TY -的A2 Pancioni卢卡AU - Sibtain,默罕默德盟- Li Xianshan AU - Nabi Ghulam AU -阿默罕默德伊姆兰AU -巴希尔,哈桑PY - 2020 DA - 2020/05/01 TI -发展三阶段混合模型利用两阶段信号分解方法和机器学习的方法来预测每月在斯瓦特河流域径流,巴基斯坦SP - 7345676六世- 2020 AB -精确和可靠的水文径流预测中起着重要作用在水电资源的优化管理。然而,实际上水文径流具有非线性动力学,构建适当的径流预测模型来处理非线性是一项非常具有挑战性的任务。为了克服这个困难,提出了一种三级小说混合模型,即CVS (CEEMDAN-VMD-SVM),通过耦合支持向量机(SVM)与一个两阶段信号分解方法,结合完整的整体经验分解与加性噪声(CEEMDAN)和变分模态分解(VMD),获得包括径流时间序列的信息。巴基斯坦的斯瓦特河的水文径流数据,从1961年到2015年被预测。CEEMDAN径流时间序列分解成子组件,VMD执行进一步分解后的高频分量获得CEEMDAN分解改善预测活动。之后,分解子组件的支持向量机算法应用于预测的目的。最后,四个统计指标是用来衡量CVS的性能模型与其他混合模型包括CEEMDAN-VMD-MLP(多层感知器),CEEMDAN-SVM, VMD-SVM, CEEMDAN-MLP, VMD-MLP, SVM和延时。CVS模型执行更好的培训期间通过减少RMSE 71.28%和40.06%与中长期规划和CEEDMAD-VMD-SVM模型相比,分别。然而,在测试期间,包括RMSE误差减少68.37%和35.33%与中长期规划和CEEDMAD-VMD-SVM模型相比,分别。结果强调,CVS模型优于其他模型的准确性和减少错误。 The research also highlights the superiority of other hybrid models over standalone in predicting the hydrological runoff. Therefore, the proposed hybrid model is applicable for the nonlinear features of runoff time series with feasibility for future planning and management of water resources. SN - 1026-0226 UR - https://doi.org/10.1155/2020/7345676 DO - 10.1155/2020/7345676 JF - Discrete Dynamics in Nature and Society PB - Hindawi KW - ER -