LASSO回歸和支持向量回歸耦合的中長期徑流預報
摘要：同樣預報精度情況下,中長期徑流預報提前期越長,對水庫調度方案與發電計劃的制定輔助決策作用效果更強.中長期徑流預報的難點在于徑流序列的隨機性以及相應預見期的氣象難以可靠預報.當前的預報模型大都是基于數據分析的數據驅動模型,其輸入因子多為前期徑流和大尺度氣候因子.而預報因子的選擇對于數據驅動模型的精度非常關鍵.因此,需要有效的因子篩選方法以輔助建模.本文引入lasso回歸方法以篩選徑流預報因子,其選擇結果作為支持向量回歸（SVR）模型中的預報因子,形成LASSO回歸和支持向量回歸耦合（LSVR）模型,并將LSVR模型應用到龍羊峽水庫進行預見期為一個月的入庫徑流預報,并與傳統SVR模型預報結果進行對比.結果表明,徑流因子的選擇對兩種模型的預報效果都有較大的影響,過多引入前期徑流因子時預報效果較差.兩種模型的預報結果對比表明,LSVR模型能夠增強有益預報因子的作用,減弱干擾因子的影響,在驗證期和測試期的預報結果都好于SVR模型的.在2010年1月到2016年10月的82個月的測試期中,LSVR模型的4項評價指標相比SVR模型都有所提升,其中均方誤差（MSE）比SVR模型減小了13.09%.
注: 保護知識產權,如需閱讀全文請聯系應用基礎與工程科學學報雜志社
相關推薦
更多
