Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một Phương Pháp Kết Hợp Mới Để Dự Đoán Lưu Lượng Sông
Tóm tắt
Dự đoán chính xác lưu lượng sông là rất quan trọng cho việc lập kế hoạch và quản lý tài nguyên nước. Nghiên cứu này đề xuất một phương pháp kết hợp mới có tên là HD-SKA bằng cách tích hợp hai kỹ thuật phân rã (gọi là HD) với các mô hình hồi quy vector hỗ trợ (SVR), k lân cận gần nhất (KNN) và ARIMA (được kết hợp thành SKA) tương ứng. Trước tiên, phương pháp được đề xuất sử dụng phân rã trung bình cục bộ (LMD) để phân rã chuỗi lưu lượng sông gốc thành các chuỗi con. Tiếp theo, phân rã chế độ trải nghiệm tập hợp (EEMD) được sử dụng để tiếp tục phân rã các chuỗi con dựa trên LMD thành các chức năng chế độ nội tại. Hơn nữa, các thành phần đã được phân rã bằng EEMD được sử dụng làm đầu vào cho ba mô hình dựa trên dữ liệu để dự đoán lưu lượng sông tương ứng. Dự đoán của tất cả các thành phần sau đó được tổng hợp để thu được các kết quả của các mô hình HD-SVR, HD-KNN và HD-ARIMA. Dự đoán cuối cùng được thu được bằng cách lấy trung bình dự đoán của các mô hình này. Phương pháp được đề xuất được minh họa bằng cách sử dụng năm con sông trong Hệ thống lưu vực Indus. Trong năm nghiên cứu trường hợp, sáu mô hình đã được xây dựng để so sánh hiệu suất của mô hình HD-SKA được đề xuất. Kết quả phân tích dữ liệu cho thấy mô hình HD-SKA hoạt động tốt hơn so với tất cả các mô hình khác đã được xem xét. Kiểm định Diebold-Mariano xác nhận sự vượt trội của mô hình HD-SKA được đề xuất so với các mô hình ARIMA, SVR, KNN, EEMD-ARIMA, EEMD-KNN và EEMD-SVR.
Từ khóa
#dự đoán lưu lượng sông; phương pháp kết hợp; phân rã trung bình cục bộ; phân rã chế độ trải nghiệm tập hợp; hồi quy vector hỗ trợ; k lân cận gần nhất; ARIMATài liệu tham khảo
Adnan RM, Petroselli A, Heddam S, Santos C, Kisi O (2021) Short term rainfall-runoff modelling using several machine learning methods and a conceptual event-based model. Stoch Environ Res Risk Assess 35:597–616. https://doi.org/10.1007/s00477-020-01910-0
Aghelpour P, Bahrami-Pichaghchi H, Varshavian V (2021) Hydrological drought forecasting using multi-scalar streamflow drought index, stochastic models and machine learning approaches, in northern Iran. Stoch Environ Res Risk Assess 35:1615–1635. https://doi.org/10.1007/s00477-020-01949-z
Alizadeh F, Gharamaleki AF, Jalilzadeh R (2021) A two-stage multiple-point conceptual model to predict river stage-discharge process using machine learning approaches. J Water Clim Change 12:278–295. https://doi.org/10.2166/wcc.2020.006
Al-Juboor AM (2021) A hybrid model to predict monthly streamflow using neighboring rivers annual flows. Water Resour Manage 35:729–743. https://doi.org/10.1007/s11269-020-02757-4
Araghinejad S (2013) Data-driven modeling: Using MATLAB in water resources and environmental. Springer Science & Business Media, Berlin
Bayazit M (2015) Nonstationarity of hydrological records and recent trends in trend analysis: a state-of-the-art review. Environ Process 2:527–542. https://doi.org/10.1007/s40710-015-0081-7
Bonakdari H, Binns AD, Gharabaghi B (2020) A comparative study of linear stochastic with nonlinear daily river discharge forecast models. Water Resour Manage 34:3689–3708. https://doi.org/10.1007/s11269-020-02644-y
Box GE, Jenkins GM, Reinsel GC (2008) Operational Research Quarterly. Time Series Analysis: Forecasting and Control, 4th edn. John Wiley & Sons Inc, New York, pp 137–191
Cover T, Hart P (1967) Nearest neighbor pattern classification. IEEE Trans Inf Theory 13:21–27. https://doi.org/10.1109/TIT.1967.1053964
Dehghani R, Torabi H, Younesi H, Shahinejad B (2021) Application of wavelet support vector machine (WSVM) model in predicting river flow (Case study: Dez basin). Watershed Eng Manage 13:98–110. https://doi.org/10.22092/IJWMSE.2020.128735.1748
Fashae O, Olusola A, Ndubuisi I, Udomboso C (2019) Comparing ANN and ARIMA model in predicting the discharge of River Opeki from 2010 to 2020. River Res Appl 35:169–177. https://doi.org/10.1002/rra.3391
