基于VMD-CQPSO-GRU模型的气象干旱预测方法

摘要

针对当前气象干旱预测方法中存在的预测准确度低、可信度差等问题,提出了一种基于机器学习的气象干旱预测方法.利用变分模态分解(Variational Mode Decomposition,VMD)将干旱时序信号分解为若干本征模态分量;利用改进的混沌量子粒子群算法(Chaotic Quantum Particle Swarm Optimiztaion,CQPSO)优化门控循环单元(Gated Recurrent Unit,GRU)神经网络超参数;采用"分解-合成"策略构建VMD-CQPSO-GRU智能预测模型.以安阳、郑州、信阳3座城市1951—2018年的月降雨量、月平均气温两种特征为学习样本,预测2019—2020年期间24个月的特征值,预测的干旱级别准确率为86.11％;相比于单一循环神经网络模型,VMD-CQPSO-GRU模型的预测误差降低了71.55％,可信度提高了132.06％.