基于在线序列-极限学习机的干旱预测

摘要

极限学习机在干旱预测时,通常将作为预测因子的历史数据固化的导入到模型中进行训练,而忽略了不同阶段产生的数据在模型训练中的作用和效果.因此,基于在线更新理论构建了在线序列-极限学习机预测模型,该模型在参数训练更新时,预测因子数据是按不同批次逐步导入到模型进行训练,大大降低了计算机资源占用率,且选用标准降水指数作为干旱评价指标对研究区域进行了预测.结果表明:在线序列-极限学习机较极限学习机的预测精度与稳定性有了大幅度的提高.