基于機(jī)器學(xué)習(xí)的渭河流域徑流預(yù)測(cè)系統(tǒng)研究.pdf

1、在人類活動(dòng)、短期內(nèi)氣候急劇變化等因素的影響下，徑流的變化表現(xiàn)出了隨機(jī)性、模糊性和灰色性等特征，并且在變化環(huán)境下，用于徑流預(yù)測(cè)的水文時(shí)間序列也將不再滿足一致性和代表性要求，再加之傳統(tǒng)的徑流預(yù)測(cè)模型多針對(duì)特定流域、特定預(yù)測(cè)尺度建立，其推廣應(yīng)用的能力較差。故本論文針對(duì)環(huán)境變化已經(jīng)成為水循環(huán)系統(tǒng)中的常態(tài)，開(kāi)發(fā)能夠響應(yīng)變化環(huán)境的徑流預(yù)測(cè)模型是未來(lái)的趨勢(shì)這一事實(shí)，采用常用的三類有監(jiān)督，具有非參數(shù)化學(xué)習(xí)特征的機(jī)器學(xué)習(xí)模型，即支持向量機(jī)、梯度迭代決策樹(shù)

2、以及深度神經(jīng)網(wǎng)絡(luò)，針對(duì)渭河干流咸陽(yáng)站，進(jìn)行了適應(yīng)性年、月徑流預(yù)測(cè)建模分析，并根據(jù)水文情報(bào)預(yù)報(bào)規(guī)范統(tǒng)計(jì)了各模型在訓(xùn)練集和測(cè)試集上的預(yù)測(cè)合格率。進(jìn)而根據(jù)分析結(jié)果，基于知識(shí)可視化綜合集成平臺(tái)搭建了渭河流域適應(yīng)性徑流預(yù)測(cè)模擬仿真系統(tǒng)，進(jìn)行了適應(yīng)性徑流預(yù)測(cè)實(shí)例仿真。取得的研究成果如下：
　?。?）SVM、GBDT、DNN三種模型均能夠很好的預(yù)測(cè)實(shí)測(cè)徑流序列的變化趨勢(shì)特征，對(duì)徑流的定性預(yù)測(cè)具有重要的指導(dǎo)意義。
　?。?）對(duì)于年徑流預(yù)測(cè)，

3、相較于GBDT和DNN模型，基于小樣本的SVM模型在訓(xùn)練集上的表現(xiàn)最好，建模預(yù)測(cè)合格率為95％，在測(cè)試集上的預(yù)測(cè)精度也較高，測(cè)試預(yù)測(cè)精度為66%，模型的表現(xiàn)水平良好。
　?。?）對(duì)于月徑流預(yù)測(cè)，在訓(xùn)練集上GBDT的預(yù)測(cè)合格率最高（42%），DNN的預(yù)測(cè)合格率次之（25%），SVM模型最低（21%）；在測(cè)試集上，SVM的預(yù)測(cè)合格率為40%，GBDT為30%，DNN最低。綜合對(duì)比得出，GBDT模型的表現(xiàn)水平最高。
　?。?）從渭