典型文献
一种无延迟的水文时间序列预测方法
文献摘要：
为解决水文时间序列预测中,序列连续值间存在着高度的自相关性,而引起峰值点的预测时间落后于真实时间的问题,提出一种基于CSVMD-LSTM-ELM的无延迟预测方法.首先,将变分模态分解算法(variational mode decomposition,VMD)与布谷鸟搜索算法(cuckoo search algorithm,CS)相结合,其中,VMD用于削弱时间序列间的相关性,CS用于全局搜索VMD参数的最优解,并重点关注预测延迟的问题,为此,定义了一种新的适应度函数;其次,为分解得到的子序列建立了长短期记忆神经网络(long and short-term memory neural network,LSTM)和极限学习机(extreme learning machine,ELM)两种网络结构,分别讨论了单一网络和组合网络预测效果的优劣;最后,在秦淮河流域数据集上进行实验验证,与原有的LSTM和VMD-LSTM-ELM方法进行比较.结果表明,所提方法相较于其他方法,预测的峰值时间延迟更小,预测误差更低.可见,所提方法能够解决预测的延迟问题.
文献关键词：
预测延迟;变分模态分解;布谷鸟搜索算法;优化组合
中图分类号：
作者姓名：
马心雨;梁正和;朱跃龙;万定生
作者机构：
河海大学计算机与信息学院,南京211100
文献出处：
引用格式：
[1]马心雨;梁正和;朱跃龙;万定生-.一种无延迟的水文时间序列预测方法)[J].科学技术与工程,2022(22):9695-9702
A类：
CSVMD
B类：
时间序列预测,自相关性,峰值点,ELM,延迟预测,变分模态分解算法,variational,mode,decomposition,布谷鸟搜索算法,cuckoo,search,algorithm,全局搜索,最优解,预测延迟,适应度函数,子序列,长短期记忆神经网络,long,short,term,memory,neural,network,极限学习机,extreme,learning,machine,别讨,组合网络,秦淮河流域,其他方法,峰值时间,时间延迟,预测误差,优化组合
AB值：
0.350127
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。
