两类集成学习算法在中长期径流预报中的应用

被引：13

作者：

许斌 ^{[1
]}

杨凤根 ^{[1
]}

郦于杰 ^{[2
]}

机构：

[1] 河海大学地球科学与工程学院

[2] 河海大学水文水资源学院

来源：

水力发电 | 2020年 / 46卷 / 04期

关键词：

中长期径流预报; 机器学习; 集成学习; 分类回归树; 随机森林; 梯度提升树;

D O I：

暂无

中图分类号：

P338.2 [];

学科分类号：

摘要：

将前期130项遥相关气候指数作为预报因子,利用分类回归树算法(CART)作为基学习器,引入基于Bagging算法的随机森林模型(RF)与基于Boosting算法的梯度提升树模型(GBDT)的两类集成学习算法作为强学习预报模型,实现对丹江口水库未来1个月、1季度及1年3类径流序列的滚动预报,并通过相对误差绝对值的平均值(MAPE)、Nash效率系数(NSE)、相对均方根误差(RRMSE)、合格率(QR)等指标进行对比分析。研究结果表明,两类模型在验证期模拟精度相似,结果相仿,误差分布较均匀,可进一步用于集合径流预报;随着预报对象量级的增加,径流序列的不稳定性与极值序列分布的不均匀性得以降低,预报的准确度、可靠度以及稳定度得到提高。

引用

页码：21 / 24+34 +34

页数：5

共 22 条

[11] 水文时空数据挖掘方法及其应用评述
袁定波
艾萍
熊传圣
[J]. 水利信息化, 2018, (01) : 14 - 17+22
[12] 水文时空数据挖掘方法及其应用评述
袁定波
艾萍
熊传圣
[J]. 水利信息化, 2018, (01) : 14 - 17+22
[13] Classification of EEG Spatial Patterns with a Tree-Structured Methodology: CART. Grajski, Kamil A.,Breiman, Leo,Di Prisco, Gonzalo Viana,Freeman, Walter J. Biomedical Engineering . 1986
[14] Classification of EEG Spatial Patterns with a Tree-Structured Methodology: CART. Grajski, Kamil A.,Breiman, Leo,Di Prisco, Gonzalo Viana,Freeman, Walter J. Biomedical Engineering . 1986
[15] 澜沧江流域中长期径流预报方法研究
赵鹏雁
张利平
王旭
胡振奎
吕双江
倪旺丹
[J]. 武汉大学学报(工学版), 2018, 51 (07) : 565 - 569+595
[16] 澜沧江流域中长期径流预报方法研究
赵鹏雁
张利平
王旭
胡振奎
吕双江
倪旺丹
[J]. 武汉大学学报(工学版), 2018, 51 (07) : 565 - 569+595
[17] 基于相关向量机的中长期径流预报模型研究
仕玉治
彭勇
周惠成
[J]. 大连理工大学学报, 2012, 52 (01) : 79 - 84
[18] 基于相关向量机的中长期径流预报模型研究
仕玉治
彭勇
周惠成
[J]. 大连理工大学学报, 2012, 52 (01) : 79 - 84
[19] Simulation and forecasting of streamflows using machine learning models coupled with base flow separation[J] . Hakan Tongal,Martijn J. Booij. &nbspJournal of Hydrology . 2018
[20] Simulation and forecasting of streamflows using machine learning models coupled with base flow separation[J] . Hakan Tongal,Martijn J. Booij. &nbspJournal of Hydrology . 2018

← 1 2 3 →