首页|WPD-COA-ELM模型在汛期月降水量时间序列预测中的应用研究

WPD-COA-ELM模型在汛期月降水量时间序列预测中的应用研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
针对月降水量时间序列多尺度非平稳性特点,提出小波包分解(WPD)-白骨顶鸟优化算法(COA)-极限学习机(ELM)相融合的降水量预测模型.首先,利用WPD将非平稳月降水量时间序列分解为若干子序列分量;然后在不同维度条件下利用6个典型函数对COA进行仿真测试;利用COA优化ELM输入层权值和隐含层偏值,对每一个子序列分量分别建立COA-ELM模型进行预测,将预测结果叠加重构后即为最终预测结果;最后,以云南省龙潭站汛期和主汛期月降水量数据为例进行实验,并与WPD-COA-BP、WPD-ELM、WPD-BP预测模型进行比较.结果表明:COA在不同维度条件下均具有较好的寻优精度和全局搜索能力.WPD-COA-ELM模型对实例汛期、主汛期月降水量时间序列预测的平均绝对百分比误差分别为3.91％、3.59％,预测精度优于WPD-COA-BP模型,远优于WPD-ELM、WPD-BP模型.WPD能科学降低月降水时间序列数据的复杂性,提高预测效果;COA能有效优化ELM输入层权值和隐含层偏值,提高ELM网络性能.
Application of WPD-COA-ELM Model in the Prediction of Time Series of Monthly Precipitation in Flood Season

杨琼波、崔东文

展开 >

云南省水文水资源局 红河分局,云南 红河 661100

云南省文山州水务局,云南 文山 663000

降水量预测 小波包分解 白骨顶鸟优化算法 极限学习机 仿真测试

2023

10.19797/j.cnki.1000-0852.20210314

水文
水利部水文局 水利部水利信息中心

水文

CSTPCDCSCD北大核心
影响因子：0.742
ISSN：1000-0852
年,卷(期)：2023.43(1)
  • 17