梁曉鑫，崔東文

(1.云南省水文水資源局文山分局 云南 文山 661100；2.云南省文山州水務(wù)局 云南 文山 663000)

徑流時間序列是指月徑流數(shù)據(jù)按照時間先后順序排列而成的數(shù)列，開展徑流時間序列分析預(yù)測對水文預(yù)測預(yù)報、水資源開發(fā)利用等具有重大意義。水文時間序列影響因素眾多、變化復(fù)雜，表現(xiàn)出較強的非線性、非平穩(wěn)性和多尺度等特征，傳統(tǒng)自回歸類模型、集對分析模型、灰色模型等傳統(tǒng)擬線性預(yù)測方法存在著局限性，難以獲得理想的預(yù)測效果[1]。當(dāng)前，基于“分解—預(yù)測—重構(gòu)”模式的時間序列預(yù)測方法被廣泛應(yīng)用于水文時間序列徑流預(yù)測，并取得較好的預(yù)測效果。常見的時間序列分解方法有小波變換(WT)、經(jīng)驗?zāi)B(tài)分解(EMD)、集合經(jīng)驗?zāi)B(tài)分解(EEMD)、變分模態(tài)分解(VMD)、奇異譜分析(SSA)等方法；預(yù)測模型主要有BP神經(jīng)網(wǎng)絡(luò)[2-3]、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)[4]、支持向量機(SVM)[5]、相關(guān)向量機(RVM)[6]、極限學(xué)習(xí)機(RELM)[7]等。

為進一步提高水文時間序列預(yù)測精度，克服單一模型的不足，本文基于“序列分解—參數(shù)優(yōu)化—分項預(yù)測—結(jié)果疊加”思想和“奇異譜分析(Singular Spectrum Analysis，SSA)、梯度優(yōu)化(gradient-based optimizer，GBO)算法、相關(guān)向量機(relevance vector machine，RVM)與支持向量機(Support Vector Machines，SVM)”方法，提出SSA-GBO-RVM、SSA-GBO-SVM月徑流時間序列融合預(yù)測模型。通過SSA對月徑流數(shù)據(jù)進行處理，提取多個獨立子序列，達到降低徑流數(shù)據(jù)復(fù)雜性的目的；針對RVM核寬度因子和超參數(shù)、SVM懲罰因子和核函數(shù)參數(shù)對RVM、SVM預(yù)測性能影響較大以及參數(shù)難以選取等問題，采用GBO算法優(yōu)選RVM、SVM關(guān)鍵參數(shù)，達到提升RVM、SVM預(yù)測性能的效果；利用云南省龍?zhí)墩?5年共780個月月徑流數(shù)據(jù)對SSA-GBO-RVM、SSA-GBO-SVM模型預(yù)測性能進行檢驗，旨在驗證SSA-GBO-RVM、SSA-GBO-SVM模型用于月徑流時間序列預(yù)測的可行性和可靠性。

1 SSA-GBO-RVM、SSA-GBO-SVM集成模型

1.1 奇異譜分析(SSA)

SSA依據(jù)所觀測到的時間序列構(gòu)造出軌跡矩陣，并對軌跡矩陣進行分解、重構(gòu)，從而提取出代表原時間序列不同成分子序列[8-10]。SSA包含分解與重構(gòu)2個階段。

a)分解。選取窗口長度L構(gòu)造軌跡矩陣X如下：

(1)

式中M——時間序列長度；L——窗口長度，即嵌入維數(shù)，一般為不超過序列長度1/3的整數(shù)。

對矩陣X進行SVD(singular value decomposition，SVD)分解：

(2)

式中λi——第i個特征值；Ui——與第i個特征值對應(yīng)的特征向量；Vi——第i個主成分；d=rank(X)=max{i:λi>0}。

(3)

式中 向量數(shù)量K=M-L+1；L*=min(L,K)；K*=max(L,K)。

1.2 梯度優(yōu)化(GBO)算法

1.2.1GBO算法簡述

梯度優(yōu)化(GBO)算法是Ahmadianfar I 等人受牛頓-梯度下降法啟發(fā)而提出的一種新型元啟發(fā)式優(yōu)化算法。與傳統(tǒng)元啟發(fā)式優(yōu)化算法相比，GBO算法不但實現(xiàn)簡單，設(shè)置參數(shù)少(僅需設(shè)置種群規(guī)模和最大迭代次數(shù))，而且具有較好的探索、開發(fā)、收斂能力和有效避免局部極值的能力。參考文獻[12]，GBO算法數(shù)學(xué)描述簡述如下。

a)初始化。GBO算法中，種群個體被稱為“向量”，該“向量”在D維搜索空間中可表示為Xn,d=[Xn,d,Xn,d,…,Xn,d],n=1,2,…,N；d=1,2,…,D，在D維搜索空間中隨機生成初始向量Xn表示為：

