声明
目 录
符号说明
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 课题背景
1.1.3 研究目的意义
1.2 国内外研究现状
1.2.1 径流预测
1.2.2 机器学习
1.3 存在的不足分析
1.4 主要研究内容
1.5 研究技术路线
1.6 研究区域与数据
2 响应变化与支撑决策的径流适应性预测机制研究
2.1 响应与支撑对象分析
2.1.1 变化环境对径流预测的影响分析
2.1.2 径流预测对水资源管理的决策支撑作用分析
2.1.3 对象及因素归类
2.2 径流适应性预测机制构建
2.2.1 响应环境变化的适应性机制构建
2.2.2 支撑决策的适应性机制构建
2.3 适应性机制实现技术方法构建
2.3.1 响应环境变化的适应性机制技术实现
2.3.2 支撑决策的适应性机制技术实现
2.4 适应性机制图谱化集成实现方式
2.4.1 适应性机制实现的关键支撑平台及技术
2.4.2 基于知识图的径流预测图谱构建
2.4.3 基于预测图谱的适应性机制集成
2.5 本章小结
3 基于大数据分析的径流驱动因子挖掘研究
3.1 径流预测特征因子预处理
3.1.1 特征因子提取
3.1.2 特征因子缺失值处理
3.1.3 复杂非线性特征因子分解
3.1.4 特征因子清洗
3.2 特征因子对径流变化的驱动关系构建
3.2.1 特征因子滞后时段选择
3.2.2 驱动关系构建方式
3.3 基于成因贡献分析的驱动因子提取
3.3.1 径流成因贡献分析
3.3.2 关键驱动因子提取
3.4 径流预测样本集构建
3.4.1 基于统计规律的径流预测样本
3.4.2 基于成因规律的径流预测样本
3.5 本章小结
4 基于机器学习的径流预测模型构建方法
4.1 径流预测样本预处理
4.1.1 样本集划分
4.1.2 样本集归一化
4.2 径流预测机器学习模型构建
4.2.1 支持向量回归机
4.2.2 梯度增强决策回归树
4.2.3 长短期记忆神经网络
4.3 径流预测机器学习模型优化
4.3.1 模型性能评价
4.3.2 模型超参数优化
4.4 径流预测机器学习模型解释
4.4.1 解释对象确定
4.4.2 解释需求分析
4.4.3 解释方法梳理
4.5 本章小结
5 基于统计规律的径流预测机器学习模型研究
5.1 基于统计规律的径流预测框架
5.2 径流预测实例验证与对比评价
5.2.1 TSDF模型中边界效应的减少
5.2.2 直接法与多分量法效果对比
5.2.3 TSDF模型的过拟合程度
5.2.4 不同预见期TSDF预测效果
5.2.5 不同分解算法及预测框架的效果
5.2.6 径流预测与径流回测的差距
5.3 本章小结
6 基于成因规律的径流预测机器学习模型研究
6.1 基于成因规律的径流预测框架
6.2 径流预测实例验证与对比评价
6.2.1 不同驱动因子筛选阈值对比
6.2.2 气象与ERA5L要素的预测效果对比
6.2.3 降维与线性相关重构的预测效果对比
6.2.4 径流序列降噪对预测效果的提升
6.2.5 不同预见期多模型对比
6.3 本章小结
7 径流适应性预测系统研究与集成实现
7.1 径流适应性预测系统设计
7.2 径流预测主题知识图构建
7.2.1 径流预测业务主题划分
7.2.2 径流预测主题知识图绘制
7.3 径流预测模型方法组件库构建
7.3.1 径流预测模型方法组件化
7.3.2 径流预测组件定制
7.4 径流适应性预测系统构建
7.4.1 预测图谱与组件耦合集成
7.4.2 径流预测图谱集成运行
7.5 径流适应性预测系统应用
7.5.1 径流预测数据集管理
7.5.2 径流驱动因子挖掘
7.5.3 径流预测模型构建
7.5.4 径流预测结果应用
7.6 本章小结
8 结论与展望
8.1 主要研究成果
8.2 创新点
8.3 展望
致谢
建模工具、程序及模型性能评价
参考文献
攻读博士学位期间主要研究成果
西安理工大学;
