混沌理论与BPNN耦合的径流中长期预测模型

受诸多因素的影响,径流时间序列具有非线性和混沌特征.单一的BPNN模型可以进行径流的中长期预测,但存在对径流影响因素量化不够的缺点;单一的混沌模型可以量化径流的影响因素,但只能实现短期预测.为此建立了混沌理论与BPNN耦合的径流中长期预测模型.针对黑河上游莺落峡水文站1944-2017年的径流序列,利用混沌理论计算了径流序列的延迟时间τ、嵌入维数m和最大Lyapunov指数λmax,并进行了径流序列的相空间重构,以此确定BPNN的输入层神经元个数、取值和预测的周期时长;利用BPNN对1944年1月-2012年12月的径流量数据进行训练,建立了混沌-BPNN和混沌-BPNN等维递补两种预测模型;以2013年1月-2017年12月(5 a)的径流量进行模型验证.结果表明:混沌-BPNN等维递补模型的预测精度达到了91.84％,预测效果较好.混沌理论与BPNN耦合的径流预测模型将两种方法的优势互补,尤其是混沌-BPNN等维递补模型,在补充新信息的同时剔除因系统发展而使特征意义降低的老数据,减小了BPNN训练的时间跨度,提高了预测精度,为径流的中长期预测提供了新的有效方法.