钱立鹏;刘长征;陈翠忠;宋亚萍;魏震

石河子大学信息科学与技术学院;石河子大学水利建筑工程学院

日径流量预测;DBN模型;PSOSVM模型;SVM模型;FFNN模型;玛纳斯河流域;

针对流域径流序列的非平稳性和随机性,本文研究将深度信念网络方法引入到日径流量的预测,对天山北部玛纳斯河620120天的实测数据进行训练、预测,并与粒子群优化的支持向量机、支持向量机和前馈神经网络3种数据驱动模型的日径流量预测结果进行对比分析。结果表明:基于深度学习理论的DBN预测下判定系数R²比FFNN、SVM、PSOSVM分别提高11.15%、10.11%、0.29%,均方误差MSE分别降低6.63、5.58、0.43,尽管PSOSVM与DBN在R²和MSE上非常接近,但是在相同软硬件条件下DBN预测用时仅为PSOSVM的50%。因此,DBN的预测精度和适用性是优于PSOSVM、SVM和FFNN模型的,本文提出的深度信念网络方法可用于提高流域水文模型的日径流预测能力。