基于支持向量机的降雨_径流预测研究.pdfVIP

第 卷第 期 29 1 水 文 Vol．29 No．1 年 月 2009 2 JOURNAL OF CHINA HYDROLOGY Feb．, 2009 基于支持向量机的降雨—径流预测研究 1,2 3 1,2 汪丽娜 ， 李粤安 ， 陈晓宏 （1. 中山大学水资源与环境研究中心， 广东 广州 510275 ； 2.广东省近岸海洋工程重点实验室， 广东 广州 510275 ； 3.广东省水利厅， 广东 广州 510635 ） 摘 要：本文探讨了支持向量机方法在降雨 径流预测中的应用。 该方法采用结构风险最小化准则，弥 － 补了人工神经网络在预测应用中的不足，较好地解决了小样本，非线性、高维数和局部最小点等实际问 题。 并且本研究通过与人工神经网络预测方法、传统的回归分析预测方法比较研究，得出支持向量机能 取得更高精度的降雨 径流预测值。 － 关键词：支持向量机； 人工神经网络； 回归分析； 径流预测 中图分类号 + 文献标识码 文章编号 :P338 .9 : A :1000-0852(2009)01-0013-04 1 引言 因子为模型的输入预测径流量大小的报道。因此，本文 径流的预测通常可划分为两种类型： 一类是以时 采用支持向量机理论，以广东省合水水库为研究对象， 间序列资料为基础进行预测的， 另一类是基于影响径 将 1958~1979 年的逐年、逐月降雨、径流数据作为输 流量大小的相关因素来预测的。近些年来，人工神经网 入因子，采用 Gauss 核函数，进行网络训练率定参数。 [1-3] 络在径流预测中的应用逐渐增多 ，这些方法一般用 之后以 1980~2003 年的逐年、逐月降雨数据作为预测 BP 神经网络学习径流随时间序列的变化关系从而建 径流的输入值进行预测。并且与人工神经网络方法、传 模，算法相对简单且易于实现。但神经网络算法也存在 统的回归分析预测法得出的预测值进行比较。 本研究 一些不足，如容易陷于局部极小、不易收敛和不稳定的 以降雨作为输入，采用支持向量机的理论方法，为径流 网络性能； 并且神经网络过分依赖训练数据的质量和 的预测提供新的理论方法和新的研究思路。 数量，而多数情况下样本数据是有限的。 因此，人工神 2 支持向量机的基本原理 经网络模型的预测精度不高， 导致人工神经网络的预 [13] 测受到限制。 支持向量机的理论 来源于对两类数据分类问题 而支持向量机（SVM ）正是弥补上述的神经网络预 的处理。基本思想是通过非线性变换，将输入空间变换 测的不足，它是Vapnik[4] 等人根据统计学理论提出的 到一个高维的特征空间，