Abstract:

为提高水面蒸发量预测精度，同时验证变分模态分解（VMD）技术直接应用于整个时间序列及仅应用于训练集时间序列对蒸发量预测精度的影响，提出基于淘金热优化（GRO）算法、VMD和混合核极限学习机（HKELM）组合的两种预测方案及模型，并通过云南省龙潭寨、西洋街水文站月蒸发量预测实例对各方案及模型进行检验。方案Ⅰ：在分解分量为3—6、8、10的情形下，利用GRO优化VMD超参数，对月蒸发量时间序列进行分解处理，划分训练集和预测集；采用GRO优化HKELM超参数，建立GRO-VMDⅠ 3-HKELM、GRO-VMDⅠ 4-HKELM、GRO-VMDⅠ 5-HKELM、GRO-VMDⅠ 6-HKELM、GRO-VMDⅠ 8-HKELM、GRO-VMDⅠ 10-HKELM模型对预测集各分量进行预测和重构。方案Ⅱ：将月蒸发量时间序列划分为训练集和预测集，在分解分量为3—6、8、10的情形下，利用GRO优化训练集VMD超参数，对月蒸发量训练集时间序列进行分解处理；利用GRO优化HKELM超参数，建立GRO-VMDⅡ 3-HKELM、GRO-VMDⅡ 4-HKELM、GRO-VMDⅡ 5-HKELM、GRO-VMDⅡ 6-HKELM、GRO-VMDⅡ 8-HKELM、GRO-VMDⅡ 10-HKELM模型对预测集各分量进行预测和重构。结果表明：（1）方案Ⅰ、方案Ⅱ各模型均具有较好的预测精度，远优于未经数据分解处理的GRO-HKELM模型。方案Ⅰ各模型预测精度要优于方案Ⅱ各模型预测精度。（2）方案Ⅰ中，各模型训练集拟合精度和预测集预测精度总体上随VMD分解分量的增加而提高；方案Ⅱ中，各模型训练集拟合精度随VMD分解分量的增加而提高，但预测集预测精度无明显规律，且预测精度低于方案Ⅰ中的对应模型，表明方案Ⅱ预测精度受“引入未来数据”的影响。（3）方案Ⅰ提前使用了预测集信息，导致预测精度“虚高”，从而在实际应用中造成较大误差；方案Ⅱ预测精度虽然低于方案Ⅰ，但方案Ⅱ未提前使用“未来信息”，反映出客观真实的预测效果，具有较高的实用值价和实用意义。