[发明专利]基于CEEMDAN与随机森林的中长期径流预测方法

说明书

本发明公开了一种基于CEEMDAN与随机森林的中长期径流预测方法，属于径流预测技术领域。该方法包括：步骤一：获取径流序列x(t),并将其分为训练样本和测试样本；步骤二：利用CEEMDAN将径流序列分解为若干平稳的IMF分量和一个趋势项；步骤三：将IMF分量及趋势项分别输入RF进行预测；步骤四：将各IMF分量及趋势项的预测结果重构，得到最终径流序列预测值。本发明解决了径流非平稳特性对预测效果的影响及采用预测性能更好的模型两方面来综合提高预测精度，对中长期径流预测具有很好的参考价值。

技术领域

本发明涉及径流预测技术领域，具体涉及一种基于自适应噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition withAdaptive Noise,CEEMDAN)与随机森林(Random Forest,RF)的中长期径流预测方法。

背景技术

目前径流预测方法使用较为广泛的是主要以人工神经网络为代表的人工智能方法，但其属于单分类器模型，在训练中容易发生学习不足或过拟合现象，导致计算精度不高的问题。因此，基本思想是将多个单分类器模型组合的组合分类器模型逐渐受到众多学者的关注。同时由于以上单一模型预测精度提升空间有限，径流的非平稳性也影响模型预测精度，随着对径流序列分析预测的不断深入，基于径流平稳化方法的组合预测模型也逐渐被应用于径流预测中。

发明内容

本发明旨在提供一种基于CEEMDAN与随机森林的中长期径流预测方法，通过解决径流非平稳特性对预测效果的影响及采用预测性能更好的模型两方面来综合提高预测精度，对中长期径流预测具有很好的参考价值。

本发明提供了一种基于CEEMDAN与随机森林的中长期径流预测方法，该方法包括：

步骤一：获取径流序列x(t),并将其分为训练样本和测试样本；

步骤二：利用CEEMDAN将径流序列分解为若干平稳的IMF分量和一个趋势项；

步骤三：将IMF分量及趋势项分别输入RF进行预测；

步骤四：将各IMF分量及趋势项的预测结果重构，得到最终径流序列预测值。

其中，步骤二所述利用CEEMDAN将径流序列分解为若干平稳的IMF分量和一个趋势项，具体包括以下步骤：

(1)对原始径流序列添加高斯白噪声形成总体分解信号：

xⁱ(t)＝x(t)+ε₀ωⁱ(t)

式中，ε₀表示控制所添加噪声和原始信号信噪比的噪声系数，ωⁱ(t)(i＝1,2,…I)表示一组均值为0、方差为1的高斯白噪声，其中I表示集总次数，即实现I次EMD分解。其中x(t)为原始径流序列，xⁱ(t)为原始径流序列添加高斯白噪声之后的序列。

(2)通过EMD重复分解过程I次，计算总体平均值，并将其定义为原始信号的第一个IMF分量IMF₁(t)，即：

式中，IMFⁱ(t)(i＝1,2,…,I)为第i个EMD分解结果，I为重复EMD分解的次数。

(3)计算一阶残差r₁(t)：

r₁(t)＝x(t)-IMF₁(t)

式中，x(t)为原始径流序列，IMF₁(t)为第一个IMF分量。