基于PSO-LSSVM的干旱区中长期降水预测模型研究

doi:10.11988/ckyyb.20160010

长江科学院院报 ›› 2016, Vol. 33 ›› Issue (10): 36-40.DOI: 10.11988/ckyyb.20160010

基于PSO-LSSVM的干旱区中长期降水预测模型研究

孟锦根

四川交通职业技术学院建筑工程系,成都 611130

收稿日期:2016-01-06 出版日期:2016-10-20 发布日期:2016-10-17
作者简介:孟锦根(1970-),男,四川中江人,讲师、高级工程师,主要从事智能算法方向的研究,(电话)18190846570(电子信箱)504862652@qq.com。

Model of Medium-long-term Precipitation Forecasting in Arid Areas Based on PSO and LS-SVM Methods

MENG Jin-gen

Department of Architectural Engineering, Sichuan Vocational and Technical Collegeof Communications, Chengdu 611130, China

Received:2016-01-06 Published:2016-10-20 Online:2016-10-17

摘要/Abstract

摘要： 降水量的准确预测对于干旱地区的水资源综合利用、抗旱减灾有重要意义。引入基于粒子群算法进行参数寻优的最小二乘支持向量机模型(PSO-LSSVM),构建考虑7a周期的年降水样本及考虑季节性特征的月降水样本,建立干旱区年、月尺度下的中长期降水预测模型,并应用新疆阿勒泰地区1960—2013年实测降水序列,验证模型的适用性。结果表明基于粒子群算法与最小二乘支持向量机的中长期降水预测模型预测精度高,泛化能力强,能有效地预测新疆阿勒泰地区年、月降水量。该模型为干旱区中长期降水预测提供了一种可靠的研究思路与方法。

关键词: 粒子群算法, 最小二乘支持向量机, 干旱区, 阿勒泰地区, 降水预测

Abstract: Precipitation forecasting in arid region is of great significance for water resources utilization and drought disaster reduction. A precipitation forecasting model in yearly and monthly scales based on particle swarm algorithm (PSO) and least squares support vector machine (LSSVM) model was established using the annual precipitation sample of a seven-year cycle and the monthly precipitation sample of seasonal characteristics. The applicability of the model was verified through the measured precipitation sequence from 1960 to 2013 in Altay region. Results show that the model based on PSO and LSSVM could effectively forecast the annual and monthly precipitation in Altay region, hence is of high precision and strong generalization ability. It offers a reliable research idea and method for medium and long-term precipitation forecast in arid areas.

Key words: PSO, LS-SVM, arid areas, Altay region, precipitation forecasting

中图分类号:

P338.9

孟锦根. 基于PSO-LSSVM的干旱区中长期降水预测模型研究[J]. 长江科学院院报, 2016, 33(10): 36-40.

MENG Jin-gen. Model of Medium-long-term Precipitation Forecasting in Arid Areas Based on PSO and LS-SVM Methods[J]. JOURNAL OF YANGTZE RIVER SCIENTIFIC RESEARCH INSTI, 2016, 33(10): 36-40.

[1]	徐思雨, 张召, 雷晓辉, 杜梦盈, 景象, 范海龙. 某调水泵站流量优化分配方案的敏感性分析[J]. 长江科学院院报, 2024, 41(10): 23-29.
[2]	汪涛, 徐杨, 刘亚新, 卢佳, 马皓宇. 基于多种群引力粒子群算法的金沙江下游—三峡梯级水库群优化调度[J]. 长江科学院院报, 2023, 40(12): 30-36,58.
[3]	王伟, 邹丽芳, 周倩瑶, 姜宇航, 陈鸿杰, 徐卫亚. 大华滑坡位移预测模型研究[J]. 长江科学院院报, 2022, 39(9): 56-64.
[4]	邬凯,杨雪莲,李佳. 基于DE-LSSVM的地下洞室群支护参数智能优化[J]. 长江科学院院报, 2019, 36(9): 115-120.
[5]	刘波, 胡卸文, 白凯文, 陈浩栋, 郑智洋. 基于界面本构模型的锚杆张拉受力分析[J]. 长江科学院院报, 2019, 36(6): 77-82.
[6]	李仕波,李德营,张玉恩,李杰. 基于LS-SVM模型的白水河滑坡台阶状位移预测[J]. 长江科学院院报, 2019, 36(4): 55-59,76.
[7]	李桥, 巨能攀, 黄健, 王昌明, 赖若帆, 剪鑫磊. 基于EEMD与SE的IPSO-LSSVM模型在坝肩边坡变形预测中的应用[J]. 长江科学院院报, 2019, 36(12): 47-53.
[8]	钱秋培,崔伟杰,包腾飞,李慧. 基于SVM的混凝土坝变形监控模型预测能力实例分析[J]. 长江科学院院报, 2018, 35(8): 46-50.
[9]	沈晶鑫, 房彬, 郑东健, 郭芝韵, 李丹. 基于AdaBoost集成的WPSO-RBF大坝变形监控模型[J]. 长江科学院院报, 2018, 35(5): 57-62.
[10]	高新稳, 周建中, 肖小刚, 张胜, 莫莉, 蒋志强, 冯仲恺. 基于二进制和声粒子群算法的电站经济运行问题研究[J]. 长江科学院院报, 2018, 35(11): 133-139.
[11]	苗正伟, 徐利岗. 基于隶属度修正的加权马尔可夫链的降水预测[J]. 长江科学院院报, 2018, 35(1): 40-46.
[12]	王伟, 徐锴, 方绪顺, 钟启明. 基于改进粒子群算法的大坝监控加权统计模型[J]. 长江科学院院报, 2017, 34(8): 41-46.
[13]	王森, 马志鹏, 李善综, 熊静. 粗粒度并行自适应混合粒子群算法及其在梯级水库群优化调度中的应用[J]. 长江科学院院报, 2017, 34(7): 149-154.
[14]	吕喜风, 王新鹏, 刘速, 叶含春. 适用于干旱区的水分蒸发抑制剂研究[J]. 长江科学院院报, 2017, 34(7): 32-35.
[15]	李存立, 严新军, 侍克斌. 不同配重的浮球覆盖下干旱区平原水库的节水效率对比分析[J]. 长江科学院院报, 2017, 34(5): 14-17.

基于PSO-LSSVM的干旱区中长期降水预测模型研究

Model of Medium-long-term Precipitation Forecasting in Arid Areas Based on PSO and LS-SVM Methods

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价