Xn=Xmin+rand(0,1)×(Xmax-Xmin)

(4)

式中Xmax、Xmin——搜索空間上下限值；rand——[0,1]范圍內(nèi)隨機數(shù)。

b)梯度搜索規(guī)則(GSR)。GSR規(guī)則可以幫助GBO算法在優(yōu)化過程中解決隨機行為，從而促進探索并避免局部最優(yōu)；運動方向(DM)用于創(chuàng)建合適的局部搜索趨勢，以提高GBO算法的收斂速度。梯度搜索規(guī)則(GSR)與運動方向(DM)數(shù)學(xué)描述如下：

(5)

(6)

GBO算法第m+1次迭代向量位置更新描述如下：

(7)

其中，

(8)

(9)

(10)

(11)

(12)

式中f1——[-1,1]范圍內(nèi)隨機數(shù)；f2——平均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布隨機數(shù)；pr——概率；u1、u2、u3——3個隨機數(shù)；其他參數(shù)意義同上。

1.2.2GBO算法仿真驗證

選取6個典型測試函數(shù)在不同維度條件下20次尋優(yōu)平均值對GBO算法尋優(yōu)性能進行評估，并與文獻[11]海洋捕食者算法(MPA)、粒子群優(yōu)化(PSO)算法的仿真結(jié)果進行比較，結(jié)果見表1。實驗參數(shù)設(shè)置如下：GBO、MPA、PSO算法群體規(guī)模N=100，最大迭代次數(shù)M=500，其他采用算法默認(rèn)值。

表1 函數(shù)優(yōu)化對比結(jié)果

a)對于單峰函數(shù)，GBO算法在不同維度條件下尋優(yōu)精度分別較MPA和PSO算法提高113、88、61和134、102、 68個數(shù)量級以上，具有較好的尋優(yōu)精度。

b)對于多峰函數(shù)Griewank、Rastrigin、Ackley，GBO算法在不同維度條件下20次尋優(yōu)均獲得了相對理論最優(yōu)值0和8.88e-16，尋優(yōu)精度略優(yōu)于MPA，遠優(yōu)于PSO算法，具有較好的全局搜索能力。

可見，GBO算法對上述6個測試函數(shù)均具有較好的尋優(yōu)精度和全局搜索能力。

1.3 相關(guān)向量機(RVM)

RVM是一種基于貝葉斯推理的稀疏概率機器學(xué)習(xí)模型，其基本算法簡述如下[13-16]。

(13)

(14)

式中t=(t1，t2，…，tN)T；Φ——N×(N+1)的核函數(shù)矩陣。

為避免ω和σ2過擬合，常使用零均值高斯先驗概率分布約束參數(shù)：

(15)

式中α——一個N+1超參數(shù)向量。

基于貝葉斯公式，后驗分布的權(quán)重描述為：

(16)

式中μ=σ-2∑ΦTt；∑=(σ-2ΦTΦ+A)-1；A=diag(α0,α1,…,αN)。

為建立統(tǒng)一的超參數(shù)，p(t|α,σ2)定義如下：

(17)

本文利用高斯徑向基核函數(shù)(RBF)作為核函數(shù)，即：

(18)

式中d——核函數(shù)寬度因子。

1.4 支持向量機(SVM)

設(shè)含有l(wèi)個訓(xùn)練樣本的集合為{(xi，yi)，i=1，2，…，l}，xi(xi∈Rd)為第i個訓(xùn)練樣本輸入列向量，yi∈R為對應(yīng)輸出值[17-18]。則SVM在高維特征空間中建立的線性回歸函數(shù)為：

f(x)=wΦ(x)+b

(19)

式中Φ(x)——非線性映射函數(shù)；w——超平面的法向量；b——超平面的偏移量。

(20)

選擇徑向基核函數(shù)作為SVM核函數(shù)，徑向基核函數(shù)表達式為：

(21)

式中g(shù)>0。

1.5 SSA-GBO-RVM、SSA-GBO-SVM建模流程

SSA-GBO-RVM、SSA-GBO-SVM建模預(yù)測實現(xiàn)流程見圖1，實現(xiàn)步驟如下。

圖1 實例月徑流預(yù)測流程

步驟一采用SSA方法將原徑流序列分解為多個獨立的子序列；通過自相關(guān)函數(shù)法(Autocorrelation Function Method，AFM)確定各子序列輸入向量，合理劃分訓(xùn)練樣本和預(yù)測樣本。

