若干新型群体智能算法优化高斯过程回归的年降水量预测

摘要

为提高年降水量预测精度,提出一种基于小波包变换(WPT)和孔雀优化算法(POA)、沙猫优化(SCSO)算法、猎豹优化(CO)算法优化的高斯过程回归(GPR)预测模型,并将其应用于文山州年降水量预测研究。首先,利用WPT将实例1956-2021年降水量时间序列分解为1个周期项分量和3个波动项分量;其次,简要介绍POA、SCSO、CO算法原理,利用POA、SCSO、CO分别优化GPR超参数,建立WPT-POA-GPR、WPT-SCSOGPR、WPT-CO-GPR模型;最后,利用所建立的3种模型对年降水量周期项分量和波动项分量进行预测,将4个分量的预测结果加和重构后得到最终预测结果,并构建基于支持向量机(SVM)的WPT-POA-SVM、WPT-SCSOSVM、WPT-CO-SVM模型、基于RBF神经网络的WPT-POA-RBF、WPT-SCSO-RBF、WPT-CO-RBF模型和未经优化的WPT-GPR模型作对比分析模型。结果表明:①WPT-POA-GPR、WPT-SCSO-GPR、WPT-CO-GPR模型对年降水量预测的平均绝对百分比误差MAPE分别为0.52%、0.46%、0.48%,平均绝对误差MAE分别为5.80 mm、5.31 mm、5.25 mm,均方根误差RMSE分别为8.20 mm、7.72 mm、7.83 mm,确定性系数DC>0.99,预测效果优于其他7种模型,具有更高的预测精度和更好的泛化能力。②POA、SCSO、CO能有效优化GPR超参数,显著提高GPR预测性能。③所构建的3种模型具有普适性,为降水等时间序列预测研究提供参考。