基于EEMD-VMD-SSA-KELM模型的汛期日径流预测

受气象、气候变化和人类活动等因素的影响,径流序列呈现出非稳态、非线性等特征,给径流精准预测带来新的挑战.为了提高单一径流预测模型的预测精度,文章提出了一种新的基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法、变分模态分解(Variational Modal Decomposition,VMD)算法和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)的组合径流预测模型(EEMD-VMD-SSA-KELM).首先利用EEMD算法将径流序列分解为趋势分量、细节分量和随机分量,接着利用VMD算法将频率最大的随机分量进一步分解为若干个频率不同、较随机分量更加稳定的分量,从而降低径流序列的不稳定性;接着,对每个分量分别建立KELM模型进行预测,并采用SSA优化KELM模型的核参数和惩罚系数;最后,累加所有分量的预测结果得到径流序列的预测结果.提出的模型应用于湖北宜昌寸滩水文站的汛期日径流预测,并与BP神经网络模型、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型、KELM模型等作对比.结果表明:组合了数据分解算法的预测模型的预测精度明显优于单一的BP模型、LSSVM模型和KELM模型;组合EEMD算法和VMD算法的预测模型的预测精度优于仅组合EEMD算法的预测模型;KELM模型的预测精度优于LSSVM模型;SSA的优化精度优于粒子群优化算法.EEMD-VMD-SSA-KELM模型的预测精度最高,能准确的模拟复杂多频信息的汛期日径流的变化趋势,可为水文预测及相关预测研究提供参考.