MIC-PCA耦合算法在径流预报因子筛选中的应用
|
摘要
解决径流预报因子筛选中存在的信息量不足或冗余等问题,引入一种具有普适性的新的相关关系分析方法——最大信息系数法(MIC),并结合主成分分析法剔除冗余信息实现变量空间降维的能力,提出最大信息系数——主成分分析耦合算法(MIC-PCA)。以雅砻江流域打罗水文站日径流预报为例,将MIC-PCA与多种因子筛选方法的筛选结果进行对比,并将各方法筛选出的因子集输入到BP人工神经网络对日径流进行预报以验证其合理性。结果表明,该方法较现行方法,能为预报模型提供更加科学有效的输入,从而提高模型的预报精度,对水文预报研究有着一定的理论意义。
In order to solve the problem of information insufficiency and redundancy in the screening of runoff forecast factors,this paper introduces a new correlation analysis method-the maximum information coefficient( MIC) method,which is universal. By combining the principal component analysis( PCA) method with the ability of dimensionality reduction through eliminating redundant information,a new algorithm that couples maximum information coefficient and principal component analysis( MIC-PCA) is proposed. Taking the daily runoff forecast of Daluo Hydrologic Station in the Yalong River basin as an example,we compare the results produced by MIC-PCA and multiple other factor screening methods. Then the selected factor sets are input into the BP neural network to forecast daily runoff to verify the rationality of MIC-PCA. The results show that compared with the current method,this method can provide more scientific and effective input for the prediction model,thus improving the prediction accuracy of the model and this method is of theoretical significance to the study of hydrological forecast.
In order to solve the problem of information insufficiency and redundancy in the screening of runoff forecast factors,this paper introduces a new correlation analysis method-the maximum information coefficient( MIC) method,which is universal. By combining the principal component analysis( PCA) method with the ability of dimensionality reduction through eliminating redundant information,a new algorithm that couples maximum information coefficient and principal component analysis( MIC-PCA) is proposed. Taking the daily runoff forecast of Daluo Hydrologic Station in the Yalong River basin as an example,we compare the results produced by MIC-PCA and multiple other factor screening methods. Then the selected factor sets are input into the BP neural network to forecast daily runoff to verify the rationality of MIC-PCA. The results show that compared with the current method,this method can provide more scientific and effective input for the prediction model,thus improving the prediction accuracy of the model and this method is of theoretical significance to the study of hydrological forecast.
引文
[1]刘勇,王银堂,陈元芳,等.丹江口水库秋汛期长期径流预报[J].水科学进展,2010,21(6):771-778.
[2]陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997,(8):16-22.
[3]冯国章,王双银.枯水期灌溉水源预报模型研究[J].西北水资源与水工程,1996,(1):34-41.
[4]张云鹏,朱本高.模糊数学理论在水库长期径流预报中的应用:英文[J].模糊系统与数学,2002,(3):74-80.
[5]张辉.灰色理论在中长期水文预报中的应用研究[J].地下水,2014,36(6):164-165.
[6]陈引锋.混沌时间序列法在水文预报中的应用[D].西安:长安大学,2005.
[7]欧阳永保,丁红瑞.小波分析在水文预报中的应用[J].海河水利,2006,(6):44-46.
[8]牟丽琴,田富强,胡和平.高山寒区径流预报人工神经网络模型研究——以乌鲁木齐河源区为例[J].水力发电学报,2009,28(1):62-67.
[9]朱双,周建中,孟长青,等.基于灰色关联分析的模糊支持向量机方法在径流预报中的应用研究[J].水力发电学报,2015,34(6):1-6.
[10]赵铜铁钢,杨大文.神经网络径流预报模型中基于互信息的预报因子选择方法[J].水力发电学报,2011,30(1):24-30.
[11]刘蕊鑫,纪昌明,马源.基于互信息的改进RBF神经网络预测模型及其应用[J].中国农村水利水电,2016,(10):100-103,115.
[12]纪昌明,俞洪杰,阎晓冉,等.基于联合互信息的水文预报因子集选取研究[J].水力发电学报,2017,36(8):12-21.
[13]闪丽洁,张利平,刘恋,等.基于多方法优选因子和人工神经网络耦合模型的枯水期径流预报[J].武汉大学学报(工学版),2015,48(6):758-763.