Huang N, Shen Z, Long S, Wu M, Shih H, Zheng Q, Yen N, Tung CC, Liu H (1998) The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proc R Soc Lond a: Math Phys Eng Sci 454:903–995. https://doi.org/10.1098/rspa.1998.0193
Huynh AN, Deo RC, Ali M, Abdulla S, Raj N (2021) Novel short-term solar radiation hybrid model: Long short-term memory network integrated with robust local mean decomposition. Appl Energy 298:117193. https://doi.org/10.1016/j.apenergy.2021.117193
Liu H, Han M (2014) A fault diagnosis method based on local mean decomposition and multi-scale entropy for roller bearings. Mech Mach Theory 75:67–78. https://doi.org/10.1016/j.mechmachtheory.2014.01.011
Martinez F, Frias MP, Perez-Godoy MD, Rivera AJ (2018) Dealing with seasonality by narrowing the training set in time series forecasting with kNN. Expert Syst Appl 103:38–48. https://doi.org/10.1016/j.eswa.2018.03.005
Meshram SG, Ghorbani MA, Shamshirband S, Karimi V, Meshram C (2019) River flow prediction using hybrid PSOGSA algorithm based on feed-forward neural network. Soft Comput 23:10429–10438. https://doi.org/10.1007/s00500-018-3598-7
Musarat MA, Alaloul WS, Rabbani MB, Ali M, Altaf M, Fediuk R, Vatin N, Klyuev S, Bukhari H, Sadiq A, Rafiq W, Farooq W (2021) Kabul river flow prediction using automated ARIMA forecasting: a machine learning approach. Sustainability 13:10720–10746. https://doi.org/10.3390/su131910720
Nikolic VV, Simonovic SP (2015) Multi-method modeling framework for support of integrated water resources management. Environ Process 2:461–483. https://doi.org/10.1007/s40710-015-0082-6
Poul A, Shourian M, Ebrahimi H (2019) A comparative study of MLR, KNN, ANN and ANFIS models with wavelet transform in monthly stream flow prediction. Water Resour Manage 33:2907–2923. https://doi.org/10.1007/s11269-019-02273-0
Rezaie-Balf M, Fani Nowbandegani S, Samadi S, Fallah H, Alaghmand S (2019) An ensemble decomposition-based artificial intelligence approach for daily streamflow prediction. Water 11:709–738. https://doi.org/10.3390/w11040709
Riahi-Madvar H, Dehghani M, Memarzadeh R, Gharabaghi B (2021) Short to long-term forecasting of river flows by Heuristic optimization algorithms hybridized with ANFIS. Water Resour Manage 35:1149–1166. https://doi.org/10.1007/s11269-020-02756-5
Sehgal V, Tiwari MK, Chatterjee C (2014) Wavelet bootstrap multiple linear regression based hybrid modeling for daily river discharge forecasting. Water Resour Manag 28:2793–2811. https://doi.org/10.1007/s11269-014-0638-7
Sharghi E, Nourani V, Najafi H, Soleimani S (2019) Wavelet-exponential smoothing: a new hybrid method for suspended sediment load modeling. Environ Process 6:191–218. https://doi.org/10.1007/s40710-019-00363-0
Silva RG, Ribeiro MH, Moreno SR, Mariani VC, Coelho LDS (2021) A novel decomposition-ensemble learning framework for multi-step ahead wind energy forecasting. Energy 216:119174. https://doi.org/10.1016/j.energy.2020.119174
Smith JS (2005) The local mean decomposition and its application to EEG perception data. J R Soc Interface 2:443–454. https://doi.org/10.1098/rsif.2005.0058
Vapnik V (1995) The nature of statistical learning theory. Springer, New York
Vidya S, Janani SV (2021) Wind speed multistep forecasting model using a hybrid decomposition technique and a selfish herd optimizer-based deep neural network. Soft Comput 25:6237–6270. https://doi.org/10.1007/s00500-021-05608-5
Wang ZY, Qiu J, Li FF (2018) Hybrid models combining EMD/EEMD and ARIMA for Long-term streamflow forecasting. Water 10:853–866. https://doi.org/10.3390/w10070853
Wei S, Yang H, Song J, Abbaspour K, Xu Z (2013) A wavelet-neural network hybrid modelling approach for estimating and predicting river monthly flows. Hydrol Sci J 58:374–389. https://doi.org/10.1080/02626667.2012.754102
Wu C, Chau K, Li Y (2008) River stage prediction based on a distributed support vector regression. J Hydrol 358:96–111. https://doi.org/10.1016/j.jhydrol.2008.05.028
Wu Z, Huang NE (2009) Ensemble empirical mode decomposition: a noise-assisted data analysis method. Adv Adapt Data Anal (AADA) 1:1–41. https://doi.org/10.1142/S1793536909000047