欢迎来到OAJRC平台！

期刊栏目

投稿

审稿

期刊目次

加入编委

期刊订阅

添加您的邮件地址以接收即将发行期刊数据：

当前位置：国际应用数学进展 > 2023年 5卷 (1)期

Open Access Article

Advances in International Applied Mathematics. 2023; 5: (1) ; 13-22 ; DOI: 10.12208/j.aam.20230001.

Chaotic precipitation series prediction based on VMD and SVR
基于变分模态分解和支持向量回归的混沌降水量序列预测

作者： 郝政, 马少娟 *, 陈泓霖

北方民族大学数学与信息科学学院宁夏银川

北方民族大学数学与信息科学学院宁夏银川；宁夏智能信息与大数据处理重点实验室宁夏银川

宁夏智能信息与大数据处理重点实验室宁夏银川

*通讯作者：马少娟,单位：北方民族大学数学与信息科学学院宁夏银川；宁夏智能信息与大数据处理重点实验室宁夏银川；

国家自然科学基金项目全国统计科学研究项目

发布时间: 2023-02-08 总浏览量: 873

PDF 全文下载引用本文万方数据（WANFANG DATA）

摘要

准确的降水量预测对暴雨以及洪涝灾害的防治具有重要意义。由于传统降水量预测方法对信息挖掘能力不足，在变分模态分解（VMD）基础上结合机器学习提出一种改进的变分模态分解和支持向量回归（VMD-SVR）预测方法。以郑州市为例，首先分析了该城市1979-2020年逐月降水量序列的混沌特性；其次对降水量序列的原始序列数据、相空间重构数据和变分模态分解数据进行预测，结果显示变分模态分解后的数据预测性能较高；最后对比三种机器学习算法预测变分模态分解数据结果的精度，发现VMD-SVR模型预测精度最高。

关键词： 变分模态分解；支持向量回归；混沌时间序列；降水量预测

Abstract

Accurate precipitation prediction has a great significance to the prevent and control of rainstorm and flood disasters. Due to the lack of information mining ability of traditional precipitation prediction methods, the improved Variational Mode Decomposition (VMD) and Support Vector Regression (VMD-SVR) prediction method was proposed. Taking Zhengzhou as an example, firstly the chaotic characteristics of monthly precipitation series in the city from 1979 to 2020 were analyzed. Secondly, the original series data, phase space reconstruction data and variational mode decomposition data of precipitation series are predicted. The results show that the data prediction performance after variational mode decomposition is higher. Finally, the prediction accuracy of the three machine learning algorithms was compared, the VMD-SVR model was found to have the highest prediction accuracy.

Key words： Variational Mode Decomposition; Support Vector Regression; Chaotic Time Series; Prediction of precipitation

参考文献 References

[1] 尹宜舟, 高歌, 王国复. 气象灾害的灾体模型及其初步应用[J]. 气象, 2019, 45(10):1439-1445.

[2] 包红军, 曹勇, 曹爽, 王蒙. 基于短时临近降水集合预报的中小河流洪水预报研究[J]. 河海大学学报（自然科学版）2021, 49(3):197-203.

[3] 张丽婷, 李鹏飞, 庞文静, 惠雯, 秦孟晟. 基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测[J]. 科学技术与工程, 2022, 22(09):3453-3463.

[4] 迟道才, 王子凰, 陈涛涛, 许杏娟, 张瑞. ARIMA和蒙特卡洛方法在预测降水量中的应用[J]. 沈阳农业大学学报, 2015, 46(02):187-191.

[5] 余霖, 吕鑫, 周思琪, 刘璇. 多分支的降水量概率预测模型研究[J]. 计算机科学, 2017, 44(10):222-227.

[6] 郝慧慧, 朱涵钰. 改进灰色波形预测方法在降水量预测中的应用[J]. 节水灌溉, 2021(09):41-44+50.

[7] BYUNG S K, SYED Z H, GYEWOON C. Evaluation of temporal-spatial precipitation variability and prediction using seasonal ARIMA model in Mongolia[J]. KSCE Journal of Civil Engineering, 15, 917–925 (2011).

[8] PRIYA N, ASHOKE B, SUMANA S, KAMNA S. Trend analysis and ARIMA modelling of pre-monsoon rainfall data for western India[J]. Comptes Rendus Geoscience, 2013, 345(1):22-27.

[9] 吴林川, 孙婴婴. 加权马尔科夫链在榆林市降水量预测中的应用[J]. 人民长江, 2017, 48(S1):82-84+100.

[10] 贺佳佳, 陈凯, 陈劲松, 徐文文, 唐历, 刘军. 一种多时间尺度SVM局部短时临近降雨预测方法[J]. 气象, 2017, 43(04):402-412.

[11] 贺玉琪, 王栋, 王远坤. BRR-SVR月降水量预测优化模型[J]. 水利学报, 2019, 50(12):1529-1537.

[12] 甄亿位, 郝敏, 陆宝宏, 左建, 刘欢. 基于随机森林的中长期降水量预测模型研究[J]. 水电能源科学, 2015, 33(06):6-10.

[13] 卢维学, 吴和成, 万里洋. 基于融合随机森林算法的PLS对降水量的预测[J]. 统计与决策, 2020, 36(18):27-31.

[14] 吴群, 陈晓辉, 李东普, 赵琴. 改进RBF神经网络在降水量预测中的应用[J]. 信阳师范学院学报(自然科学版), 2011, 24(02):268-271.

[15] 舒涛, 路昊天, 曹景轩, 叶唐进, 陶伟, 付润艺, 李豪. 基于混沌理论的降水量预测方法研究[J]. 灌溉排水学报, 2022, 41(03):83-91.

[16] MANLIO D D, MOHAMMAD A G, OLEG M, DINA M, HAKIMEH A. Chaos and reproduction in sea level[J]. Applied Mathematical Modelling, 2013, 37(6):3687-3697.

[17] CHAITANYA D, ALI Y. Flood prediction using Time Series Data Mining[J]. Journal of Hydrology, 2007, 333(2-4):305-316.

[18] 孙望良, 周建中, 彭利鸿, 徐占兴, 莫莉, 胡斯曼, 何飞飞. DFA-VMD-LSTM组合日径流预测模型研究[J]. 水电能源科学, 2021, 39(03):12-15.

[19] 徐冬梅, 王亚琴, 王文川. 基于VMD-TCN的月降水量预测模型[J]. 水文, 2022, 42(02):13-18.

[20] WOLF A, SWIFT J B, SWINNEY H L, VASTANO J A. Determining Lyapunov exponents from a time series[J]. Physica D: Nonlinear Phenomena, 1985, 16(3):285-317.

[21] 李曼. 基于支持向量机的混沌时间序列预测[D]. 北方民族大学, 2021.

引用本文

郝政, 马少娟, 陈泓霖, 基于变分模态分解和支持向量回归的混沌降水量序列预测[J]. 国际应用数学进展, 2023; 5: (1) : 13-22.

入驻平台

回到首页

搜索文章: