崔东文

(云南省文山州水务局，云南 文山 663000)

提高水库来水量时间序列预测精度对于缓解城市水资源供需矛盾、提高城市防洪抗旱能力、保障下游生态环境用水、优化配置水库水资源具有重要意义。由于受降水、人类活动等影响，水库来水量表现出明显的非线性、非平稳性和多尺度等特征，目前普遍采用时间序列分解与预测模型组合的方法进行预测。时间序列分解方法有小波分解、经验模态分解、总体经验模态分解、变分模态分解、奇异谱分析等；来水量预测模型有支持向量机[1-2]、BP神经网络[3]、小波神经网络[4-5]等。

小波分解(Wavelet Decomposition，WD)是一种被广泛应用的时频分析工具，其通过伸缩平移运算对信号逐步进行多尺度细化，最终达到高频处时间的细分、低频处频率细分的目的。虽然WD可将复杂的原始信号分解为高频信号和低频信号，但WD仅对信号的低频部分详细分解，忽略了信号的高频部分。小波包分解(Wavelet Packet Decomposition，WPD)源于小波分解，它在分解信号低频子集同时，对高频子集分解，具有数学释意明确、使用简洁、能够自行设定分解层数和分解使用的小波函数等优点[6-9]。回声状态网络(Echo State Network，ESN)是Jaeger等提出的一种新型递归神经网络，其特点是训练过程简单，拥有动态储备池，具备短时记忆功能，在处理时间序列等非线性系统辨识问题上表现突出，一般条件下可无限逼近动态系统。在实际应用中，ESN网络的输出权值矩阵和储备池规模、稀疏度等关键参数对ESN网络性能有着重要影响，目前主要有优化输出权值矩阵[10-12]和优化储备池规模的关键参数[13-17]两种途径。……