為提高年徑流預測的精度,以呼蘭河下游蘭西水文站1959—2014年的年徑流數據作為輸出,相應的流域氣象數據作為輸入,將BP神經網絡和支持向量機（SVM）相結合,構建基于馬爾科夫鏈修正的BP-SVM預測模型,運用該模型對呼蘭河流域的年徑流進行預測。采用哈里斯鷹群算法（HHO）優(yōu)化支持向量機參數,構建HHO-SVM模型,并進行年徑流預測,利用訓練好的BP神經網絡對年徑流進行預測,分別運用馬爾科夫鏈對兩種模型的預測結果進行修正,通過最小二乘法確定模型組合權重,將兩模型的預測結果進行組合,得到最終的年徑流預測值。研究結果表明:HHO-SVM模型預測結果優(yōu)于BP神經網絡預測值;經馬爾科夫鏈修正后,BP神經網絡預測值精度提高較大,經最小二乘法組合后的預測結果平均相對誤差為11.36%,確定性系數為0.95,合格率達90.91%。哈里斯鷹群算法（HHO）能較好的解決支持向量機參數優(yōu)化問題,馬爾科夫鏈的修正在一定程度能提高了各個模型的預測精度,提出的混合模型為年徑流預測提供了一種新的方法。 

【文章來源】：水利水電技術. 2020,51(11)北大核心

【文章頁數】：7 頁

【部分圖文】：

呼蘭河流域及研究站點位置示意

各個模型預測結果與實測值對比如圖2所示,各個模型的相對誤差結果對比如圖3所示。本文選擇相對誤差在20%以內的預測結果為合格預測。從2004—2014年的預測結果可以得出,HHO-SVM模型的預測精度要高于BP神經網絡的預測精度;經馬爾科夫鏈修正的兩個模型的預測精度均有的提升,HHO-SVM模型的平均相對誤差降到至15.34%,BP神經網絡的相對誤差降低至20.81%,二者的合格率分別提高至81.82%、54.55%;經馬爾科夫鏈修正后,HHO-SVM模型的確定性系數有略微的降低,而BP神經網絡模型的確定性系數得到了明顯地提高。通過最小二乘法確定模型組合系數后,組合模型的預測結果平均相對誤差值降低至11.36%,合格率和確定性系數分別提高至90.91%、0.95。因此,可以得出組合后的模型預測結果優(yōu)于原始兩種模型的預測結果。與王文川等[14]基于馬爾可夫鏈校正GM-BP模型徑流預測的結果相比,平均相對誤差減少了10.69%,達到了較好的預測結果,為徑流預報提供了一種新的途徑。

表2 2004—2014年HHO-SVM模型及BP神經網絡預測結果統(tǒng)計 年 份 實測值/mm HHO-SVM BP神經網絡 最小二乘法組合 預測值/mm 相對誤差/% M-C校正 預測值/mm 相對誤差/% M-C校正 預測值/mm 相對誤差/% 預測值/mm 相對誤差/% 預測值/mm 相對誤差/% 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 平均相對誤差/% 24.13 15.34 47.37 20.81 11.36 平均誤差絕對值 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 0.85 0.81 0.53 0.85 0.953 結 論

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



本文編號：3458920