论文部分内容阅读
本文从赤水河中下游水位预警的实际应用场景出发,在充分研究基于机器学习的水位预测相关理论技术的基础上,分别基于多元线性回归(MLR)、极端随机树(Extra-Tress)以及人工神经网络(ANN)三种机器学习算法构建用于赤水水文站3 h、6 h水位预测的模型,研究分析其在赤水河中下游水位预测中的应用。接下来,提出了基于极端随机树的迭代特征选择法(TIFS),并研究对比了IIS与TIFS两种特征选择算法在赤水水文站水位预测中的性能,并进一步引入最大重叠离散小波变换(MODWT),构建集成小波分解的模型,并最终提出用于赤水河中下游水位预警的TIFS-MODWT-ANN模型。(1)本文研究了MLR、Extra-Trees和ANN三种机器学习算法在赤水河中下游水位预测中的应用,基于三种算法分别构建赤水水文站3 h、6 h水位预测模型,对其预测性能进行了对比分析。(2)在构建基础模型的基础上,研究了基于信息理论的PMIS、基于相关性分析的PCIS以及迭代输入选择法IIS三种机器学习领域常用的特征选择方法,比较了它们各自的特点和适用场景,并最终采用IIS作为赤水水文站水位预测模型的特征选择算法。实际应用中,根据赤水河中下游水位数据资料的具体特点对IIS进行改进,在此基础上提出了基于极端随机树的迭代特征选择法(TIFS)。(3)为进一步优化预测结果的准确度,提高模型的泛化能力,本文在融合特征选择模型的基础上,引入最大重叠离散小波变换(MODWT)对特征子集进行成分分解,提取特征变化规律信息,构建集成小波分解的模型。(4)接下来,基于MLR、Extra-Trees与ANN三种机器算法,分别构建集成IIS-MODWT和TIFS-MODWT的赤水河中下游水位预测模型,并采用RMSE、MAE、纳什效率系数和威尔莫特指数对模型预测性能进行综合对比评估。(5)最后,完成了赤水河中下游防汛决策支持与预警平台的设计实现。实验结果表明,引入TIFS-MODWT后能明显提高赤水水文站水位预测模型的准确度,所有模型中TIFS-MODWT-ANN具有最优的预测性能。3h预测时其RMSE、MAE、NSE和WI分别为0.072 m、0.041 m、0.993和0.998,相较于ANN基础模型,其各项性能指标分别提升了38.5%、34.9%、1.3%和0.5%;而相较于IIS-MODWT-ANN模型,则分别提升了20.0%、24.1%、1.3%和0.4%。