面向实际应用的混合水位预报模型中一种全新的全逐步分解采样技术实现
机器学习
2023-09-20 v1 地球物理
摘要
在现实水文时间序列预报（例如水位预测）中，各种时变非平稳信号需要被恰当预处理。分解方法是一个良好选择，并广泛用于此类预处理问题。然而，采用不适当采样技术的分解方法可能引入实际应用中不可得的未来数据，从而导致不正确的基于分解的预报模型。本文精心设计了一种新颖的全逐步分解（FSDB）采样技术用于基于分解的预报模型，严格避免引入未来信息。该采样技术与分解方法（如变分模态分解（VMD）和奇异谱分析（SSA））结合，应用于预测中国涡阳与巢湖流域三个不同站点的水位时间序列。使用FSDB采样技术的基于VMD的混合模型结果表明，与当前最先进采样技术所得结果相比，三个站点的纳什-萨克利夫效率（NSE）系数分别提升了6.4%、28.8%和7.0%。同时，在基于SSA的实验序列中，NSE分别提升了3.2%、3.1%和1.1%。我们得出结论：新开发的FSDB采样技术可用于提升实际水位时间序列预报中基于分解的混合模型性能。
引用
@article{arxiv.2309.10658,
title = {Implementing a new fully stepwise decomposition-based sampling technique for the hybrid water level forecasting model in real-world application},
author = {Ziqian Zhang and Nana Bao and Xingting Yan and Aokai Zhu and Chenyang Li and Mingyu Liu},
journal= {arXiv preprint arXiv:2309.10658},
year = {2023}
}