回归支持向量机集成模型在年径流预测中的应用.pdfVIP

第32卷第4期 长 江 科 学 院 院 报 VoI_32 No．4 2015年 4月 JournalofYangtzeRiverScientificResearchInstitute Apr．．20 I5 DOI：10．3969／j．issn．1001—5485．2015．04．003 2015，32(40 )：12—17 回归支持向量机集成模型在年径流预测中的应用 代兴兰 (云南省水文水资源局 曲靖分局，云南 曲靖 655000) 摘 要：为进一步提高径流预测精度和泛化能力，根据回归支持向量机(SVR)特性及基本原理，提出考虑不同影响 因子 (输入向量)的SVR集成预测模型，以云南省南盘江西桥站 1961--2007年径流预测为例进行实例研究。首先 ， 利用相关分析法选取年径流预测的若干影响因子 ，依次构建不同影响因子的SVR单一模型对研究实例进行预测 ， 并构建对应的RBF模型作为对比预测模型；然后，采用加权平均和简单平均2种方法对具有较好预测精度和互补 性的单一模型的预测结果进行综合集成。结果表明：基于SVR的加权平均和简单平均2种集成模型径流预测的平 均相对误差绝对值分别为1．27％和1．54％，最大相对误差绝对值分别为2．99％和2．74％，其精度和泛化能力均大幅 优于各单一模型以及基于RBF的加权平均和简单平均集成模型，表明加权平均SVR和简单平均SVR集成模型具 有较高的预测精度和泛化能力。相对而言，加权平均集成模型赋予了预测效果好的模型更大的权重，预测精度和 泛化能力均优于简单平均集成模型。预测模型和方法可为相关预测研究提供参考和借鉴。 关键词：径流预测 ；集成模型；回归支持向量机；加权平均 ；简单平均 中图分类号：P333 文献标志码 ：A 文章编号：1001—5485(2015)04—0012—06 计学习理论构建的典型神经网络，它 由Vapnik首先 提出，是一种通用的前馈神经网络，用于解决模式识 1 研究背景 别和非线性映射问题。SVM具有严谨的数学基础， 通过统计学习中的VC维 (Vapnik—ChervonenkisDi— 提高径流预测精度对于水文预测预报具有重要 mension)理论和寻求结构风险最小化原理来提高泛 意义。目前，径流预测方法主要有时问序列、回归分 化能力，已成为继ANN之后机器学习领域新的研究 析、模糊模式、小波分析、集对分析等，均在径流预测 热点，尤其在解决小样本容量时，很大程度上解决了 预报中取得 了一定的成效。但由于河川径流受多种 传统BP在模型选择、过学习、高维和局部极值等问 因素的影响和制约，其预测常表现出复杂、随机、多 题，在模 型识别及 回归预测 中有着广泛 的应 维等特性，探寻能够有效提高径流预测精度的模型 用 。神经网络集成 (NeuralNetworkEnsemble， 和方法一直是水文预测预报工作中的热点和难点。 NNE)是 Hansen和Salamon于 1990年提出的集成 人工神经网络(ArtificialNeuralNetwork，ANN)是一 方法，其利用有限个神经网络对同一问题进行