10.14042/j.cnki.32.1309.2023.01.005
基于时序分解与机器学习的非平稳径流序列集成模型与应用
揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑.针对径流序列具有非平稳性、 周期性和异方差性的特征,收集长江流域攀枝花、 城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、 趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比.结果表明:联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程.
径流模拟、时序分解、机器学习、异方差、集成模型、长江流域
34
TV122(水利工程基础科学)
国家自然科学基金;北京师范大学博一学科交叉项目
2023-04-03(万方平台首次上网日期,不代表论文的发表时间)
共11页
42-52