CN112818608A - 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 - Google Patents

一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 Download PDF

Info

Publication number
CN112818608A
CN112818608A CN202110197555.XA CN202110197555A CN112818608A CN 112818608 A CN112818608 A CN 112818608A CN 202110197555 A CN202110197555 A CN 202110197555A CN 112818608 A CN112818608 A CN 112818608A
Authority
CN
China
Prior art keywords
particle swarm
runoff
forecasting
optimization algorithm
swarm optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110197555.XA
Other languages
English (en)
Inventor
向正林
杨明祥
李建秋
董宁澎
陈含
张豪
陈满
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Original Assignee
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd filed Critical Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority to CN202110197555.XA priority Critical patent/CN112818608A/zh
Publication of CN112818608A publication Critical patent/CN112818608A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，包括选取多项气候指数历史数据和待预报流域的历史径流量，从多项气候指数历史数据中选取预报因子并处理，与待预报流域的历史径流量结合构建模型数据集并分为训练集和测试集；对陷入局部最优的粒子实施拉伸操作获取改进的粒子群优化算法；基于改进的粒子群优化算法获取SVR的最优参数组合建立基于改进的粒子群优化算法的SVR预报模型，利用训练集训练预报模型；将测试集输入到预报模型中获取的输出结果与测试集中的真实径流量数据作对比，评价预报模型的预报效果。优点是：提升了中长期预报方法的预报精度和泛化能力，可有效避免易陷入局部最优导致的预测精度不高等问题。

Description

一种基于改进的粒子群优化算法与支持向量机的中长期径流 预报方法
技术领域
本发明涉及水文预报技术领域，尤其涉及一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法。
背景技术
近年来，以人工神经网络和支持向量机为代表的机器学习算法逐渐应用到中长期水文预报中。其中，支持向量回归机(SVR)在小样本、非线性、高维度回归预测问题中表现出了出色的性能，利用标准的粒子群优化算法(PSO)寻找SVR的惩罚系数C、不敏感系数ε以及高斯径向基核函数的gamma参数，以气象因子作为预报因子，从中识别出与流域径流最相关的因子，采用PSO-SVR模型学习预报因子与流域径流之间的关系。然而，标准的粒子群优化算法虽收敛速度较快，但非常容易陷入局部最优解，难以在全局范围内找到一组SVR的最佳参数。
发明内容
本发明的目的在于提供一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，包括如下步骤，
S1、选取多项气候指数历史数据以及待预报流域的历史径流量，从多项气候指数历史数据中选取与待预报流域的径流量相关性最强的前20项气候指数作为预报因子，并将对预报因子处理后获取的关键影响因子与待预报流域的历史径流量对应结合，构建模型数据集，并将模型数据集按比例分为训练集和测试集；
S2、对粒子群优化算法中陷入局部最优的粒子实施拉伸操作获取改进的粒子群优化算法；基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型；利用训练集训练基于改进的粒子群优化算法的SVR预报模型；
S3、将测试集输入训练好的基于改进的粒子群优化算法的SVR预报模型中输出测试结果；并利用测试结果对比测试集中的真实径流量数据，评价基于改进的粒子群优化算法的SVR预报模型的预报效果。
