[发明专利]基于经验小波消噪和神经网络融合的中长期径流预报方法

摘要

本发明涉及水文预报领域，公开了一种基于经验小波消噪和神经网络融合的中长期径流预报方法，针对现有技术的不足，本发明首先采用经验小波变换(EWT)对中长期径流时间序列进行分解和重构，通过消除分解模态中的高频分量对中长期径流时间序列的冗余噪声进行处理，在此基础上，以RBF神经网络模型、ELM模型和Elman神经网络模型作为基预报模型对中长期径流时间序列进行预报，并将三种基模型的预报结果作为GRNN神经网络的预报因子，对预报径流做进一步的模拟，从而对每个基模型的预报信息进行融合，提升中长期径流时间序列的预报精度。

主权项

1.一种基于经验小波消噪和神经网络融合的中长期径流预报方法，其特征在于，包括以下步骤：步骤一：获取水文站点的历史实测径流数据，建立中长期径流时间序列，并将样本数据分为训练期和检验期；步骤二：采用EWT将径流时间序列分解为几个独立的经验模态，去除分解经验模态中频率最高的模态，并对剩余的经验模态进行线性求和，得到重构径流时间序列以消除原始径流时间序列的冗余噪声；步骤三：对经EWT处理后的径流时间序列进行相空间重构，构造相空间矩阵作为基预报模型的输入因子，建立ANN基预报模型的输入、输出矩阵；步骤四：采用步骤三确定的训练期输入、输出矩阵分别对RBF、ELM和Elman三种神经网络模型进行训练；步骤五：将三种基预报模型的输出作为GRNN模型的预报因子，再次建立输入、输出矩阵，对GRNN模型进行训练，并将检验样本代入训练好的GRNN模型，得到检验期的预测值；步骤六：采用四种评价指标包括均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)和相关系数(R)评价对预报结果进行评价。