基于k-最近邻筛选的BMA集合预报模型研究

被引：4

作者：

刘开磊 ^{[1
,2
]}

李致家 ^{[2
]}

姚成 ^{[2
]}

韩通 ^{[2
]}

钟栗 ^{[2
]}

孙如飞 ^{[2
]}

机构：

[1] 淮河水利委员会水文局(信息中心)

[2] 河海大学水文水资源学院

来源：

水利学报 | 2017年 / 48卷 / 04期

基金：

国家重点研发计划;

关键词：

集合预报; 样本筛选; k-最近邻; 贝叶斯模型平均法; 高斯混合模型;

D O I：

10.13243/j.cnki.slxb.20150978

中图分类号：

P338 [水文预报];

学科分类号：

摘要：

针对冗余训练样本会降低BMA参数求解效率与精度问题,本文提出在BMA运算之前采用k-最近邻(k-nearest neighbor)算法筛选有价值训练样本,并用于BMA参数求解的改进模型。模拟试验在淮河王家坝站进行,分别以k-最近邻筛选、不筛选两种方案为BMA提供训练样本,统计分析两种方案中王家坝站流量模拟结果,评价BMA改进法的性能。模拟结果显示,采用k-最近邻样本筛选方法后,BMA模型对洪水过程以及洪峰的预报精度提升明显;概率预报结果的离散程度降低的同时,可靠性程度获得提升。k-最近邻样本筛选方法的引入,能够有效去除BMA模型训练样本中的冗余数据,以少量的样本获得更可靠的模型参数,改善集合预报性能。

引用

页码：390 / 397+407 +407

页数：9

共 13 条

[1] Coupling the k-nearest neighbor procedure with the Kalman filter for real-time updating of the hydraulic model in flood forecasting[J]. Kailei Liu,Zhijia Li,Cheng Yao,Ji Chen,Ke Zhang,Muhammad Saifullah. International Journal of Sediment Research. 2016(02)
[2] 半干旱半湿润流域水文模型应用与比较
黄鹏年
李致家
姚成
胡春岐
张建中
[J]. 水力发电学报, 2013, 32 (04) : 4 - 9
[3] 三峡库区生态屏障范围界定
胡友兵
李致家
冯杰
冯青
[J]. 水利学报, 2012, (10) : 1248 - 1253
[4] 基于最近邻规则的神经网络训练样本选择方法
郝红卫
蒋蓉蓉
[J]. 自动化学报, 2007, (12) : 1247 - 1251
[5] 基于GIS的DEM和分布式水文模型的应用比较
李致家
张珂
姚成
[J]. 水利学报, 2006, (08) : 1022 - 1028
[6] 基于并行遗传算法的新安江模型参数优化率定方法
武新宇
程春田
赵鸣雁
[J]. 水利学报, 2004, (11) : 85 - 90
[7] 水科学技术中的概率统计方法[M]. 科学出版社 , 丛树铮, 2009
[8] Real-time flow forecasting in the absence of quantitative precipitation forecasts: A multi-model approach[J] . Monomoy Goswami,Kieran M. O’Connor. Journal of Hydrology . 2006 (1)
[9] Multi-model ensemble hydrologic prediction using Bayesian model averaging[J] . Qingyun Duan,Newsha K. Ajami,Xiaogang Gao,Soroosh Sorooshian. Advances in Water Resources . 2006 (5)
[10] Analysis of new techniques to obtain quality training sets[J] . J.S. Sánchez,R. Barandela,A.I. Marqués,R. Alejo,J. Badenas. Pattern Recognition Letters . 2002 (7)

← 1 2 →