摘要：准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

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。

摘要：为提高径流时间序列多步预报精度,建立了小波包变换(WPT)-猎人猎物优化(HPO)算法-极限学习机(ELM)相融合的径流时间序列多步预报模型,并应用于云南省南康河水文站月径流和日径流时间序列多步预报。引入HPO算法原理,在不同维度条件下选取6个典型函数对HPO进行仿真验证;利用2层WPT将径流时序数据分解为4个子序列分量,达到降低径流序列数据复杂性和不平稳性的目的;采用HPO优化ELM输入层权值和隐含层偏值,建立WPT-HPO-ELM模型对实例月径流和日径流进行多步预报。结果表明:HPO算法具有较好的寻优精度和全局搜索能力;WPT-HPO-ELM模型对预见期为1~3个月的月径流具有理想的预报效果,预报的平均绝对百分比误差≤2.43%,合格率≥99.2%,确定性系数≥0.999;对预见期为4~6个月的月径流具有较好的预报效果,预报的平均绝对百分比误差≤15.0%,合格率≥73.3%,确定性系数≥0.991;当预见期≥7个月时,预报效果较差。对预见期为1~3 d的日径流具有理想的预报效果,预报的平均绝对百分比误差≤1.23%,合格率为100%,确定性系数≥0.999;对预见期为4~7 d的日径流具有较好的预报效果,预报的平均绝对百分比误差≤15.3%,合格率≥73.0%,确定性系数≥0.947;当预见期≥8 d时,预报效果较差。WPT-HPO-ELM模型能充分发挥WPT、HPO和ELM的优势,表现出较高的预报精度和稳定性能,预报误差随着预见期的增加而增大,该模型及方法可为径流时间序列多步预报提供新途径。

摘要：以云南省龙潭寨汛期与枯期输沙量时间序列预测为例,建立战争策略优化(WSO)算法、变色龙群算法(CSA)与极限学习机(ELM)相融合的组合模型。首先,在不同维度下选取4个基准函数对WSO、CSA进行仿真测试;其次,利用2层WPT将实例汛期与枯期输沙量时序数据分解为4个更具规律的子序列分量;最后,通过各分量训练样本构建ELM适应度函数,利用WSO、CSA对适应度函数进行寻优,利用寻优获得的最佳ELM超参数建立WPT-WSO-ELM、WPT-CSA-ELM模型对各子序列分量进行预测。将预测结果加和重构得到最终预测结果,并构建WPT-ELM模型及基于小波变换(WT)的WT-WSO-ELM、WT-CSA-ELM、WT-ELM模型作对比分析。对于基准函数及ELM适应度函数,WSO寻优效果优于CSA,具有较好的寻优精度及全局搜索能力;对汛期与枯期输沙量预测WPT-WSO-ELM模型预测精度优于WPT-CSA-ELM、WT-WSO-ELM、WT-CSA-ELM模型。

摘要：由于人类活动加剧,湄公河下游河段生态水文情势发生改变。为定量评价湄公河下游生态水文情势的变化程度,基于湄公河下游桔井水文站(1961~2020年)逐日水文数据,采用Mann-Kendall突变检验和滑动t检验法进行年均流量趋势特征分析,并应用RVA法综合评价了湄公河下游生态水文情势变化及其生态影响。结果表明:①桔井站年均流量总体呈现先下降后上升趋势,突变年份出现在1996年,表明1996年以来人类活动对湄公河下游水文影响加剧;②湄公河下游桔井站的整体水文改变度为57.99%,属于中度改变,其中旱季水文指标受影响最高;③人类活动的干预增加了湄公河下游的旱季流量,对丰水期流量影响较小,需要增加对水生态的监测,防止水文情势变化对生态产生不利影响。研究成果可为探究湄公河下游水文情势变化提供理论支撑。

