基于集成學習的中長期水文預報研究.pdf

1、近年來，我國洪澇災害十分頻繁，對經(jīng)濟和社會發(fā)展造成了巨大的損失。中長期水文預報具有較長的預見期，是一項重要的水利基本工作和防災減災的非工程措施，能夠使人們在解決以防洪為代表的水資源相關問題時，盡早進行相關工作安排，減小損失以及增加效益。然而水文系統(tǒng)受到多方面因素影響，是一個復雜的系統(tǒng)，傳統(tǒng)方法難以滿足精度要求。如何引入新的預報模型、提高中長期水文預報的精度顯得越來越重要。
　　本文在綜述國內(nèi)外中長期水文預報模型的基礎上，以虎跳峽壩

2、區(qū)歷史徑流為研究對象，引入機器學習領域中廣泛應用的集成學習方法，為中長期水文預報研究介紹了新的思路。本文首先通過互信息值這一指標分析了虎跳峽壩區(qū)的大氣環(huán)流指數(shù)和歷史徑流等相關預報因子信息，挑選出150個相關指標作為預報特征。在此基礎上經(jīng)過深入研究，選擇具有代表性的梯度提升樹(GBRT)和隨機森林(RF)算法以及結(jié)合策略，通過各種方式將回歸樹這種基學習器集成起來，有效地增加算法的泛化能力和降低過擬合的風險。實例分析中對虎跳峽壩區(qū)1959-

3、1992年相關數(shù)據(jù)進行建模，并詳細展示了各算法參數(shù)的選取過程，利用1993-2000年月徑流資料對幾個模型進行預測與驗證，并與單一學習器支持向量機(SVM)進行比較分析；隨后在利用GBRT和RF的基學習器——決策樹劃分結(jié)點時會將重要結(jié)點優(yōu)先劃分的特性，選擇了10個最重要特征，并以線性回歸為基準比較了各集成學習方法的優(yōu)劣。研究結(jié)果表明，GBRT和RF集成學習方法在不同評價指標下各有優(yōu)劣，RF預測得到的優(yōu)秀結(jié)果要多于GBRT，但整體平均誤差