优选的，步骤S1具体包括如下内容，
S11、选取多项气候指数的历史数据以及待预报流域的历史径流量，采用相关性分析法确定径流量与气候指数之间的相关性系数；并选取相关性最强的前20项气候指数作为初选预报因子；相关性系数的计算公式为，
Figure BDA0002947625070000021
其中，xi为该气候指数第i个样本数据的值；yi为第i个样本数据的径流值；i＝1,2,3,…k，k为样本的总数量；
Figure BDA0002947625070000022
为该气候指数的均值；
Figure BDA0002947625070000023
为多年径流值的均值；ρ为径流量和该气候指数之间的相关性系数；
S12、使用主成分分子法对初选预报因子进行降维，提取其中影响径流过程的关键影响因子；
S13、利用最大最小标准化方法对关键影响因子进行归一化处理，并将归一化处理后的关键影响因子与待预报流域的历史径流量数据对应结合，构成模型数据集；所述归一化处理的公式为，
Figure BDA0002947625070000024
其中，x为关键影响因子；xnorm为归一化后的关键影响因子，xmax、xmin分别为关键影响因子中的最大值和最小值；
S14、选定待预报流域K年的径流量数据的集合作为样本数据，样本数据与归一化处理后的关键影响因子组成模型数据集；将样本数据中前M年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为训练集；将样本数据中后N年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为测试集；其中，K＝M+N。
优选的，基于改进的粒子群优化算法获取SVR的最优参数组合具体为，采用改进的粒子群优化算法获取SVR的最优惩罚系数C、最优不敏感系数ε以及高斯径向基核函数的最优gamma参数。
优选的，基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型具体为，
S21、初始化参数粒子群大小、初始位置和初始速度；
S22、以纳什效率系数作为改进的粒子群优化算法的适应度评估函数，计算粒子群中各个粒子的当前适应度；所述纳什系数的计算公式为，
Figure BDA0002947625070000031
其中，yn为第n年径流量实测值，
Figure BDA0002947625070000032
为第n年径流量预测值；N为训练集的样本年；
Figure BDA0002947625070000033
为实测径流值的N年均值；
S23、依次判断各粒子的当前适应度是否连续三次大于粒子群的平均适应度，若某粒子的当前适应度连续三次大于粒子群的平均适应度，则表示该粒子陷入局部最优，对该粒子进行拉伸操作后进入S24；若否，则直接进入S24；
S24、根据各个粒子的当前适应度更新各个粒子的速度、位置、粒子经历过的最优位置和粒子群经历过的最优位置；判断是否达到终止条件或者达到最大迭代数，若是，则输出粒子群优的最优位置，该最优位置的坐标组成SVR的最优参数组合；若否，则返回S22；
S25、利用SVR的最优参数组合构建基于改进的粒子群优化算法的SVR预报模型。
优选的，步骤S24中,按照如下公式更新粒子速度，
v＝(0.9-t*(0.9-0.4)/N)*vj+c1*rand()*(pbestj-xj)+c2*rand()*(gbestj-xj)
其中，t为迭代总次数，c1、c2表示的是增速因子，j表示迭代次数；rand()为区间[0.0,1.0)的一个随机数；xj表示第j次迭代时粒子的位置，vj表示第j次迭代时粒子的速度；pbestj表示第j次迭代时粒子的最优位置；gbestj表示第j次迭代时粒子群的最优位置；
按照如下公式更新粒子位置，
xj+1＝xj+vj+1
其中，xj表示第j+1次迭代时粒子的位置，vj表示第j+1次迭代时粒子的速度。
优选的，所述拉伸操作具体为，
SO＝c3*rand()*(gbest-pbest)
其中，c3为拉伸因子；c3＝(f(e)-fmin)/(favg-fmin)，f(e)为粒子e的适应度；fmin为该粒子群的适应度最小值；favg为该粒子群的适应度平均值，当粒子i的适应度与粒子群适应度最小值差越大时，拉伸因子c3值越大；pbest为粒子到目前迭代为止的局部最优位置；gbest为粒子群到目前迭代为止的全局最优位置。
优选的，采用平均绝对误差和合格率作为评价指标，评价基于改进的粒子群优化算法的SVR预报模型的预报效果；所述平均绝对误差和合格率的计算公式分别如下，
Figure BDA0002947625070000041
Figure BDA0002947625070000042
其中，
Figure BDA0002947625070000043
ym分别为第t年的径流量预测值和径流量实测值，M为测试集的样本年数；以变幅的20％作为合格率的评价标准。
