(jīng)最小二乘法組合后的預(yù)測(cè)結(jié)果平均相對(duì)誤差為11.36%,確定性系數(shù)為0.95,合格率達(dá)90.91%。哈里斯鷹群算法（HHO）能較好的解決支持向量機(jī)參數(shù)優(yōu)化問(wèn)題,馬爾科夫鏈的修正在一定程度能提高了各個(gè)模型的預(yù)測(cè)精度,提出的混合模型為年徑流預(yù)測(cè)提供了一種新的方法。 

【文章來(lái)源】：水利水電技術(shù). 2020,51(11)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

呼蘭河流域及研究站點(diǎn)位置示意

各個(gè)模型預(yù)測(cè)結(jié)果與實(shí)測(cè)值對(duì)比如圖2所示,各個(gè)模型的相對(duì)誤差結(jié)果對(duì)比如圖3所示。本文選擇相對(duì)誤差在20%以內(nèi)的預(yù)測(cè)結(jié)果為合格預(yù)測(cè)。從2004—2014年的預(yù)測(cè)結(jié)果可以得出,HHO-SVM模型的預(yù)測(cè)精度要高于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度;經(jīng)馬爾科夫鏈修正的兩個(gè)模型的預(yù)測(cè)精度均有的提升,HHO-SVM模型的平均相對(duì)誤差降到至15.34%,BP神經(jīng)網(wǎng)絡(luò)的相對(duì)誤差降低至20.81%,二者的合格率分別提高至81.82%、54.55%;經(jīng)馬爾科夫鏈修正后,HHO-SVM模型的確定性系數(shù)有略微的降低,而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型的確定性系數(shù)得到了明顯地提高。通過(guò)最小二乘法確定模型組合系數(shù)后,組合模型的預(yù)測(cè)結(jié)果平均相對(duì)誤差值降低至11.36%,合格率和確定性系數(shù)分別提高至90.91%、0.95。因此,可以得出組合后的模型預(yù)測(cè)結(jié)果優(yōu)于原始兩種模型的預(yù)測(cè)結(jié)果。與王文川等[14]基于馬爾可夫鏈校正GM-BP模型徑流預(yù)測(cè)的結(jié)果相比,平均相對(duì)誤差減少了10.69%,達(dá)到了較好的預(yù)測(cè)結(jié)果,為徑流預(yù)報(bào)提供了一種新的途徑。

表2 2004—2014年HHO-SVM模型及BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果統(tǒng)計(jì) 年 份 實(shí)測(cè)值/mm HHO-SVM BP神經(jīng)網(wǎng)絡(luò) 最小二乘法組合 預(yù)測(cè)值/mm 相對(duì)誤差/% M-C校正 預(yù)測(cè)值/mm 相對(duì)誤差/% M-C校正 預(yù)測(cè)值/mm 相對(duì)誤差/% 預(yù)測(cè)值/mm 相對(duì)誤差/% 預(yù)測(cè)值/mm 相對(duì)誤差/% 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 平均相對(duì)誤差/% 24.13 15.34 47.37 20.81 11.36 平均誤差絕對(duì)值 18.54 17.79 40.54 19.56 11.72 合格率/% 54.55 81.82 18.18 54.55 90.91 確定性系數(shù) 0.85 0.81 0.53 0.85 0.953 結(jié) 論

【參考文獻(xiàn)】：
期刊論文
[1]基于馬爾可夫鏈校正GM-BP模型的徑流預(yù)測(cè)[J]. 王文川,李文錦,徐冬梅,李慶敏.  南水北調(diào)與水利科技. 2019(05)
[2]幾種智能算法與支持向量機(jī)融合模型在中長(zhǎng)期月徑流預(yù)測(cè)中的應(yīng)用[J]. 崔東文.  華北水利水電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(05)
[3]基于果蠅優(yōu)化算法的支持向量機(jī)徑流預(yù)測(cè)[J]. 吳瓊,陳志軍.  人民黃河. 2015(09)
[4]改進(jìn)灰色-馬爾科夫模型在年降水量預(yù)測(cè)中的應(yīng)用研究[J]. 杜川,梁秀娟,王中凱,肖長(zhǎng)來(lái),王亮.  節(jié)水灌溉. 2014(06)
[5]基于BP神經(jīng)網(wǎng)絡(luò)-馬爾科夫鏈模型的隧道圍巖位移預(yù)測(cè)[J]. 龍浩,高睿,孔德新,劉鵬.  長(zhǎng)江科學(xué)院院報(bào). 2013(03)
[6]灰色-馬爾科夫鏈在年降水量預(yù)測(cè)中的應(yīng)用[J]. 魏代俊,謝民育.  華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(01)
[7]支持向量機(jī)在中長(zhǎng)期徑流預(yù)報(bào)中的應(yīng)用[J]. 林劍藝,程春田.  水利學(xué)報(bào). 2006(06)
[8]支持向量機(jī)在徑流預(yù)報(bào)中的應(yīng)用探討[J]. 盧敏,張展羽,馮寶平.  人民長(zhǎng)江. 2005(08)



本文編號(hào)：3458920