基于CEEMDAN-WD-PSO-LSSVM模型的月径流预测研究

针对径流序列的非线性、非稳态化的特点导致直接预测精度低的问题,提出了一种二次分解径流时间序列,再经过最小二乘支持向量机(LSSVM)模型进行月径流预测的新途径.该方法首先利用自适应噪声的完整集成经验模态分解(CEEMDAN)算法来分解原始径流时间序列,得到一系列本征模态分量(IMF).再利用小波分解(WD)对高频分量进行二次分解,更有效地提取原始数据中的隐含信息.把各分量作为基于粒子群算法(PSO)优化的LSSVM预测模型的输入,最后将每个分量预测结果进行叠加重构,得到最终结果.以洛河流域长水水文站月径流为例,验证结果表明:提出的CEEMDAN-WD-PSO-LSSVM组合模型的预测精度较单一模型有效提高了径流预报精度,CEEMDAN-WD二次分解可更有效地提取复杂径流序列的信息,为非线性、非稳态化的月径流时间序列预测提供了新方法.