基于多种算法优化SVM模型的 乌东德水电站降水量预报

摘要：

基于粒子群优化(PSO)算法和遗传算法(GA)对支持向量机(SVM)的核函数及主要参数进行训练优化,分别建立PSO算法、GA的支持向量机模型(PSO_SVM、GA_SVM).选用ECMWF及T639数值预报产品资料和乌东德水电站降水资料,普查最优预报因子,构建包含各种类型降水过程的训练样本和测试样本.比较分析SVM模型RBF和Sigmoid核函数优劣.尝试先分段寻找局部最优,再选择全局最优的参数优化方法.通过增大训练样本集、降低交叉验证准确率、迭代次数截断和控制惩罚系数范围的方法,提高模型的稳定性和泛化能力,防止过拟合和收敛缓慢现象.利用测试样本对SVM、PSO_SVM和GA_SVM三种方案进行对比检验,优化的GA_SVM预报效果较好且稳定.经2018年试报表明,GA_SVM逐3 h累计降水量预报TS评分在50％以上,漏报率在15％以下,与ECMWF和T639比较,该模型TS评分提高1.4％.

关键词：降水量预报、支持向量机、核函数、全局最优、乌东德水电站

所属期刊栏目：37

分类号：P456(天气预报)

资助基金：国家自然科学基金重点项目91537212;中国气象局预报员专项项目CMAYBY2018-068

在线出版日期：2019-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：670-675