基于混合模型SEPG-S對月降水量的研究及預測.pdf

1、要想準確地評估洪水風險、合理地構造可靠的防洪抗旱預警系統(tǒng),對月降水量的精確中長期預測必不可少.對月降水量序列來說,具有高波動和非線性的特征.通過傳統(tǒng)的、單一的方法來實現(xiàn)對月降水量的高精度預測非常困難.這些方法雖然具有容易識別、模型簡單的優(yōu)點,但對于非線性月降水量的中長期預測很難達到理想的效果.基于這個原因,本文提出了基于季節(jié)因子調整(SIA)、集合經驗模態(tài)分解(EEMD)、偏自相關分析(PACF)、廣義回歸神經網絡(GRNN)和SARI

2、MA的組合優(yōu)化模型SEPG-S,來解決具有非平穩(wěn)、非線性特性的降水量時間序列預測問題.首先,通過SIA對含有季節(jié)性的降水量序列進行處理,提取出其中的季節(jié)因子;然后,通過EEMD對已去除季節(jié)影響的降水量序列進行分解,將其分解成含有不同尺度,頻率由高到低的一系列本征模態(tài)函數(IMF);最后,應用GRNN和SARIMA對這些IMF和殘差序列分別處理,將每個IMF和殘差的預測結果加總整合得到最終的預測值.以甘肅省酒泉市降水量序列為例進行案例分析

3、,并與其它預測方法進行比較.結果表明,本文提出的方法效果較好.與此同時,為了驗證這個模型具有良好的預測精度和強泛化特性,將該方法用于甘肅省敦煌、玉門鎮(zhèn)這兩個地區(qū)的月降水量預測,同樣取得理想的效果.研究中發(fā)現(xiàn),SIA可提取原始數據中的季節(jié)成分,避免季節(jié)因子對月降水量的影響;EEMD方法可有效分解具有高波動、非線性的降水量時間序列,保留其原有的特性以及不同時間尺度的分布規(guī)律;PACF和交叉驗證分別用來確定GRNN輸入層神經元的數目和優(yōu)化GR