本发明的有益效果是：当粒子群中粒子陷于较差搜索区域时，采用拉伸操作跳出当前区域的策略。相较于目前标准的粒子群优化算法对SVR参数寻优，提升了中长期预报方法的预报精度和泛化能力，可有效避免易陷入局部最优导致的预测精度不高等问题，提升了预报的参考价值。
附图说明
图1是本发明实施例中径流预报方法的流程示意图；
图2是本发明实施例中改进的粒子群优化算法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，本实施例中，提供了一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，包括如下步骤，
S1、选取多项气候指数历史数据以及待预报流域的历史径流量，从多项气候指数历史数据中选取与待预报流域的径流量相关性最强的前20项气候指数作为预报因子，并将对预报因子处理后获取的关键影响因子与待预报流域的历史径流量对应结合，构建模型数据集，并将模型数据集按比例分为训练集和测试集；
S2、对粒子群优化算法中陷入局部最优的粒子实施拉伸操作获取改进的粒子群优化算法；基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型；利用训练集训练基于改进的粒子群优化算法的SVR预报模型；
S3、将测试集输入训练好的基于改进的粒子群优化算法的SVR预报模型中输出测试结果；并利用测试结果对比测试集中的真实径流量数据，评价基于改进的粒子群优化算法的SVR预报模型的预报效果。
本实施例中，径流预报方法具体包括三部分内容，分别为构建模型数据集、建立基于改进的粒子群优化算法的SVR预报模型并训练、评价基于改进的粒子群优化算法的SVR预报模型的预报效果。下面分别针对这三部分内容进行详细的解释：
一、构建模型数据集
该部分对应步骤S1的内容，步骤S1具体包括如下内容，
S11、选取多项气候指数的历史数据以及待预报流域的历史径流量，采用相关性分析法确定径流量与气候指数之间的相关性系数；并选取相关性最强的前20项气候指数作为初选预报因子；相关性系数的计算公式为，
Figure BDA0002947625070000051
其中，xi为该气候指数第i个样本数据的值；yi为第i个样本数据的径流值；i＝1,2,3,…k，k为样本的总数量；
Figure BDA0002947625070000061
为该气候指数的均值；
Figure BDA0002947625070000062
为多年径流值的均值；ρ为径流量和该气候指数之间的相关性系数；
S12、使用主成分分子法对初选预报因子进行降维，提取其中影响径流过程的关键影响因子；
S13、利用最大最小标准化方法对关键影响因子进行归一化处理，并将归一化处理后的关键影响因子与待预报流域的历史径流量数据对应结合，构成模型数据集；所述归一化处理的公式为，
Figure BDA0002947625070000063
其中，x为关键影响因子；xnorm为归一化后的关键影响因子，xmax、xmin分别为关键影响因子中的最大值和最小值；
S14、选定待预报流域K年的径流量数据的集合作为样本数据，样本数据与归一化处理后的关键影响因子组成模型数据集；将样本数据中前M年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为训练集；将样本数据中后N年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为测试集；其中，K＝M+N。一般的M与N的比例为8:2。
二、建立基于改进的粒子群优化算法的SVR预报模型并训练
该部分对应步骤S2的内容，步骤S2中基于改进的粒子群优化算法获取SVR的最优参数组合具体为，采用改进的粒子群优化算法获取SVR的最优惩罚系数C、最优不敏感系数ε以及高斯径向基核函数的最优gamma参数。
对于标准的粒子群优化算法，虽收敛速度较快，但非常容易陷入局部最优解，难以在全局范围内找到一组SVR的最佳参数。因此，本发明针对陷入解空间的局部最优时，以一定概率对被困粒子实行拉伸操作，使得被困的粒子跳出局部最优，向较好的区域搜索，这种改进一定程度上减少了粒子陷入局部最优的概率，使得粒子具有大概率搜索到全局最优解的可能性.并且可能搜索到精度更高的解。
对于每个陷入局部最优的粒子，定义拉伸操作
SO＝c3*rand()*(gbest-pbest)
其中，c3为拉伸因子；c3＝(f(e)-fmin)/(favg-fmin)，f(e)为粒子e的适应度；fmin为该粒子群的适应度最小值；favg为该粒子群的适应度平均值，当粒子i的适应度与粒子群适应度最小值差越大时，拉伸因子c3值越大；pbest为粒子到目前迭代为止的局部最优位置；gbest为粒子群到目前迭代为止的全局最优位置。