步驟二構(gòu)建適應(yīng)度函數(shù)：

(22)

圖2 奇異譜分析分解圖與原始月徑流量

步驟八分別利用GBO-RVM、GBO-SVM模型對各子序列進行預(yù)測，預(yù)測結(jié)果疊加即得到實例月徑流預(yù)測的最終結(jié)果。

步驟九分別采用平均絕對百分比誤差(mean absolute percentage error，MAPE)、平均絕對誤差(mean absolute error，MAE)和納什系數(shù)(Nash-Sutcliffe efficiency coefficient，NSE)對各預(yù)測模型有效性進行評估，見式(23)。

(23)

2 實例應(yīng)用

2.1 數(shù)據(jù)來源

龍?zhí)墩鞠导t河流域瀘江水系盤龍河干流控制站，控制徑流面積3 128 km2，為國家重要水文站和中央報汛站。盤龍河發(fā)源于紅河州蒙自縣鳴鷲鄉(xiāng)，流經(jīng)西疇、馬關(guān)、麻栗坡于天保船頭附近注入越南，河長252.6 km，平均坡降8.73‰，中越國界以上流域面積6 497 km2，多年平均徑流量為26.93億m3。本文數(shù)據(jù)來源于龍?zhí)墩?952年1月至2016年12月實測月徑流序列，月徑流量變化過程見圖2。

2.2 SSA分解

SSSA分解確定子序列數(shù)量至關(guān)重要，若子序列數(shù)量過少，則不足以將原始序列中蘊含的不同成分提取出來；若子序列數(shù)量過多，則增加了模型復(fù)雜程度和建模工作量[8]。由于水文氣象是以年為周期，因此本文設(shè)置窗口長度L=12，即利用SSA方法將原月徑流時間序列數(shù)據(jù)分解為12個獨立的子序列，利用SSA-GBO-RVM、SSA-GBO-SVM模型分別對12個子序列進行預(yù)測，將預(yù)測結(jié)果疊加后得到最終預(yù)測結(jié)果。SSA分解與月徑流隨時間變化趨勢見圖2。從圖2可以看出，子序列1振幅最大、頻率最高、波長最短，大致反映了原月徑流時間序列的變化趨勢；子序列2—12振幅逐漸減小、頻率逐漸降低、波長逐漸變長，反映了原徑流時間序列的波動情況。

2.3 確定輸入向量

本文采用AFM法確定各子序列的輸入向量，通過計算各子序列逐月徑流數(shù)據(jù)序列的自相關(guān)系數(shù)，將自相關(guān)系數(shù)最大時所對應(yīng)的滯后數(shù)Y作為各子序列的最優(yōu)嵌入維數(shù)，即將預(yù)測月的前Y個徑流量數(shù)據(jù)作為輸入向量，預(yù)測月作為輸出向量，見表2。本文利用實例后120個月作為預(yù)測樣本。

表2 各子序列自相關(guān)系數(shù)、嵌入維數(shù)及序列長度

2.4 參數(shù)設(shè)置及預(yù)測分析

2.4.1參數(shù)設(shè)置

SSA-GBO-RVM、SSA-GBO-SVM模型參數(shù)設(shè)置為：GBO算法種群規(guī)模N=50，最大迭代次數(shù)M=100；核函數(shù)選擇徑向基核函數(shù)RBF。其中，RVM超參數(shù)和核函數(shù)寬度因子搜索范圍均設(shè)置為[-10,10]；SVM懲罰因子、核函數(shù)參數(shù)搜索范圍均設(shè)置為[0.01,100]，交叉驗證折數(shù)設(shè)置為3，不敏感損失系數(shù)設(shè)置為0.01，原始數(shù)據(jù)采用[-1,1]進行歸一化處理。

2.4.2月徑流預(yù)測及比較

利用SSA-GBO-RVM、SSA-GBO-SVM模型對實例子序列1—12進行訓(xùn)練及預(yù)測，將結(jié)果進行疊加即得到實例月徑流訓(xùn)練及預(yù)測的最終結(jié)果。采用平均絕對百分比誤差MAPE、平均絕對誤差MAE和納什系數(shù)NSE對各模型性能進行評估，結(jié)果見表3；訓(xùn)練及預(yù)測效果見圖3—6。

