针对径流序列具有较强的非平稳性和非线性特征,为提高预测精度,提出一种月径流组合预测模型LMDQPSO-CRJ。选用局部均值分解法(Local Mean Decomposition,LMD)对径流数据分解降噪,并对第一个高频分量用变模态分解法(Variational Mode Dec...针对径流序列具有较强的非平稳性和非线性特征,为提高预测精度,提出一种月径流组合预测模型LMDQPSO-CRJ。选用局部均值分解法(Local Mean Decomposition,LMD)对径流数据分解降噪,并对第一个高频分量用变模态分解法(Variational Mode Decomposition,VMD)进行二次分解,采用量子粒子群优化算法(QPSO)对确定性循环跳跃网络(Cycle Reservoir with Regular Jumps,CRJ)进行参数优化,最终建立LMD-QPSO-CRJ模型。将该模型应用于汾河上游汾河水库站和上静游站的月径流预测,并与单一QPSO-CRJ模型及CEEMD-QPSO-CRJ模型进行对比分析。结果表明,验证期LMD-QPSO-CRJ模型的MAE值和RMSE值与单一QPSO-CRJ模型相比分别减少32%~40%和23%~31%,与CEEMD-QPSO-CRJ模型相比分别减少11%~26%和11%~18%,LMD-QPSO-CRJ模型的NSE值最接近于1。因此,LMDQPSO-CRJ模型具有较好的预测精度,可以用于指导实际的生产建设。展开更多
文摘针对径流序列具有较强的非平稳性和非线性特征,为提高预测精度,提出一种月径流组合预测模型LMDQPSO-CRJ。选用局部均值分解法(Local Mean Decomposition,LMD)对径流数据分解降噪,并对第一个高频分量用变模态分解法(Variational Mode Decomposition,VMD)进行二次分解,采用量子粒子群优化算法(QPSO)对确定性循环跳跃网络(Cycle Reservoir with Regular Jumps,CRJ)进行参数优化,最终建立LMD-QPSO-CRJ模型。将该模型应用于汾河上游汾河水库站和上静游站的月径流预测,并与单一QPSO-CRJ模型及CEEMD-QPSO-CRJ模型进行对比分析。结果表明,验证期LMD-QPSO-CRJ模型的MAE值和RMSE值与单一QPSO-CRJ模型相比分别减少32%~40%和23%~31%,与CEEMD-QPSO-CRJ模型相比分别减少11%~26%和11%~18%,LMD-QPSO-CRJ模型的NSE值最接近于1。因此,LMDQPSO-CRJ模型具有较好的预测精度,可以用于指导实际的生产建设。
