科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】针对当前径流预测中存在的预测精确度低、稳定性差、延时高，机理认识不深刻等问题，提出一种新的基于正交三角分解的宽度学习模型(QR-RBL)。【方法】该模型利用正交三角矩阵分解重新定义宽度学习输出层权重矩阵求解方案，可有效提高宽度学习模型的预测效率。同时，为提高宽度学习的泛化能力，将正则化方法引入QR-BL,进一步完成QR-RBL预测模型。最后，在QR-RBL的基础上，构建基于QR-RBL的径流预测方法。该方法首先基于径流自相关思想，动态化、智能化选择预测序列，然后通过设置滑动窗口，获取预测步长，最后通过QR-RBL进行未来预测。【结果】以黄河流域部分水文站试验数据为基础，结果表明，基于QR-RBL的径流预测模型相比于传统宽度学习模型，其效率提高0.68倍。相比于传统神经网络模型(ANN)预测精准度提高0.79倍，可信度提高1.1倍。【结论】综合以上分析，QR-RBL算法在径流预测方面有效的提高了模型的精准度，可信度和效率，为径流预报，灾害监管提供了一种新方法和新思路。
- 单位
