两类集成学习算法在中长期径流预报中的应用

摘要：

将前期130项遥相关气候指数作为预报因子,利用分类回归树算法(CART)作为基学习器,引入基于Bagging算法的随机森林模型(RF)与基于Boosting算法的梯度提升树模型(GBDT)的两类集成学习算法作为强学习预报模型,实现对丹江口水库未来1个月、1季度及1年3类径流序列的滚动预报,并通过相对误差绝对值的平均值(MAPE)、Nash效率系数(NSE)、相对均方根误差(RRMSE)、合格率(QR)等指标进行对比分析.研究结果表明,两类模型在验证期模拟精度相似,结果相仿,误差分布较均匀,可进一步用于集合径流预报;随着预报对象量级的增加,径流序列的不稳定性与极值序列分布的不均匀性得以降低,预报的准确度、可靠度以及稳定度得到提高.

关键词：中长期径流预报、机器学习、集成学习、分类回归树、随机森林、梯度提升树

所属期刊栏目：46

分类号：TV121.4(水利工程基础科学)

资助基金：水利部公益性行业科研专项201301044

在线出版日期：2020-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：21-24,34