[14]周育琳,穆振侠,高瑞,等.基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报[J].水电能源科学,2017,35(7):10-12,5.
[15] David NR,Yakir AR,Hilary KF.Detecting novel associations in large datasets[J]. Science,2011,334(6 062):1 518-1 524.
[16]谭泗桥,张席,李钎,等.基于最大互信息系数的信息推送模型构建[J].吉林大学学报(工学版),2018,48(2):558-563.
[17]范雪莉,冯海泓,原猛.基于互信息的主成分分析特征选择算法[J].控制与决策,2013,28(6):915-919.
[18]张辉,赵秋红.基于主成分分析基本原理的经济指标的筛选方法[J].山东财政学院学报,2013,(2):52-61.
[19]迟国泰,曹婷婷,张昆.基于相关-主成分分析的人的全面发展评价指标体系构建[J].系统工程理论与实践,2012,32(1):111-119.
[20]孙广路,宋智超,刘金来,等.基于最大信息系数和近似马尔科夫毯的特征选择方法[J].自动化学报,2017,43(5):795-805.
[21]邵福波.最大信息系数改进算法及其在铁路事故分析中的应用[D].北京:北京交通大学,2016.
[22]蒋杭进.最大信息系数及其在脑网络分析中的应用[D].武汉:中国科学院研究生院(武汉物理与数学研究所),2013.
[2]陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997,(8):16-22.
[3]冯国章,王双银.枯水期灌溉水源预报模型研究[J].西北水资源与水工程,1996,(1):34-41.
[4]张云鹏,朱本高.模糊数学理论在水库长期径流预报中的应用:英文[J].模糊系统与数学,2002,(3):74-80.
[5]张辉.灰色理论在中长期水文预报中的应用研究[J].地下水,2014,36(6):164-165.
[6]陈引锋.混沌时间序列法在水文预报中的应用[D].西安:长安大学,2005.
[7]欧阳永保,丁红瑞.小波分析在水文预报中的应用[J].海河水利,2006,(6):44-46.
[8]牟丽琴,田富强,胡和平.高山寒区径流预报人工神经网络模型研究——以乌鲁木齐河源区为例[J].水力发电学报,2009,28(1):62-67.
[9]朱双,周建中,孟长青,等.基于灰色关联分析的模糊支持向量机方法在径流预报中的应用研究[J].水力发电学报,2015,34(6):1-6.
[10]赵铜铁钢,杨大文.神经网络径流预报模型中基于互信息的预报因子选择方法[J].水力发电学报,2011,30(1):24-30.
[11]刘蕊鑫,纪昌明,马源.基于互信息的改进RBF神经网络预测模型及其应用[J].中国农村水利水电,2016,(10):100-103,115.
[12]纪昌明,俞洪杰,阎晓冉,等.基于联合互信息的水文预报因子集选取研究[J].水力发电学报,2017,36(8):12-21.
[13]闪丽洁,张利平,刘恋,等.基于多方法优选因子和人工神经网络耦合模型的枯水期径流预报[J].武汉大学学报(工学版),2015,48(6):758-763.
[14]周育琳,穆振侠,高瑞,等.基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报[J].水电能源科学,2017,35(7):10-12,5.
[15] David NR,Yakir AR,Hilary KF.Detecting novel associations in large datasets[J]. Science,2011,334(6 062):1 518-1 524.
[16]谭泗桥,张席,李钎,等.基于最大互信息系数的信息推送模型构建[J].吉林大学学报(工学版),2018,48(2):558-563.
[17]范雪莉,冯海泓,原猛.基于互信息的主成分分析特征选择算法[J].控制与决策,2013,28(6):915-919.
[18]张辉,赵秋红.基于主成分分析基本原理的经济指标的筛选方法[J].山东财政学院学报,2013,(2):52-61.
[19]迟国泰,曹婷婷,张昆.基于相关-主成分分析的人的全面发展评价指标体系构建[J].系统工程理论与实践,2012,32(1):111-119.
[20]孙广路,宋智超,刘金来,等.基于最大信息系数和近似马尔科夫毯的特征选择方法[J].自动化学报,2017,43(5):795-805.
[21]邵福波.最大信息系数改进算法及其在铁路事故分析中的应用[D].北京:北京交通大学,2016.
[22]蒋杭进.最大信息系数及其在脑网络分析中的应用[D].武汉:中国科学院研究生院(武汉物理与数学研究所),2013.