Streamflow forecasting using least-squares support vector machines

摘要

This paper investigates the ability of a least-squares support vector machine (LSSVM) model to improve the accuracy of streamflow forecasting. Cross-validation and grid-search methods are used to automatically determine the LSSVM parameters in the forecasting process. To assess the effectiveness of this model, monthly streamflow records from two stations, Tg Tulang and Tg Rambutan of the Kinta River in Perak, Peninsular Malaysia, were used as case studies. The performance of the LSSVM model is compared with the conventional statistical autoregressive integrated moving average (ARIMA), the artificial neural network (ANN) and support vector machine (SVM) models using various statistical measures. The results of the comparison indicate that the LSSVM model is a useful tool and a promising new method for streamflow forecasting.%Cet article étudie la capacité d'un modèle basé sur les machines à vecteurs de support en moindres carrés (MVSMC) à améliorer la justesse des prévisions des débits. Des méthodes de validation croisée et de recherche sur grille ont été utilisées pour déterminer automatiquement les paramètres des MVSMC dans le processus de prévision. Pour évaluer l'efficacité de ce modèle, des enregistrements de débits mensuels de deux stations, Tg Tulang et Tg Rambutan de la rivière Kinta dans le Perak, en Malaisie péninsulaire, ont été utilisés comme études de cas. La performance du modèle MVSMC a été comparée avec un modèle classique autorégressif intégré à moyenne mobile (ARIMA), un réseau de neurones artificiels (RNA) et un modèle de machine à vecteurs de support (MVS) en utilisant diverses mesures statistiques. Les résultats de la comparaison montrent que le modèle MVSMC est un outil utile et une nouvelle méthode prometteuse pour la prévision des débits.