当拉伸操作对粒子的速度影响越大，对粒子位置更新影响也越大。在实际运用过程中，并不是对所有陷入较差搜索区域的粒子立即实行拉伸操作，当粒子连续三次适应度评估值都大于粒子群适应度，则对该粒子实行拉伸操作。若对粒子群中所有的陷于较差搜索区域的粒子立即实行拉伸操作，粒子群的多样性将会降低，从而导致过早收敛。
因此，参见附图2，基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型具体为，
S21、初始化参数粒子群大小、初始位置和初始速度；
S22、以纳什效率系数作为改进的粒子群优化算法的适应度评估函数，计算粒子群中各个粒子的当前适应度；所述纳什系数的计算公式为，
Figure BDA0002947625070000071
其中，yn为第n年径流量实测值，
Figure BDA0002947625070000072
为第n年径流量预测值；N为训练集的样本年；
Figure BDA0002947625070000073
为实测径流值的N年均值；
S23、依次判断各粒子的当前适应度是否连续三次大于粒子群的平均适应度，若某粒子的当前适应度连续三次大于粒子群的平均适应度，则表示该粒子陷入局部最优，对该粒子进行拉伸操作后进入S24；若否，则直接进入S24；
S24、根据各个粒子的当前适应度更新各个粒子的速度、位置、粒子经历过的最优位置和粒子群经历过的最优位置；判断是否达到终止条件或者达到最大迭代数，若是，则输出粒子群优的最优位置，该最优位置的坐标组成SVR的最优参数组合；若否，则返回S22；
S25、利用SVR的最优参数组合构建基于改进的粒子群优化算法的SVR预报模型。
步骤S24中,按照如下公式更新粒子速度，
v＝(0.9-t*(0.9-0.4)/N)*vj+c1*rand()*(pbestj-xj)+c2*rand()*(gbestj-xj)
其中，t为迭代总次数，c1、c2表示的是增速因子，j表示迭代次数；rand()为区间[0.0,1.0)的一个随机数；xj表示第j次迭代时粒子的位置，vj表示第j次迭代时粒子的速度；pbestj表示第j次迭代时粒子的最优位置；gbestj表示第j次迭代时粒子群的最优位置；
按照如下公式更新粒子位置，
xj+1＝xj+vj+1
其中，xj表示第j+1次迭代时粒子的位置，vj表示第j+1次迭代时粒子的速度。
三、评价基于改进的粒子群优化算法的SVR预报模型的预报效果
该部分对应步骤S3的内容，步骤S3采用平均绝对误差和合格率作为评价指标，评价基于改进的粒子群优化算法的SVR预报模型的预报效果；所述平均绝对误差和合格率的计算公式分别如下，
Figure BDA0002947625070000081
Figure BDA0002947625070000082
其中，
Figure BDA0002947625070000083
ym分别为第t年的径流量预测值和径流量实测值，M为测试集的样本年数；以变幅的20％作为合格率的评价标准。
通过测试集中真实径流数据对比基于改进的粒子群优化算法的SVR预报模型输出的预报数值，以图表的形式展示中长期预报模型的学习效果。
实施例二
本实施例中，结合具体实例对本发明的径流预报方法进一步详细说明。
一、构建模型数据集
从中国气象局国家气候中心获取气候指数集，共130项。其中包含88项大气环流指数、26项海温指数和16项其它指数。分析130项气候系统指数与历史径流的相关性强度并从中提取相关性最强的20项初选预报因子，组成初选预报因子矩阵，采用主成分分析法对初选预报因子矩阵降维(消除重复、冗余因子，降低特征维度)，得到关键影响因子矩阵。再对关键影响因子矩阵进行最大最小归一化处理，然后结合历史径流数据构建模型数据集。将模型数据集按照比例8:2分割成数据集与测试集。
使用的主成分分析法对得到的初选预报因子矩阵降维，设定选取因子的总贡献度设为90％，从初选预报因子矩阵中提取关键影响因子。
本实例采用丹江口水库近38年的入库径流数据作为样本径流，结合关键影响因子，构建样本数据集并对数据集分割成训练集与测试集，即选用前30年的历史径流数据与对应的关键影响因子构建训练集，选用后8年的历史径流数据与对应关键影响因子构建测试集。
二、建立基于改进的粒子群优化算法的SVR预报模型并训练
通过改进的粒子群优化算法确定SVR中惩罚系数C、不敏感系数ε以及高斯径向基核函数的gamma参数。具体的，设定粒子群规模，并为每个粒子随机设定初始位置，计算粒子的个体最佳位置和粒子群的全局最佳适应度，判别该粒子当前位置是否连续三次大于种群平均位置，若是，则对该粒子实行拉伸操作。接下来更新每个粒子的速度和位置，不断迭代直至达到设置的迭代终止条件或者达到迭代次数上限。此时，得到位置最优的粒子的坐标值即为SVR模型参数C、ε、gamma的最优解；将得到的C、ε、gamma三个参数代入SVR中，利用训练集训练模型；最终获取训练好的基于改进的粒子群优化算法的SVR预报模型。
