摘要：为提高月径流时间序列预测精度，改进在线惯序极限学习机（Online Sequential Extreme Learning Machine，OSELM）预测性能，对比验证十种“鸟”群算法——凉亭鸟优化（Satin Bowerbird Optimizer，SBO）算法/哈里斯鹰优化（Harris Hawks Optimization，HHO）算法/海鸥优化算法（Seagull Optimization Algorithm，SOA）/非洲秃鹫优化算法（African Vultures Optimization Algorithm，AVOA）/白骨顶鸟优化算法（Coot Optimization Algorithm，COOT）/鹈鹕优化算法（Pelican Optimization Algorithm，POA）/鹰栖息优化（Eagle Perching Optimization，EPO）算法/鱼鹰优化算法（Osprey Optimization Algorithm，OOA）优化性能，提出时变滤波器经验模态二次分解(Time Varying Filtering Based Empirical Mode Decomposition，TVFEMDⅡ)-十种“鸟”群算法-OSELM月径流时间序列预测模型。首先，利用时变滤波器经验模态初次分解(TVFEMDⅠ)对月径流时间序列进行分解处理，得到TVFEMD1～TVFEMD3三个分解分量；采用近似熵（ApEn）计算初次分解各分量的近似熵值，利用TVFEMDⅡ对近似熵值较大的TVFEMD3分量进行二次分解，得到TVFEMDⅡ3-1～TVFEMDⅡ3-3三个分量。其次基于各分量训练集构建6个OSELM超参数优化的实例目标函数，利用10种“鸟”群算法对6个实例目标函数进行超参数寻优。最后，建立TVFEMDⅡ-十种“鸟”群算法-OSELM模型，通过云南省滴水站月径流预测实例对各种模型进行验证。结果表明：①十种“鸟”群算法对实例目标函数寻优总排名与TVFEMDⅡ-RBMO/PKO/SBOA/HHO/SOA/AVOA/COOT/POA/EPO/OOA-OSELM模型预测精度总排名完全一致，表明“鸟”群算法寻优效果越好，月径流预测精度越高；②比较而言，TVFEMDⅡ-RBMO/POA/OOA/AVOA-OSELM模型性能更佳，其预测的EMAP、EMA、ERMS分别为0.233%～0.397%、0.005～0.008 m3/s、0.006～0.013 m3/s，预测误差低于其他对比模型；③TVFEMDⅡ分解效果优于TVFEMDⅠ，在兼顾计算规模的同时，具有较好的分解效果，是提升月径流预测精度的关键。
文章目录
1 材料与方法
1.1数据来源
1.2 时变滤波器经验模态分解(TVFEMD)
1.3 十种“鸟”群算法
1.3.1红嘴蓝鹊优化算法（RBMO）
1.3.2斑翠鸟优化算法(PKO)
1.3.3凉亭鸟优化(SBO)算法
1.3.4哈里斯鹰优化(HHO）算法
1.3.5海鸥优化算法(SOA)
1.3.6非洲秃鹫优化算法(AVOA)
1.3.7白骨顶鸟优化算法(COOT)
1.3.8鹈鹕优化算法(POA)
1.3.9鹰栖息优化(EPO)算法
1.3.10鱼鹰优化算法(OOA)
1.4 在线惯序极限学习机(OSELM)
2 预测流程
3实例应用
3.1 实例目标函数验证
3.2实例应用
4 结论