表3 實例136個月月徑流預(yù)測結(jié)果對比表

圖3 SSA-GBO-RVM模型訓(xùn)練效果

圖4 SSA-GBO-RVM模型預(yù)測效果

圖5 SSA-GBO-SVM模型訓(xùn)練效果

圖6 SSA-GBO-SVM模型預(yù)測效果

依據(jù)表3及圖3—6可以得出以下結(jié)論。

a)SSA-GBO-RVM、SSA-GBO-SVM模型對實例月徑流時間序列擬合的MAPE分別為5.74%、5.69%，MAE分別為1.10、1.14 m3/s；預(yù)測的MAPE分別為6.20%、7.82%，MAE分別為0.88、1.00 m3/s，均具有較好的擬合、預(yù)測效果。表明SSA方法能有效將原徑流時間序列數(shù)據(jù)分解成多個更具規(guī)律的子序列，GBO算法能有效優(yōu)化RVM核寬度因子和超參數(shù)、SVM懲罰因子和核函數(shù)參數(shù)，基于序列分解—參數(shù)優(yōu)化—分項預(yù)測—結(jié)果疊加思想構(gòu)建的SSA-GBO-RVM、SSA-GBO-SVM模型均具有較高的預(yù)測精度，將其用于水文時間序列預(yù)測是可行的。其中，SSA-GBO-RVM模型預(yù)測效果要優(yōu)于SSA-GBO-SVM模型。

b)SSA-GBO-RVM、SSA-GBO-SVM模型對實例訓(xùn)練樣本、預(yù)測樣本擬合、預(yù)測達到水文預(yù)報甲等精度等級的比例(相對誤差絕對值小于等于20%)分別均為96.9%、99.2%，滿足水文預(yù)報精度要求，均具有較好的預(yù)報效果。

c)SSA-GBO-RVM、SSA-GBO-SVM模型對實例訓(xùn)練樣本、預(yù)測樣本擬合、預(yù)測的納什系數(shù)NSE分別高達0.994 8、0.993 9和0.992 6、0.991 3，表明SSA-GBO-RVM、SSA-GBO-SVM模型用于月徑流時間序列預(yù)測可信度較高。其中，SSA-GBO-RVM模型可信度最高。

d)從圖3—6來看，SSA-GBO-RVM、SSA-GBO-SVM模型對實例月徑流時間序列擬合、預(yù)測的效果均較好，除少數(shù)樣本的相對誤差、絕對誤差較大外，絕大多數(shù)樣本的擬合、預(yù)測結(jié)果較接近實測值，滿足預(yù)測精度要求。其中，SSA-GBO-RVM模型預(yù)測結(jié)果更接近實測值，相對誤差更小、預(yù)測效果更佳。

3 結(jié)論

本文基于序列分解—參數(shù)優(yōu)化—分項預(yù)測—結(jié)果疊加思想構(gòu)建SSA-GBO-RVM、SSA-GBO-SVM時間序列集成模型，通過云南省龍?zhí)墩驹聫搅鲿r間序列預(yù)測實例對SSA-GBO-RVM、SSA-GBO-SVM模型進行檢驗，得到以下結(jié)論。

a)通過6個單峰、多峰函數(shù)在不同維度條件下對GBO算法進行仿真驗證，并與MPA、PSO算法比較。驗證了GBO算法具有較好的尋優(yōu)精度和全局搜索能力。將GBO算法用于RVM核寬度因子和超參數(shù)、SVM懲罰因子和核函數(shù)參數(shù)尋優(yōu)是可靠的。

b)SSA-GBO-RVM、SSA-GBO-SVM模型對實例月徑流時間序列均具有較好的擬合、預(yù)測效果，模型具有較高的可信度，將其用于水文時間序列預(yù)測是可行的。其中，SSA-GBO-RVM模型優(yōu)于SSA-GBO-SVM模型。

c)實例驗證表明，SSA方法能有效將原徑流時間序列數(shù)據(jù)分解成多個更具規(guī)律的子序列，抽取出徑流序列的整體趨勢和不同周期上的波動情況；GBO算法能有效優(yōu)化RVM核寬度因子和超參數(shù)、SVM懲罰因子和核函數(shù)參數(shù)；基于序列分解—參數(shù)優(yōu)化—分項預(yù)測—結(jié)果疊加思想構(gòu)建的SSA-GBO-RVM、SSA-GBO-SVM模型在水文時間序列徑流預(yù)測中均具有較高的預(yù)測精度和可信度。