摘要：为科学量化和评价区域人水和谐度,改进极限学习机(ELM)评价性能,提出野狗优化算法(DOA)、哈里斯鹰优化(HHO)算法、均衡优化(EO)算法、卷尾猴搜索算法(CapSA)、鸽群优化(PIO)算法与ELM融合的人水和谐度评价模型,通过云南省2006-2020年人水和谐度评价实例对模型进行验证.首先,简要介绍5种算法原理,在不同维度条件下选取4个标准函数对DOA、HHO、EO、CapSA、PIO算法进行仿真验证;其次,从水系统健康、经济社会发展、人水系统协调3个方面遴选18个指标构建人水和谐度评价指标体系和等级标准;最后,采用线性内插和随机选取的方法生成样本构建ELM适应度函数,利用DOA、HHO、EO、CapSA、PIO对适应度函数进行寻优,利用寻优获得的最佳ELM超参数建立DOA-ELM、HHO-ELM、EO-ELM、CapSA-ELM、PIO-ELM模型对实例各年度人水和谐度进行评价,结果与模糊综合评价法、ELM评价结果作对比.结果表明:DOA、HHO、EO、CapSA、PIO算法对4个标准函数的寻优精度由优至劣依次是HHO>PIO>DOA>CapSA>EO;对ELM适应度函数的寻优精度由优至劣依次是HHO>DOA>EO>CapSA>***-ELM、HHO-ELM、EO-ELM、CapSA-ELM模型对预测样本预测的平均绝对百分比误差在0.0124%~0.0198%之间,预测精度较PIO-ELM提高26.9%以上,较ELM提高84.6%以上;对实例2006-2011年人水和谐度评价为“不和谐”,2012-2018年评价为“基本和稭”,2019-2020年评价为“较和谐”;近15年来云南省人水和谐度总体上呈上升趋势,且上升趋势显著.DOA、HHO、EO、CapSA、PIO算法均能有效优化ELM超参数,提高ELM预测性能;DOA、HHO、EO、CapSA优化效果要优于PIO算法.

摘要：尝试引入高维Copula函数对影响参考作物蒸散量ET0的气象因素进行联合分布构建,揭示不同变量间的相关结构,建立多元气象因素对ET0的联合分布模型,对逐日ET0及短期干旱等级进行预测,并将枯季1-4月份的多维Copula联合分布预测模型的系统性偏差构造成修正函数,代回ET0预报模型以改善预报效果,利用洱海流域内大理站1954-2018年逐日气象观测数据,以FAO Penman-Monteith方程为标准值对比分析。结果表明:1)平均气温(T)和最高气温(Tmax)2个气象因子组合时,二维Normal Copula模型对逐日ET0预测的精度最高,叠加上修正函数项之后,相对误差小于10%、15%、20%、25%的样本比例分别提高到71.6%、84.4%、91.4%、96.5%,全年符合指数IA变化范围为0.98~0.99,平均偏差ME为0.17~0.30,均方根误差RMSE为0.54~0.64,Nash-Sutcliffe效率系数为0.90~0.98;2)将逐日ET0预测方法应用于逐日气象干旱预测评估(以逐日SPEI指数为例),逐日SPEI指数预测值与标准值的相关系数为0.95~0.99,平均偏差ME为-0.10~0.35,均方根误差RMSE为0.20~0.30,符合指数IA为0.97~0.98,Nash-Sutcliffe效率系数NSE为0.91~0.97,在降水量多的季节,Copula函数模型预测ET0的精度更高一些,且逐日SPEI预测的误差参数都优于逐日ET0的预测结果。

摘要：为了更好地完成澜湄合作机制中的跨境经济以及互联互通发展目标,构建跨境物流运作模型,梳理现有的跨境物流运作模型,分析跨境物流链条上存在的问题。基于区块链技术设计澜湄区域跨境物流运作新模型,并构建新模型的五大功能体系。提出“区块链+跨境甩挂运输”信息平台整体框架,实现货主、物流企业、承运人、海关等用户的信息共享,并阐述新模型的设计原理。对原有运作模型与新模型进行比较分析,提出促进新模型发展策略,为澜湄区域的国际货物运输提供新思维和新方法。