基于人工魚(yú)群優(yōu)化的支持向量機(jī)的水文預(yù)報(bào)系統(tǒng)

晉美次旦

（西藏自治區(qū)水文水資源勘測(cè)局，西藏 拉薩 850000）

0 引言

機(jī)器學(xué)習(xí)是使計(jì)算機(jī)能模擬人的學(xué)習(xí)行為，自動(dòng)地通過(guò)學(xué)習(xí)獲取知識(shí)和技能，不斷改善性能，實(shí)現(xiàn)自我完善[1]。機(jī)器學(xué)習(xí)中最實(shí)用的理論和算法包括概念學(xué)習(xí)、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、規(guī)則學(xué)習(xí)、基于解釋的學(xué)習(xí)和增強(qiáng)學(xué)習(xí)等。

人工神經(jīng)網(wǎng)絡(luò)主要是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。該算法發(fā)展較早，并得到了廣泛的應(yīng)用，比較典型的網(wǎng)絡(luò)模型和學(xué)習(xí)算法有單層感知器、Hopfield網(wǎng)絡(luò)、Boltzmann 機(jī)和反向傳播算法（BP）等[2-3]。遺傳算法是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過(guò)程的計(jì)算模型，是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法。

水文預(yù)報(bào)是根據(jù)已知信息對(duì)未來(lái)一定時(shí)期內(nèi)的水文狀況做出定性或定量的預(yù)測(cè)[4]。龐博[5]等人將人工神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到水文預(yù)報(bào)中，提出了總徑流線性響應(yīng)模型的模擬徑流和降雨作為人工神經(jīng)網(wǎng)絡(luò)模型的輸入來(lái)預(yù)報(bào)徑流；隋彩虹[6]等人提出了人工神經(jīng)網(wǎng)絡(luò)模型的渭河下游洪水預(yù)報(bào)。

Vapnik 等人于 1995年在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上首次提出支持向量機(jī)（Support VectorMachines，SVM）的新學(xué)習(xí)算法，2001年李曉磊[7]等人根據(jù)動(dòng)物自治體的尋優(yōu)模式，提出了人工魚(yú)群算法。本文對(duì)支持向量機(jī)提出一種改進(jìn)算法，提出基于人工魚(yú)群優(yōu)化的支持向量機(jī)，并將其應(yīng)用于拉薩河流域水文預(yù)報(bào)系統(tǒng)中。

1 支持向量機(jī)算法

1.1 支持向量機(jī)基本理論

支持向量機(jī)算法是在有限樣本條件下對(duì)統(tǒng)計(jì)學(xué)習(xí)中的 VC 維理論（Vapnik Chervonenkis dimension）和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的實(shí)現(xiàn)。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法相比，SVM 方法以最小結(jié)構(gòu)風(fēng)險(xiǎn)代替了傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)，求解的是二次型尋優(yōu)問(wèn)題。

該算法主要涉及2個(gè)概念，即 VC 維和最優(yōu)分類超平面。VC 維是統(tǒng)計(jì)學(xué)習(xí)理論定義中有關(guān)函數(shù)集學(xué)習(xí)性能指標(biāo)中最重要的指標(biāo)，VC 維反映了函數(shù)的學(xué)習(xí)能力，VC 維越大則學(xué)習(xí)機(jī)器越復(fù)雜；最優(yōu)分類超平面對(duì)高維空間而言，是要求分類超平面不但能將 2類正確分開(kāi)，而且使分類間隔最大，以確保經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信風(fēng)險(xiǎn)最小化，這是支持向量機(jī)的核心思想之一。

1.2 支持向量機(jī)特點(diǎn)

1）是專門針對(duì)有限樣本情況的，其目標(biāo)是得到現(xiàn)有信息下的最優(yōu)解，而不僅僅是樣本數(shù)趨于無(wú)窮大時(shí)的最優(yōu)值。

2）算法最終將轉(zhuǎn)化成為二次規(guī)劃問(wèn)題，二次規(guī)劃問(wèn)題是研究較早、已有比較成熟的求解方法的非線性規(guī)劃問(wèn)題之一，從理論上說(shuō)，得到的將是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無(wú)法避免的局部極值問(wèn)題。

3）一般的升維都會(huì)帶來(lái)計(jì)算的復(fù)雜化。由于應(yīng)用了核函數(shù)的展開(kāi)定理，所以根本不需要知道非線性映射的顯式表達(dá)式；支持向量機(jī)算法同時(shí)將實(shí)際問(wèn)題通過(guò)非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性判別函數(shù)來(lái)實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，巧妙地解決了維數(shù)災(zāi)難問(wèn)題，同時(shí)也解決了算法復(fù)雜度與樣本維數(shù)無(wú)關(guān)。

