基于機器學習的渭河流域徑流預測系統(tǒng)研究.pdf

1、在人類活動、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，用于徑流預測的水文時間序列也將不再滿足一致性和代表性要求，再加之傳統(tǒng)的徑流預測模型多針對特定流域、特定預測尺度建立，其推廣應用的能力較差。故本論文針對環(huán)境變化已經(jīng)成為水循環(huán)系統(tǒng)中的常態(tài)，開發(fā)能夠響應變化環(huán)境的徑流預測模型是未來的趨勢這一事實，采用常用的三類有監(jiān)督，具有非參數(shù)化學習特征的機器學習模型，即支持向量機、梯度迭代決策樹

2、以及深度神經(jīng)網(wǎng)絡，針對渭河干流咸陽站，進行了適應性年、月徑流預測建模分析，并根據(jù)水文情報預報規(guī)范統(tǒng)計了各模型在訓練集和測試集上的預測合格率。進而根據(jù)分析結果，基于知識可視化綜合集成平臺搭建了渭河流域適應性徑流預測模擬仿真系統(tǒng)，進行了適應性徑流預測實例仿真。取得的研究成果如下：
　?。?）SVM、GBDT、DNN三種模型均能夠很好的預測實測徑流序列的變化趨勢特征，對徑流的定性預測具有重要的指導意義。
　　（2）對于年徑流預測，

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