• 全国中文核心期刊
  • 中国科技核心期刊
  • 美国工程索引(EI)收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

混沌时间序列支持向量机模型及其在径流预测中应用

于国荣 夏自强

于国荣, 夏自强. 混沌时间序列支持向量机模型及其在径流预测中应用[J]. 水科学进展, 2008, 19(1): 116-122.
引用本文: 于国荣, 夏自强. 混沌时间序列支持向量机模型及其在径流预测中应用[J]. 水科学进展, 2008, 19(1): 116-122.
YU Guo-rong, XIA Zi-qiang. Prediction model of chaotic time series based on support vector machine and its application to runoff[J]. Advances in Water Science, 2008, 19(1): 116-122.
Citation: YU Guo-rong, XIA Zi-qiang. Prediction model of chaotic time series based on support vector machine and its application to runoff[J]. Advances in Water Science, 2008, 19(1): 116-122.

混沌时间序列支持向量机模型及其在径流预测中应用

基金项目: 国家自然科学基金重大资助项目(30490235)
详细信息
    作者简介:

    于国荣(1979- ),女,黑龙江庆安人,河海大学博士研究生,主要从事水文水资源和生态环境的研究.E-mail:yuguorong77@163.com

  • 中图分类号: P338

Prediction model of chaotic time series based on support vector machine and its application to runoff

