LASSO回归和支持向量回归耦合的中长期径流预报

被引：26

作者：

谢帅 ^{[1
]}

黄跃飞 ^{[1
]}

李铁键 ^{[1
]}

刘朝云 ^{[2
]}

王建华 ^{[2
]}

机构：

[1] 清华大学水沙科学与水利水电工程国家重点实验室

[2] 凉山州大桥水电开发总公司

来源：

应用基础与工程科学学报 | 2018年 / 04期

关键词：

中长期径流预报; lasso; 支持向量回归; 预报因子; 龙羊峡水库;

D O I：

10.16058/j.issn.1005-0930.2018.04.003

中图分类号：

P338.2 []; TP181 [自动推理、机器学习];

学科分类号：

摘要：

同样预报精度情况下,中长期径流预报提前期越长,对水库调度方案与发电计划的制定辅助决策作用效果更强.中长期径流预报的难点在于径流序列的随机性以及相应预见期的气象难以可靠预报.当前的预报模型大都是基于数据分析的数据驱动模型,其输入因子多为前期径流和大尺度气候因子.而预报因子的选择对于数据驱动模型的精度非常关键.因此,需要有效的因子筛选方法以辅助建模.本文引入lasso回归方法以筛选径流预报因子,其选择结果作为支持向量回归(SVR)模型中的预报因子,形成LASSO回归和支持向量回归耦合(LSVR)模型,并将LSVR模型应用到龙羊峡水库进行预见期为一个月的入库径流预报,并与传统SVR模型预报结果进行对比.结果表明,径流因子的选择对两种模型的预报效果都有较大的影响,过多引入前期径流因子时预报效果较差.两种模型的预报结果对比表明,LSVR模型能够增强有益预报因子的作用,减弱干扰因子的影响,在验证期和测试期的预报结果都好于SVR模型的.在2010年1月到2016年10月的82个月的测试期中,LSVR模型的4项评价指标相比SVR模型都有所提升,其中均方误差(MSE)比SVR模型减小了13.09%.

引用

页码：709 / 722

页数：14

共 14 条

[1] 基于逐步回归—LMBP算法的大通站旬径流与月径流预报
张素琼
张艳军
刘佳明
袁迪
邹霞
宋星原
[J]. 水电能源科学, 2014, 32 (06) : 13 - 15+4
[2] 超越概率贝叶斯判别分析方法及其在中长期径流预报中的应用
赵铜铁钢
杨大文
李明亮
[J]. 水利学报, 2011, 42 (06) : 692 - 699
[3] 支持向量机的时间序列回归与预测
董辉
傅鹤林
冷伍明
[J]. 系统仿真学报, 2006, (07) : 1785 - 1788
[4] 龙羊峡电站下闸蓄水水情长期预报的神经网络方法研究
张继群
魏文秋
[J]. 应用基础与工程科学学报, 1995, (02) : 99 - 104
[5] Monthly river flow forecasting using artificial neural network and support vector regression models coupled with wavelet transform[J] . Aman Mohammad Kalteh.Computers and Geosciences . 2012
[6] Potential of support vector regression for prediction of monthly streamflow using endogenous property
Maity, Rajib
Bhagwat, Parag P.
Bhatnagar, Ashish
[J]. HYDROLOGICAL PROCESSES, 2010, 24 (07) : 917 - 923
[7] A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series[J] . Wen-Chuan Wang,Kwok-Wing Chau,Chun-Tian Cheng,Lin Qiu.Journal of Hydrology . 2009 (3)
[8] Hybrid neural network models for hydrologic time series forecasting[J] . Ashu Jain,Avadhnam Madhav Kumar.Applied Soft Computing Journal . 2006 (2)
[9] Comparative Analysis of Event-based Rainfall-runoff Modeling Techniques—Deterministic, Statistical, and Artificial Neural Networks[J] . Ashu Jain,S. K. V. Prasad Indurthy.Journal of Hydrologic Engineering . 2003 (2)
[10] A seasonal periodic long memory model for monthly river flows
Ooms, M
Franses, PH
[J]. ENVIRONMENTAL MODELLING & SOFTWARE, 2001, 16 (06) : 559 - 569

← 1 2 →