6）少數(shù)支持向量由訓(xùn)練樣本集的1個(gè)子集樣本向量構(gòu)成，在子集的拉格朗日乘子均不為零，只有這些少數(shù)支持向量對(duì)最終結(jié)果起決定作用；而那些拉格朗日乘子為零的樣本向量的貢獻(xiàn)為零，對(duì)選擇分類超平面是無(wú)意義的。這可以幫助抓住關(guān)鍵樣本，“剔除”大量冗余樣本，該方法不但算法簡(jiǎn)單，而且具有較好的魯棒性。

7）由于有較為嚴(yán)格的統(tǒng)計(jì)學(xué)習(xí)理論作保證，應(yīng)用支持向量機(jī)方法建立的模型具有較好的推廣能力。SVM 方法可以給出所建模型的推廣能力的確定的界，這是目前其它任何學(xué)習(xí)方法所不具備的。

雖然支持向量機(jī)算法的性能在許多實(shí)際問(wèn)題的應(yīng)用或相對(duì)于其他的算法都有明顯的優(yōu)勢(shì)，但該算法在計(jì)算時(shí)也存在著一些問(wèn)題，包括訓(xùn)練算法速度慢，算法復(fù)雜難以實(shí)現(xiàn)，以及檢測(cè)階段運(yùn)算量大等。

2 基于人工魚(yú)群優(yōu)化的支持向量機(jī)算法

本文提出利用人工魚(yú)群的并行性、簡(jiǎn)單性、快速性等優(yōu)點(diǎn)來(lái)克服支持向量機(jī)的缺點(diǎn)?；谌斯~(yú)群優(yōu)化支持向量機(jī)算法（AFSVM）是人工魚(yú)群算法和支持向量機(jī)算法的一種混合算法。

2.1 人工魚(yú)群算法基本理論

基本魚(yú)群算法中，主要利用魚(yú)的覓食、聚群和尾隨行為，從構(gòu)造單條魚(yú)的底層行為做起，通過(guò)魚(yú)群中各個(gè)個(gè)體的局部尋優(yōu)，達(dá)到全局最優(yōu)值在群體中突現(xiàn)出來(lái)的目的。因而人工魚(yú)群算法首先要構(gòu)造人工魚(yú)（AF）。

覓食行為：在自然界中魚(yú)兒在水中隨機(jī)移動(dòng)，當(dāng)發(fā)現(xiàn)食物時(shí)，會(huì)向食物濃度高的地方迅速移動(dòng)，故人工魚(yú)也需要模擬此種行為。

聚群行為：魚(yú)在游動(dòng)過(guò)程中會(huì)自然地聚集成群，這也是為了保證群體的生存和躲避危害而形成的一種生活習(xí)性。Reynolds 認(rèn)為鳥(niǎo)和魚(yú)類的群集的形成并不需要1個(gè)領(lǐng)頭者，只需要每只鳥(niǎo)或每條魚(yú)遵循一些局部的相互作用規(guī)則即可，然后群集現(xiàn)象作為整體模式從個(gè)體的局部的相互作用中突現(xiàn)出來(lái)。Reynolds 所采用的規(guī)則有3條：1）分隔規(guī)則，盡量避免與臨近伙伴過(guò)于擁擠；2）對(duì)準(zhǔn)規(guī)則，盡量與臨近伙伴的平均方向一致；3）內(nèi)聚規(guī)則，盡量朝臨近伙伴的中心移動(dòng)。

尾隨行為：魚(yú)兒在覓食時(shí)，當(dāng)1條或幾條魚(yú)發(fā)現(xiàn)了食物，其他魚(yú)會(huì)尾隨這些魚(yú)向食物濃度高的區(qū)域靠近，最終得到食物。

算法中設(shè)1個(gè)公告板，用以記錄最優(yōu)人工魚(yú)個(gè)體狀態(tài)及位置的食物濃度值。每條人工魚(yú)在行動(dòng)1次后就將自身當(dāng)前狀態(tài)與公告板進(jìn)行比較，如果優(yōu)于公告板則用自身狀態(tài)取代公告板狀態(tài)。

人工魚(yú)群算法已經(jīng)應(yīng)用到很多實(shí)際問(wèn)題的尋優(yōu)過(guò)程中，在尋優(yōu)速度和防止陷入局部最小量都有明顯優(yōu)點(diǎn)[7-10]。