以训练集训练基于改进的粒子群优化算法确定SVR的惩罚系数C、不敏感系数ε以及高斯径向基核函数的gamma参数。根据设定参数初始化粒子群规模大小，计算每个粒子当前的适应度，通过与每个粒子自身历史最佳适应度以及全局最佳适应度比较，确定每个粒子的个体最佳位置以及粒子群的全局最优位置，并更新每个粒子的速度和位置，迭代至满足终止条件或者达到最大迭代次数，输出最优位置，最优位置的坐标值对应SVR的C、ε、gamma参数的最优值。
本实施例中，改进的粒子群优化算法具体步骤包括：确定C、ε、gamma三个参数的取值范围,即确定粒子位置和速度的取值范围，最大值、最小值分别设置为{100,50,50}、{0.001,0.01,0.01}；粒子速度的最大最小值分别为(10,1,1)、(-10,-1,-1)。粒子群规模大小设置为500，迭代次数设置为1000。确定适应度评估函数，本实施例以纳什效率系数作为适应度评估函数。计算每个粒子当前位置，并且判断当前适应度评估值是否连续三次均大于粒子群适应度，若是，则对该粒子实行拉伸操作。接着，确定每个粒子的个体最佳位置，将每个粒子的适应度与其历史最佳适应度作比较，确定该粒子的当前最佳位置。确定整个粒子群的全局最佳位置，将每个粒子的当前最佳位置的适应度与整个粒子群的当前最佳适应度作比较，确定当前的全局最佳位置。更新粒子的位置与速度；判断算法是否满足结束条件，不满足则继续迭代；满足则输出最优结果，此时的全局优解即是三个参数的最优解；本实施例中结束条件设定为算法的迭代次数达到上限1000次。
三、评价基于改进的粒子群优化算法的SVR预报模型的预报效果
将测试集输入到已训练好的基于改进的粒子群优化算法的SVR预报模型中，输出测试结果。采用平均绝对误差(MAE)和合格率(以变幅的20％作为评价标准)作为评价指标。
以测试集中真实径流数据对比预报模型输出的预报数值，以图表的形式展示中长期预报模型的学习效果。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明公开了一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法；当粒子群中粒子陷于较差搜索区域时，采用拉伸操作跳出当前区域的策略。相较于目前标准的粒子群优化算法对SVR参数寻优，提升了中长期预报方法的预报精度和泛化能力，可有效避免易陷入局部最优导致的预测精度不高等问题，提升了预报的参考价值。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：包括如下步骤，
S1、选取多项气候指数历史数据以及待预报流域的历史径流量，从多项气候指数历史数据中选取与待预报流域的径流量相关性最强的前20项气候指数作为预报因子，并将对预报因子处理后获取的关键影响因子与待预报流域的历史径流量对应结合，构建模型数据集，并将模型数据集按比例分为训练集和测试集；
S2、对粒子群优化算法中陷入局部最优的粒子实施拉伸操作获取改进的粒子群优化算法；基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型；利用训练集训练基于改进的粒子群优化算法的SVR预报模型；
S3、将测试集输入训练好的基于改进的粒子群优化算法的SVR预报模型中输出测试结果；并利用测试结果对比测试集中的真实径流量数据，评价基于改进的粒子群优化算法的SVR预报模型的预报效果。
2.根据权利要求1所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：步骤S1具体包括如下内容，
S11、选取多项气候指数的历史数据以及待预报流域的历史径流量，采用相关性分析法确定径流量与气候指数之间的相关性系数；并选取相关性最强的前20项气候指数作为初选预报因子；相关性系数的计算公式为，
Figure FDA0002947625060000011
其中，xi为该气候指数第i个样本数据的值；yi为第i个样本数据的径流值；i＝1,2,3,…k，k为样本的总数量；
Figure FDA0002947625060000012
为该气候指数的均值；
Figure FDA0002947625060000013
为多年径流值的均值；ρ为径流量和该气候指数之间的相关性系数；
S12、使用主成分分子法对初选预报因子进行降维，提取其中影响径流过程的关键影响因子；
S13、利用最大最小标准化方法对关键影响因子进行归一化处理，并将归一化处理后的关键影响因子与待预报流域的历史径流量数据对应结合，构成模型数据集；所述归一化处理的公式为，
Figure FDA0002947625060000021
其中，x为关键影响因子；xnorm为归一化后的关键影响因子，xmax、xmin分别为关键影响因子中的最大值和最小值；
S14、选定待预报流域K年的径流量数据的集合作为样本数据，样本数据与归一化处理后的关键影响因子组成模型数据集；将样本数据中前M年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为训练集；将样本数据中后N年的历史径流量数据与对应时间的归一化处理后的关键影响因子的集合作为测试集；其中，K＝M+N。
