典型文献
基于小波包分解与相空间重构的SSA-ELM水文时间序列预报模型
文献摘要：
针对水文时间序列非线性、多尺度等特征,提出基于小波包分解(WPD)和相空间重构的松鼠搜索算法(SSA)-极限学习机(ELM)预报模型,并应用于云南省上果水文站月径流和月降水量预报.首先利用WPD对径流和降水时序数据进行分解,并采用Cao方法对各子序列分量进行相空间重构;其次简要介绍SSA原理,通过各分量训练样本构建目标函数,利用SSA对目标函数进行寻优,并与鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、粒子群优化(PSO)算法的寻优结果进行比较;最后利用SSA、WOA、GWO、PSO算法寻优获得的ELM输入层权值和隐含层偏值建立SSA-ELM、WOA-ELM、GWO-ELM、PSO-ELM模型及未经优化的ELM模型对各子序列分量进行预报,将预报结果加和重构得到最终预报结果.结果表明:SSA对各分量目标函数的寻优效果优于WOA、GWO、PSO算法,具有更好的寻优精度.SSA-ELM模型对月径流、月降水量预报的平均相对误差、平均绝对误差、圴方根误差、预报合格率分别为5.32％和3.84％、0.078 m3/s和0.169 mm、0.103 m3/s和0.209 mm、97.5％和95.8％,预报精度优于WOA-ELM等其他模型.
文献关键词：
水文预报;小波包分解;相重间重构;松鼠搜索算法;极限学习机
中图分类号：
作者姓名：
李禄德;崔东文
作者机构：
云南省水文水资源局文山分局,云南 文山 663000;云南省文山州水务局,云南 文山 663000
文献出处：
引用格式：
[1]李禄德;崔东文-.基于小波包分解与相空间重构的SSA-ELM水文时间序列预报模型)[J].人民珠江,2022(08):100-108
A类：
相重间重构
B类：
于小波,小波包分解,相空间重构,SSA,ELM,预报模型,WPD,松鼠搜索算法,极限学习机,水文站,月径流,月降水,降水量,对径,时序数据,Cao,子序列,训练样本,构建目标,鲸鱼优化算法,WOA,灰狼优化,GWO,粒子群优化,PSO,算法寻优,输入层,权值,隐含层,优效,寻优精度,平均相对误差,平均绝对误差,预报精度,水文预报
AB值：
0.256476
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