2.2 AFSVM 算法

AFSVM 算法的基本思想是：首先初始化人工魚(yú)群的規(guī)模。在權(quán)值可行域內(nèi)隨機(jī)生成人工魚(yú)個(gè)體，每條人工魚(yú)代表不同輸入權(quán)值的1個(gè)支持向量機(jī)，從而形成初始魚(yú)群，通過(guò)支持向量機(jī)計(jì)算出相應(yīng)的預(yù)測(cè)值，并通過(guò)預(yù)測(cè)值和實(shí)測(cè)值的誤差計(jì)算出各個(gè)人工魚(yú)個(gè)體當(dāng)前位置的食物濃度值，并與公告板的值比較大小，取食物濃度為最小值者進(jìn)入公告板，將此魚(yú)賦值給公告板。各個(gè)人工魚(yú)分別模擬追尾和聚群行為，選擇行動(dòng)后食物濃度值較小的行為實(shí)際執(zhí)行，缺省行為方式為覓食行為。各個(gè)人工魚(yú)每次行動(dòng)后檢驗(yàn)自身的食物濃度并與公告板比較，如果優(yōu)于公告板，則以自身取代之，直到判斷迭代次數(shù)是否已達(dá)到。

1）在基于支持向量機(jī)的建模中，核函數(shù)的選擇直接關(guān)系到所建立的模型的性能。本文是將 AFSVM算法應(yīng)用到水文預(yù)測(cè)系統(tǒng)中，考慮到多數(shù)預(yù)測(cè)都是輸入與輸出之間存在高度非線性關(guān)系，所以擬選用徑向基函數(shù)作為 SVM 的核函數(shù)，其形式為式中：xi為需要優(yōu)化的輸入變量；σ是由用戶決定的核寬度，每個(gè)基函數(shù)的中心對(duì)應(yīng) 1 個(gè)支持向量，它們及輸出權(quán)值都是由算法自動(dòng)確定的。

2）人工魚(yú)的個(gè)體狀態(tài)可以表示成Xi= {x1，x2，…，xn}，其中xj為輸入值；人工魚(yú)當(dāng)前所在環(huán)境的食物濃度為Y，該變量的值為通過(guò)以徑向基函數(shù)為核函數(shù)的支持向量機(jī)預(yù)測(cè)出的值與實(shí)際值之間誤差的平方；人工魚(yú)之間的距離為dij= |ωij-ωij|next|，而ωj是各個(gè)輸入值xj的權(quán)值，也是尋優(yōu)值；人工魚(yú)的感知距離為H；步長(zhǎng)為K；δ為擁擠度因子。

3）AFSVM 算法步驟如下：

a.輸入人工魚(yú)群的群體規(guī)模N，最大迭代次數(shù)Mmax，人工魚(yú)的可視域H，人工魚(yú)的最大移動(dòng)步長(zhǎng)Kmax，擁擠度因子參數(shù)δ；

b.設(shè)置初始迭代次數(shù)m= 0，在控制變量可行域內(nèi)隨機(jī)生成人工魚(yú)個(gè)體，形成初始魚(yú)群；

c.計(jì)算初始魚(yú)群各人工魚(yú)個(gè)體當(dāng)前位置的食物濃度值，并比較大小，取食物濃度為最小值者進(jìn)入公告板，將此魚(yú)食物濃度及各個(gè)xj（j= 1,2,…,n），分量的權(quán)值ωj（j= 1,2,…,n）賦值給公告板；

d.各人工魚(yú)分別模擬追尾和聚群行為，選擇行動(dòng)后食物濃度值較小的行為實(shí)際執(zhí)行，缺省行為方式為覓食行為；

e.各人工魚(yú)每行動(dòng)1次后，檢驗(yàn)自身的與公告板的食物濃度，如果優(yōu)于公告板，則以自身取代之；

f.中止條件判斷，判斷迭代次數(shù)是否己達(dá)到預(yù)置的最大次數(shù)，若是，則輸出計(jì)算結(jié)果（即公告板的食物濃度值及各分量的權(quán)值），否則迭代次數(shù) + 1，轉(zhuǎn)步驟 d。

由以上算法可以看出，AFSVM 利用人工魚(yú)群算法的并行性和快速性等優(yōu)點(diǎn)，理論上，能夠提高SVM 的訓(xùn)練速度，能夠加速函數(shù)的擬合速度。