3.根据权利要求2所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：基于改进的粒子群优化算法获取SVR的最优参数组合具体为，采用改进的粒子群优化算法获取SVR的最优惩罚系数C、最优不敏感系数ε以及高斯径向基核函数的最优gamma参数。
4.根据权利要求3所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：基于改进的粒子群优化算法获取SVR的最优参数组合，以建立基于改进的粒子群优化算法的SVR预报模型具体为，
S21、初始化参数粒子群大小、初始位置和初始速度；
S22、以纳什效率系数作为改进的粒子群优化算法的适应度评估函数，计算粒子群中各个粒子的当前适应度；所述纳什系数的计算公式为，
Figure FDA0002947625060000022
其中，yn为第n年径流量实测值，
Figure FDA0002947625060000023
为第n年径流量预测值；N为训练集的样本年；
Figure FDA0002947625060000024
为实测径流值的N年均值；
S23、依次判断各粒子的当前适应度是否连续三次大于粒子群的平均适应度，若某粒子的当前适应度连续三次大于粒子群的平均适应度，则表示该粒子陷入局部最优，对该粒子进行拉伸操作后进入S24；若否，则直接进入S24；
S24、根据各个粒子的当前适应度更新各个粒子的速度、位置、粒子经历过的最优位置和粒子群经历过的最优位置；判断是否达到终止条件或者达到最大迭代数，若是，则输出粒子群优的最优位置，该最优位置的坐标组成SVR的最优参数组合；若否，则返回S22；
S25、利用SVR的最优参数组合构建基于改进的粒子群优化算法的SVR预报模型。
5.根据权利要求4所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：步骤S24中,按照如下公式更新粒子速度，
v＝(0.9-t*(0.9-0.4)/N)*vj+c1*rand()*(pbestj-xj)+c2*rand()*(gbestj-xj)
其中，t为迭代总次数，c1、c2表示的是增速因子，j表示迭代次数；rand()为区间[0.0,1.0)的一个随机数；xj表示第j次迭代时粒子的位置，vj表示第j次迭代时粒子的速度；pbestj表示第j次迭代时粒子的最优位置；gbestj表示第j次迭代时粒子群的最优位置；
按照如下公式更新粒子位置，
xj+1＝xj+vj+1
其中，xj表示第j+1次迭代时粒子的位置，vj表示第j+1次迭代时粒子的速度。
6.根据权利要求1所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：所述拉伸操作具体为，
SO＝c3*rand()*(gbest-pbest)
其中，c3为拉伸因子；c3＝(f(e)-fmin)/(favg-fmin)，f(e)为粒子e的适应度；fmin为该粒子群的适应度最小值；favg为该粒子群的适应度平均值，当粒子i的适应度与粒子群适应度最小值差越大时，拉伸因子c3值越大；pbest为粒子到目前迭代为止的局部最优位置；gbest为粒子群到目前迭代为止的全局最优位置。
7.根据权利要求1所述的基于改进的粒子群优化算法与支持向量机的中长期径流预报方法，其特征在于：采用平均绝对误差和合格率作为评价指标，评价基于改进的粒子群优化算法的SVR预报模型的预报效果；所述平均绝对误差和合格率的计算公式分别如下，
Figure FDA0002947625060000041
Figure FDA0002947625060000042
其中，
Figure FDA0002947625060000043
ym分别为第t年的径流量预测值和径流量实测值，M为测试集的样本年数；以变幅的20％作为合格率的评价标准。
CN202110197555.XA 2021-02-22 2021-02-22 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 Pending CN112818608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110197555.XA CN112818608A (zh) 2021-02-22 2021-02-22 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110197555.XA CN112818608A (zh) 2021-02-22 2021-02-22 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法