Funds: The study is financially supported by the National Natural Science Foundation of China (No.30490235)
  • 摘要: 以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取。利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别。在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度。
  • [1] 王红瑞,宋宇,刘昌明,等.混沌理论及在水科学中的应用与存在的问题[J].水科学进展,2004,15(3):400-407.
    [2] Sivakumar B.Chaos theory in geophysics:past,present and future[J].Chaos,SolitonsandFractals,2004,19:441-462.
    [3] 赵永龙.水文动力系统混沌分析及其非线性预测[D].成都:四川联合大学,1997.
    [4] 王文均,叶敏,陈显维.长江径流时间序列混沌特性的定量分析[J].水科学进展,1994,5(2):87-93.
    [5] Taken S F.Detecting strange attractors in turbulence[J].Lecture Notes in Mathematics,1981,898:366-381.
    [6] ASCE Task Committee.Artificial neural networks in hydrology-Ⅰ:Preliminary concepts[J].Journal of Hydrologic Engineering,2000,5(2):115-123.
    [7] ASCE Task Committee.Artificial neural networks in hydrology-Ⅱ:Hydrological applications[J].Journal of Hydrologic Engineering,2000,5(2):124-137.
    [8] Vladimir N Vapnik 著,张学工译.统计学习理论的本质[M].北京:清华大学出版社,2000.
    [9] 林剑艺,程春田.支持向量机在中长期径流预报中的应用[J].水利学报,2006,37(6):681-686.
    [10] Liong S Y,Sivapragasm C.Flood stage forecasting with SVM[J].Journal of the American Water Resources Association,2002,38(1):173-186.
    [11] 廖杰,王文圣,李跃清,等.支持向量机及其在径流预测中的应用[J].四川大学学报(工程科学版),2006,38(6):24-29.
    [12] 李国庆,陈守煜.基于模糊模式识别的支持向量机的回归预测方法[J].水科学进展,2005,16(5):741-746.
    [13] Packabd N H,CrutchfieiD J P,Farmer J D,et al.Geometry from a time series[J].Physics Review Letters,1980,45:712-716.
    [14] GRA SSB ER GER P,PROCACCIA I Measuring the strangeness of strange attractors[J].Physica D,1983,9:189-208.
    [15] Vapnik V.Statistical Learning Theory[M].New York:Springer,1998.
    [16] Smola A J,Schoelkopf B.A tutorial on support vector regression[J].Statistics and Computing,2004,14:199-222.
    [17] Vapnik V.The Nature of Statistical Learning Theory[M].New York:Springer Verlag,1999.
    [18] Hsu C W,Chang C C,Lin C J.A Practical Guide to Support Vector Classification[R].Technical report,Department of Computer Science and Information Engineering,National Taiwan University,2003.
    [19] Dong B,Cao C,Lee S E.Applying support vector machines to predict building energy consumption in tropical region[J].Energy and Buildings,2005,37:545-553.
    [20] Chen P W,Wang J Y,Lee H W.Model selection of SVMs using GA approach[A].2004 IEEE International Joint Conference[C].Budapest:2004.2 035-2 040.
    [21] Yu X Y,Liong S Y,Babovic V.EC-SVM approach for real-time hydrologic forecasting[J].Journal of Hydroinformatics,2004,6(3):209-233.
    [22] Pai P F,Hong W C.Support vector machines with simulated annealing algorithms in electricity load forecasting[J].Energy Conversion and Management,2005,46(17):2669-2688.
    [23] Duan QY,Sorooshian S,Gupta V K.Optimal use of the SCE-UA global optimization method for calibrating watershed models[J].Journal of Hydrology,1994,158(1):265-284.
    [24] Duan QY,Sorooshiaa S,Gupta V K.Optimal use of the SCE-UA global optimization method for calibrating watershed models[J].Journal of Hydrology,1994,158(1):265-284.
    [25] Sorooshiaa S,Duan Q,Gupta V K.Calibration of rainfall-runoff models:application of global optimization to the Sacramento soil moisture accounting mode[J].Water Resources Research,1993,29(4):1 185-1 194.
    [26] Kuczera G.Efficient subspace probabilistic parameter optimization for catchment models[J].Water Resources Research,1997,33(1):177-185.
    [27] 卢宇,陈宇红,贺国光.应用改进型小数据量法计算交通流量的最大Lypunov指数[J].系统工程理论与实践,2007(1):85-90.
  • [1] 冯仲恺, 廖胜利, 牛文静, 申建建, 程春田, 李泽宏.  改进量子粒子群算法在水电站群优化调度中的应用 . 水科学进展, 2015, 26(3): 413-422. doi: 10.14042/j.cnki.32.1309.2015.03.012
    [2] 郭生练, 郭家力, 侯雨坤, 熊立华, 洪兴骏.  基于Budyko假设预测长江流域未来径流量变化 . 水科学进展, 2015, 26(2): 151-160. doi: 10.14042/j.cnki.32.1309.2015.02.001
    [3] 刘向培, 王汉杰, 何明元.  应用统计降尺度方法预估江淮流域未来降水 . 水科学进展, 2012, 23(1): 29-37. doi: CNKI:32.1309.P.20120104.2012.005
    [4] 李新杰, 胡铁松, 郭旭宁, 曾祥, 张涛.  0-1测试方法的径流时间序列混沌特性应用 . 水科学进展, 2012, 23(6): 861-868. doi: CNKI: 32.1309.P.20121101.1755.004
    [5] 尚晓三, 王式成, 王振龙, 王栋.  基于样本熵理论的自适应小波消噪分析方法 . 水科学进展, 2011, 22(2): 182-188.
    [6] 鞠琴, 郝振纯, 余钟波, 徐海卿, 江微娟, 郝洁.  IPCC AR4气候情景下长江流域径流预测 . 水科学进展, 2011, 22(4): 462-469.
    [7] 刘起方, 马光文, 刘群英, 杨道辉.  梯级水电站优化调度的分形与混沌嵌套搜索算法 . 水科学进展, 2009, 20(2): 197-203.
    [8] 桑燕芳, 王栋.  水文时间序列周期识别的新思路与两种新方法 . 水科学进展, 2008, 19(3): 412-417.
    [9] 王文, 许武成.  对水文时间序列混沌特征参数估计问题的讨论 . 水科学进展, 2005, 16(4): 609-616.
    [10] 李庆国, 陈守煜.  基于模糊模式识别的支持向量机的回归预测方法 . 水科学进展, 2005, 16(5): 741-746.
    [11] 黄国如, 芮孝芳.  流域降雨径流时间序列的混沌识别及其预测研究进展 . 水科学进展, 2004, 15(2): 255-260.
    [12] 丁晶, 王文圣, 赵永龙.  长江日流量混沌变化特性研究——Ⅱ相空间嵌入维数的确定 . 水科学进展, 2003, 14(4): 412-416.
    [13] 丁晶, 王文圣, 赵永龙.  长江日流量混沌变化特性研究——Ⅰ相空间嵌入滞时的确定 . 水科学进展, 2003, 14(4): 407-411.
    [14] 顾世祥, 王士武, 袁宏源.  参考作物腾发量预测的径向基函数法 . 水科学进展, 1999, 10(2): 123-128.
    [15] 李贤彬, 丁晶, 李后强.  水文时间序列的子波分析法 . 水科学进展, 1999, 10(2): 144-149.
    [16] 赵永龙, 丁晶, 邓育仁.  相空间小波网络模型及其在水文中长期预测中的应用 . 水科学进展, 1998, 9(3): 252-257.
    [17] 赵永龙, 丁晶, 邓育仁.  混沌分析在水文预测中的应用和展望 . 水科学进展, 1998, 9(2): 181-186.
    [18] 傅军, 丁晶, 邓育仁.  洪水混沌特性初步研究 . 水科学进展, 1996, 7(3): 226-230.
    [19] 戴申生.  台湾水文科学进展 . 水科学进展, 1995, 6(2): 169-169.
    [20] 王文均, 叶敏, 陈显维.  长江径流时间序列混沌特性的定量分析 . 水科学进展, 1994, 5(2): 87-94.
  • 加载中
计量
  • 文章访问数:  6
  • HTML全文浏览量:  2
  • PDF下载量:  683
  • 被引次数: 0
出版历程
  • 收稿日期:  2007-07-20
  • 刊出日期:  2008-01-25

混沌时间序列支持向量机模型及其在径流预测中应用

    基金项目:  国家自然科学基金重大资助项目(30490235)
    作者简介:

    于国荣(1979- ),女,黑龙江庆安人,河海大学博士研究生,主要从事水文水资源和生态环境的研究.E-mail:yuguorong77@163.com

  • 中图分类号: P338

摘要: 以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取。利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别。在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度。

English Abstract

于国荣, 夏自强. 混沌时间序列支持向量机模型及其在径流预测中应用[J]. 水科学进展, 2008, 19(1): 116-122.
引用本文: 于国荣, 夏自强. 混沌时间序列支持向量机模型及其在径流预测中应用[J]. 水科学进展, 2008, 19(1): 116-122.
YU Guo-rong, XIA Zi-qiang. Prediction model of chaotic time series based on support vector machine and its application to runoff[J]. Advances in Water Science, 2008, 19(1): 116-122.
Citation: YU Guo-rong, XIA Zi-qiang. Prediction model of chaotic time series based on support vector machine and its application to runoff[J]. Advances in Water Science, 2008, 19(1): 116-122.
参考文献 (27)

目录

    /

    返回文章
    返回