文献类型：期刊文章

作　　者：王文川[1] 张洁铭[1] 郑野[2] 徐冬梅[1]

WANG Wenchuan;ZHANG Jieming;ZHENG Ye;XU Dongmei(School of Water Resources, North China University of Water Resources and Electric Power, Zhengzhou 450046, Henan, China;School of Foreign Studies, North China University of Water Resources and Electric Power,Zhengzhou 450046, Henan, China)

机构地区：[1]华北水利水电大学水资源学院,河南郑州450046 [2]华北水利水电大学外国语学院,河南郑州450046

出　　处：《水利水电技术》

基　　金：河南省高校科技创新团队(18IRTSTHN009);河南省重点研发与推广专项(202102310259);国家自然科学基金项目(51509088,51709108)。

年　　份：2020

卷　　号：51

期　　号：11

起止页码：78-84

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为提高年径流预测的精度,以呼兰河下游兰西水文站1959—2014年的年径流数据作为输出,相应的流域气象数据作为输入,将BP神经网络和支持向量机(SVM)相结合,构建基于马尔科夫链修正的BP-SVM预测模型,运用该模型对呼兰河流域的年径流进行预测。采用哈里斯鹰群算法(HHO)优化支持向量机参数,构建HHO-SVM模型,并进行年径流预测,利用训练好的BP神经网络对年径流进行预测,分别运用马尔科夫链对两种模型的预测结果进行修正,通过最小二乘法确定模型组合权重,将两模型的预测结果进行组合,得到最终的年径流预测值。研究结果表明:HHO-SVM模型预测结果优于BP神经网络预测值;经马尔科夫链修正后,BP神经网络预测值精度提高较大,经最小二乘法组合后的预测结果平均相对误差为11.36%,确定性系数为0.95,合格率达90.91%。哈里斯鹰群算法(HHO)能较好的解决支持向量机参数优化问题,马尔科夫链的修正在一定程度能提高了各个模型的预测精度,提出的混合模型为年径流预测提供了一种新的方法。

关 键 词：BP神经网络 HHO-SVM模型  马尔科夫链 径流预报 模型耦合  

分 类 号：TV124]