Publications (1)

Publication Number Publication Date
CN112818608A true CN112818608A (zh) 2021-05-18

Family

ID=75864634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110197555.XA Pending CN112818608A (zh) 2021-02-22 2021-02-22 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法

Country Status (1)

Country Link
CN (1) CN112818608A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435628A (zh) * 2021-05-28 2021-09-24 淮阴工学院 基于线性判别分析和ialo-elm的中长期径流预测方法及系统
CN113592144A (zh) * 2021-06-28 2021-11-02 清华大学 一种中长期径流概率预报方法及系统
US11315046B1 (en) * 2018-06-28 2022-04-26 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
CN114637212A (zh) * 2022-05-17 2022-06-17 浙江浩普智能科技有限公司 一种氧含量预测控制方法及系统
US20220343221A1 (en) * 2018-06-28 2022-10-27 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
CN115656446A (zh) * 2022-12-26 2023-01-31 沃客森信息科技(常州)有限公司 一种基于物联网的空气质量检测系统及方法
US12124934B2 (en) * 2022-04-25 2024-10-22 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971237A (zh) * 2017-02-27 2017-07-21 中国水利水电科学研究院 一种基于细菌觅食优化算法的中长期径流预报方法
CN108876021A (zh) * 2018-05-31 2018-11-23 华中科技大学 一种中长期径流预报方法及系统
CN109919362A (zh) * 2019-02-14 2019-06-21 中国水利水电科学研究院 一种考虑水利工程调度影响的中长期径流预报方法
CN111445085A (zh) * 2020-04-13 2020-07-24 中国水利水电科学研究院 一种考虑中大型水库工程蓄水影响的中长期径流预报方法
CN111461453A (zh) * 2020-04-13 2020-07-28 中国水利水电科学研究院 一种基于多模型组合的中长期径流集合预报方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971237A (zh) * 2017-02-27 2017-07-21 中国水利水电科学研究院 一种基于细菌觅食优化算法的中长期径流预报方法
CN108876021A (zh) * 2018-05-31 2018-11-23 华中科技大学 一种中长期径流预报方法及系统
CN109919362A (zh) * 2019-02-14 2019-06-21 中国水利水电科学研究院 一种考虑水利工程调度影响的中长期径流预报方法
CN111445085A (zh) * 2020-04-13 2020-07-24 中国水利水电科学研究院 一种考虑中大型水库工程蓄水影响的中长期径流预报方法
CN111461453A (zh) * 2020-04-13 2020-07-28 中国水利水电科学研究院 一种基于多模型组合的中长期径流集合预报方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
K.E. PARSOPOULOS ET AL.: "Improving the particle swarm optimizer by function "stretching"", 《ADWANCES IN CONVEX ANALYSIS AND GLOBAL OPTIMIZATION》 *
张岩等: "基于PCA-PSO-SVR的丹江口水库年径流预报研究", 《南水北调与水利科技》 *
李荣龙 等: "一种改进的粒子群优化算法", 《计算机技术与发展》 *
