陈海洋,滕彦国,王金生

(北京师范大学水科学研究院,北京 100875)

地下水位预测可以看作是对地下水位及其影响因子间的复杂非线性函数关系的逼近分析,它是实现地下水资源动态均衡管理的重要方法之一。当前,发展较快、应用较广的地下水位预测方法主要有多元回归分析法、灰色聚类分析法、模糊模式识别法、季节性指数平滑法、人工神经网络法等。这些不同的预测方法均力图通过对地下水位动态及其影响因素之间的非线性关系的分析,建立随机性模型来实现地下水位的预报。支持向量机(support vector machine,简称SVM)是由统计学习理论发展起来的一种新型学习机器,它以结构风险最小化原理为理论基础,具有以下优点:逼近复杂非线性系统,较强的学习泛化能力和良好的分类性能,所需样本少,建模方便,计算简单,学习训练时间短,通用性强,可以用于解决非线性系统的模式识别问题[1]。ε-SVR(εsupport vector regression machine)是将不敏感损失函数引入支持向量机,用来解决非线性系统回归拟合问题的一个算法,可以用之来解决地下水位预测问题。

应用ε-SVR进行地下水位预测,需要重点考虑模型参数的优化选择。然而,当前对ε-SVR参数选择缺乏实质性的理论指导,只能是通过反复试验,人工选取参数,这不仅要求技术人员有丰富的实际经验,而且需要付出较高的时间代价。笔者选择径向基核函数建立了地下水位ε-SVR预测模型,基于遗传算法(genetic algorithm,简称GA)实现了惩罚因子C、核函数参数 γ和不敏感损失函数参数ε的自适应优选,并运用建立的模型对某地傍河试验井地下水位进行了预测。……