基于数据处理与超参数优化的高斯过程回归月地下水位预测OA

为提高月地下水位时间序列预测精度,解决高斯过程回归(GPR)超参数选取问题,提出基于小波包变换(WPT)和指数分布优化(EDO)算法、指数三角优化(ETO)算法、四向量智能元启发式(FVIM)算法、信息获取优化(IAO)算法优化GPR的月地下水位时间序列预测模型,并通过云南省倘甸、者林寨等6个地下水位站实测数据对模型进行验证.首先,利用WPT对各实例地下水位时间序列进行2层分解,划分各分量训练集和验证集;其次,基于训练集构建GPR超参数优化实例目标函数,利用EDO/ETO/FVIM/IAO对实例目标函数进行优化;最后,利用优化获得的最优超参数建立WPT-EDO/ETO/FVIM/IAO-GPR模型对实例各分量进行预测和重构,并构建WPT-EDO/ETO/FVIM/IAO-最小二乘支持向量机(LSSVM)、WPT-GPR、EDO/ETO/FVIM/IAO-GPR模型作对比.结果表明:WPT-EDO/ETO/FVIM/IAO-GPR模型对6个实例预测的平均绝对误差(E_(MA))在0.0070~0.0515 m之间,决定系数(C_(D))在0.9940~0.9994之间,预测精度优于其他对比模型;在相同分解和优化情形下,GPR预测性能优于LSSVM;通过EDO/ETO/FVIM/IAO优化GPR超参数,可以显著提升GPR的预测精度;无论地下水位变幅大小,WPT均能将其分解为更易建模的分解分量,从而提高地下水位预测精度.