王迁等: "基于PSO-SVR的丹江口年径流预报", 《南水北调与水利科技》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11315046B1 (en) * 2018-06-28 2022-04-26 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
US20220327433A1 (en) * 2018-06-28 2022-10-13 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
US20220343221A1 (en) * 2018-06-28 2022-10-27 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
CN113435628A (zh) * 2021-05-28 2021-09-24 淮阴工学院 基于线性判别分析和ialo-elm的中长期径流预测方法及系统
CN113435628B (zh) * 2021-05-28 2023-08-22 淮阴工学院 基于线性判别分析和ialo-elm的中长期径流预测方法及系统
CN113592144A (zh) * 2021-06-28 2021-11-02 清华大学 一种中长期径流概率预报方法及系统
US12124934B2 (en) * 2022-04-25 2024-10-22 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
CN114637212A (zh) * 2022-05-17 2022-06-17 浙江浩普智能科技有限公司 一种氧含量预测控制方法及系统
CN114637212B (zh) * 2022-05-17 2022-08-30 浙江浩普智能科技有限公司 一种氧含量预测控制方法及系统
CN115656446A (zh) * 2022-12-26 2023-01-31 沃客森信息科技(常州)有限公司 一种基于物联网的空气质量检测系统及方法

Similar Documents

Publication Publication Date Title
CN112818608A (zh) 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法
CN109754113B (zh) 基于动态时间规整与长短时间记忆的负荷预测方法
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN112506990B (zh) 一种基于时空信息的水文数据异常检测方法
CN108876021B (zh) 一种中长期径流预报方法及系统
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN111401599B (zh) 一种基于相似性搜索和lstm神经网络的水位预测方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN104462850A (zh) 基于模糊高斯混合模型的多阶段间歇过程软测量方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN113344243B (zh) 基于改进哈里斯鹰算法优化elm的风速预测方法及系统
US11816556B1 (en) Method for predicting air quality index (AQI) based on a fusion model
CN111461453A (zh) 一种基于多模型组合的中长期径流集合预报方法
CN112614021B (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN105844334B (zh) 一种基于径向基神经网络的温度插值方法
CN116702959A (zh) 一种基于分布自适应图注意力网络的洪水预报方法
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
CN116713631A (zh) 焊接质量预测方法、装置和设备
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114330815A (zh) 一种基于改进goa优化lstm的超短期风电功率预测方法与系统
CN117935988A (zh) 基于支持向量回归的再生粗骨料混凝土抗压强度预测方法
CN117374917A (zh) 一种超短期电力负荷的多元回归预测方法及装置
CN111310974A (zh) 一种基于ga-elm的短期需水预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination