기계 학습과 경험적 모드 분해를 기반으로 한 하이브리드 강수위 예측

초록 강수위는 시간이 지남에 따라 수위가 어떻게 변동하는지를 나타내는 중요한 지표입니다. 수위의 지속적인 제어는 강과 개울沿의 홍수를 조기에 경고할 수 있는 지표를 구축하는 데 도움이 될 수 있습니다. 따라서 며칠 앞서 강수위를 예측하는 것은 매우 중요하며 도전적인 과제로 구성됩니다. 지난 몇 십 년 동안 기계 학습 패러다임을 사용하여 복잡한 수문 시스템을 조사하는 것이 중요한 비중을 차지하게 되었으며, 강수위 예측은 조사에서 유망한 분야 중 하나입니다. 기존의 여러 장애물로 인해 때때로 강과 개울의 어느 지점에 접근하는 것이 제한되는 전통적인 현장 측정은 모델링 접근 방식을 사용하여 극복할 수 있습니다. 강수위에 대한 보다 정확한 예측을 위해 기계 학습을 기반으로 한 새로운 모델링 프레임워크를 제안합니다. 하이브리드 예측 접근법은 기계 학습 기법인 랜덤 포레스트 회귀(RFR), 부트스트랩 집계(Bagging), 적응형 부스팅(AdaBoost), 인공 신경망(ANN)을 경험적 모드 분해(EMD)와 결합하여 강력한 예측 모델을 제공하도록 개발되었습니다. 단일 모델은 전처리 없이 강수위 데이터만 사용하여 먼저 적용되었고, 다음 단계에서는 데이터를 여러 내재 모드 함수(IMF)로 분해한 후 이를 새로운 입력 변수로 사용했습니다. 얻은 결과에 따르면, 제안된 모델은 EMD 없이 표준 RFR에 비해 개선된 결과를 보여주었으며, 오류 성능 지표는 급격히 감소했고 상관 관계 지수는 현저히 증가했으며 모델 성능에 큰 변화가 있었습니다. RFREMD, BaggingEMD 및 AdaBoostEMD는 R≈0.974, NSE≈0.949, RMSE≈0.330 및 MAE≈0.175 값이 더 높은 ANNEMD 모델보다 정확도가 낮았습니다. RFREMD와 BaggingEMD는 상대적으로 동일했으며 AdaBoostEMD보다 높은 정확성을 보였습니다. ANNEMD의 우수성은 분명했습니다. 제안된 모델은 신호 분해와 기계 학습의 결합 가능성을 보여 주며, 이는 강수위 예측에 대한 새로운 통찰의 기초가 될 수 있습니다.