基于随机漂移粒子群优化的随机森林预测模型及水文应用实例

摘要：

提出一种基于随机漂移粒子群(RDPSO)算法优化的随机森林(RF)预测方法,利用RDPSO算法优化RF决策树数量和分裂属性个数两个关键参数,构建RDPSO-RF预测模型,并与基于RDPSO算法优化的支持向量机(SVM)、BP神经网络预测模型作对比,以某水文站枯水期1～3月月径流预测为例,利用实例前43年和后10年资料对3种模型进行训练和预测.结果表明,RDPSO-RF模型对实例1～3月月径流训练、预测的平均相对误差绝对值分别为4.28％、3.88％、5.67％和3.74％、4.57％、4.88％,训练、预测精度均优于RDPSO-SVM、RDPSO-BP模型,具较好的预测精度和泛化能力,可为相关预测研究提供参考和借鉴.

关键词：径流预测、随机漂移粒子群算法、随机森林、参数优化

所属期刊栏目：41

分类号：P338(水文科学（水界物理学）)

资助基金：国家水体污染控制与治理科技重大专项201307102-006-01;院士工作站建设专项2015IC013

在线出版日期：2019-04-25（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：6-10