[发明专利]一种基于二次分解与回声状态网络的中长期径流预测方法

说明书

本发明公开了一种基于二次分解与回声状态网络（ESN）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)，根据径流序列的数据情况，将其分为训练样本和测试样本；步骤二：利用自适应噪声完备经验模态分解（CEEMDAN）将径流序列分解为若干固有模态函数（IMF）和一个趋势项（Res）；步骤三：使用变分模态分解（VMD）方法对频率最高的IMF分量进行二次分解，得到若干变分模态（Mode）；步骤四：将两次分解出的子序列分别输入ESN进行预测，并将各预测结果重构得到最终预测值。本发明解决了对一次分解中高频分量预测误差较大的问题，进一步提高ESN的预测精度。

技术领域

本发明涉及一种基于二次分解与回声状态网络(ESN)的中长期径流预测方法，属于径流预测技术领域。

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，但传统的递归神经网络具有记忆渐消的缺点。因此，具有良好短期记忆功能、简单训练算法以及容易确定网络结构的ESN获得越来越多研究人员的关注。然而，径流序列的复杂性影响了ESN模型的参数率定及学习效率，单一模型不能充分挖掘并学习径流序列中所包含的全部信息，预测精度提升空间有限，从而出现了“分解-预测-重构”模式的组合预测方法，通过将径流序列分解成若干子序列的方式，简化原始径流序列。但这种模式仍有一定缺陷，分解出的最高频分量包含了原始径流序列的主要特征，具有波动强烈且振动幅值大的特点，序列仍较为复杂，导致最高频分量的预测精度不足，进而对整个径流序列预测效果产生较大的影响。

因此，寻求新的组合模式来减小最高频分量预测误差，以期提高整体预测精度，已成为水文预报领域的热点问题。

发明内容

本发明旨在提供一种基于二次分解与回声状态网络(ESN)的中长期径流预测方法，解决了一次分解中最高频分量仍波动强烈的问题，进一步提高了性能较好的模型预测精度，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二次分解与回声状态网络(ESN)的中长期径流预测方法，将CEEMDAN-VMD与ESN模型组合使用，首先通过CEEMDAN方法，将径流序列分解出一系列包含不同尺度局部信息的子序列，以解决径流的复杂性影响模型参数确定及预测效率；再采用VMD对子序列中频率最高的分量进行二次频域特性分解，降低最高频分量的波动程度，在此基础上，采用预测性能较好的ESN模型，从而综合提高预测精度，对中长期径流预测具有借鉴意义。

上述内容使用CEEMDAN可有效地将复杂的径流序列分解为包含不同尺度时域信息的子序列，可避免EMD分解出现的模态混叠问题，与集合经验模态分解(EEMD)相比，提高了分解效率，同时解决互补集合经验模态分解(CEEMD)添加不同噪声信号产生不同数量模态分解的问题。该方法实现了分解信号的近似完美重构，解决了不同加噪信号产生不同数量模态的缺陷；然而其频率最高的IMF分量包含主要的原始序列频率信息，波动较为强烈，序列仍较为复杂，导致预测精度较低，借鉴分解方法对原始径流序列的处理思路，采用VMD方法对最高频分量进行频域特性分解，进一步提取最高频分量的不同频域信息，降低序列复杂程度，以期进一步提高ESN模型预测精度；而使用的ESN模型，其作为传统循环神经网络(RNN)的改进方法，具有独特的动态储备池结构，通过调整储备池中神经元状态的数值特征，使得系统具有良好的短期记忆功能及非线性逼近能力，且简化了网络训练过程，提高计算效率。

上述基于二次分解与回声状态网络的中长期径流预测方法，具体包括以下步骤：

步骤一：获取径流序列x(t)，根据径流序列的数据情况，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IMF分量和一个Res；

步骤三：使用VMD方法对频率最高的IMF分量进行二次分解，得到若干Mode；