BRR-SVR月降水量预测优化模型

论文摘要

受多种因素影响,水文时间序列具有非平稳性。研究时间序列的传统模型如ARMA对数据的平稳性有较高要求,不适用于非平稳水文时间序列的研究。近年来,机器学习算法越来越多地被应用于研究水文过程,本文将支持向量机回归（SVR）和贝叶斯岭回归（BRR）应用于月降水量的预测。运用小波变换对降水数据进行分解和重构,然后对各子序列进行相空间重构,运用校验数据从SVR和BRR中选取每个子序列上精度更高的模型,构建耦合支持向量机回归和贝叶斯岭回归的BRR-SVR优化模型,并与单一的BRR模型和SVR模型加以对比。以北京站、南京站和太湖流域7个雨量站为例,采用确定系数、平均绝对百分比误差和平均绝对误差3项指标评估各模型的预测性能,以相对误差图探讨三类模型之间的差异,计算结果验证优化模型的有效性。

论文目录

• 1 研究背景
• 2 基本方法
•   2.1 小波变换
•   2.2 支持向量机回归（SVR）
•   2.3 贝叶斯岭回归（BRR）
• 3 模型构建
•   3.1 数据预处理
•   3.2 模型的训练和校验
•     3.2.1 BRR模型
•     3.2.2 SVR模型
•     3.2.3 BRR-SVR模型
• 4 实例分析
•   4.1 模型参数校验及优化模型组合
•   4.2 模型预测效果评价
•     4.2.1 北京站预测效果分析
•     4.2.2 南京站预测效果分析
•     4.2.3 北京站与南京站预测效果的对比
•   4.3 讨论
• 5 结论与展望

文章来源

类型: 期刊论文

作者: 贺玉琪,王栋,王远坤

关键词: 贝叶斯岭回归,支持向量机回归,小波变换,降水预测,优化模型

来源: 水利学报 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑,基础科学,信息科技

专业: 气象学,自动化技术

单位: 南京大学地球科学与工程学院

基金: 国家重点研发计划项目(2017YFC1502704,2016YFC0401501),国家自然科学基金项目(41571017,51679118,91647203),江苏省“333计划”项目(BRA2018060)

分类号: TP181;P45

DOI: 10.13243/j.cnki.slxb.20190479

页码: 1529-1537

总页数: 9

文件大小: 1263K

下载量: 307