基于BP和LSSVM的径流分频预测模型构建OA北大核心CSTPCD

针对径流序列具有较强的随机性和波动性特征,提出一种短期月径流预测混合模型CEEMDAN-VMD-(BP,LSSVM)-LSSVM。首先利用自适应白噪声完整集成经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)将径流序列分解为高频、中频和低频分量,再利用变分模态分解(VMD,variational mode decomposition)方法进一步分解高频分量,并根据样本熵对两次分解得到的子序列进行整合,采用麻雀搜索算法优化的反向传播神经网络(BP,back-propagation neural network)和最小二乘支持向量机(LSSVM,least square support vector machine)分别预测高频分量和中低频分量,最后将不同频率分量训练期的拟合值作为LSSVM的输入,进行二次预测得到最终的径流预测结果。将提出的模型应用于黑河流域莺落峡站和祁连站的月径流预测,验证期相关系数和纳什效率系数均达到0.99以上,对比其他8组对照模型,该模型具有更高的预测精度,可以应用于实际的短期月径流预测。