3 拉薩河流域水文預(yù)測(cè)系統(tǒng)總體框架

3.1 系統(tǒng)功能結(jié)構(gòu)

定義1個(gè)輸入空間X，X是水文實(shí)測(cè)值的集合。對(duì)于每個(gè)水文實(shí)測(cè)，具有n個(gè)特征信息，顯然有X∈Rd。用一維向量x表示一次實(shí)測(cè)值，Xi= {x1,x2,…,xn,ω1,ω2,…,ωn}，

式中：xj表示樣本X的第j個(gè)特征值；ωj表示為樣本X的第j個(gè)特征值的權(quán)值；R為實(shí)數(shù)。

Y'i為實(shí)測(cè)值用于訓(xùn)練向量機(jī)，Y'i∈R。在水文預(yù)測(cè)過(guò)程中，由于只需要通過(guò) SVM 預(yù)測(cè)機(jī)、1組水文實(shí)測(cè)值及權(quán)值計(jì)算出1個(gè)預(yù)測(cè)值，所以定義Yi為預(yù)測(cè)值，并且定義Yi為大于零的實(shí)數(shù)值?；谌斯~(yú)群優(yōu)化的支持向量機(jī)的拉薩河流域水文預(yù)測(cè)系統(tǒng)的基本結(jié)構(gòu)圖如圖1所示。

圖1 基于 AFSVM 的拉薩河流域水文預(yù)測(cè)系統(tǒng)的基本結(jié)構(gòu)圖

處理流程為：首先從數(shù)據(jù)庫(kù)查詢幾組數(shù)據(jù)，并從這幾組數(shù)據(jù)提取出特征信息，特征信息由數(shù)據(jù)預(yù)處理模塊進(jìn)行數(shù)據(jù)預(yù)處理，得到 SVM 的輸入向量形式，作為訓(xùn)練數(shù)據(jù)，如果處于 SVM 訓(xùn)練狀態(tài)，則利用訓(xùn)練數(shù)據(jù)集經(jīng)過(guò) AF_SVM 訓(xùn)練器訓(xùn)練得到訓(xùn)練后的結(jié)果，即1組權(quán)值，這個(gè)部分稱為 AF_SVM 的訓(xùn)練部分，然后利用訓(xùn)練部分得到的1組權(quán)值存入數(shù)據(jù)庫(kù)中；如果處于 SVM 預(yù)測(cè)狀態(tài)，由 SVM 預(yù)測(cè)模塊對(duì)輸入向量進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)輸出值Yi，預(yù)測(cè)后將結(jié)果存入事件日志庫(kù)，即這里的Yi代表著下一個(gè)時(shí)刻的水文預(yù)測(cè)值，就是1個(gè)大于零的實(shí)數(shù)值。并根據(jù)設(shè)置執(zhí)行相應(yīng)的響應(yīng)操作，如發(fā)出警報(bào)、短信等。

系統(tǒng)分為5部分，具體如下：

1）AFSVM 訓(xùn)練機(jī)模塊。對(duì)預(yù)先從數(shù)據(jù)庫(kù)選定的訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，并由數(shù)據(jù)預(yù)處理模塊進(jìn)行預(yù)處理。

2）SVM 預(yù)測(cè)機(jī)模塊。該模塊是整個(gè)系統(tǒng)最重要的部分，是預(yù)測(cè)系統(tǒng)的核心部分。利用 SVM 訓(xùn)練模塊得到的 SVM 權(quán)值向量組對(duì)實(shí)測(cè)水文數(shù)據(jù)記錄進(jìn)行預(yù)測(cè)，預(yù)測(cè)的結(jié)果即1個(gè)大于零的實(shí)數(shù)值。

3）SVM 支持向量機(jī)庫(kù)。用于存放 AFSVM 訓(xùn)練模塊訓(xùn)練后在 AF_SVM 訓(xùn)練模塊公告欄上的最終1組權(quán)值，這組各水文特征信息的權(quán)值從理論上講應(yīng)該為全局最優(yōu)解。

4）事件日志庫(kù)。用于存放已經(jīng)預(yù)測(cè)出的歷史事件，以便系統(tǒng)管理員日后審查歷史記錄。

5）輸出及響應(yīng)模塊。該模塊是整個(gè)系統(tǒng)的重要組成部分，它利用 SVM 預(yù)測(cè)模塊預(yù)測(cè)得到的信息，通過(guò)將預(yù)測(cè)值與劃分的各類警戒線比較，當(dāng)有超過(guò)警戒線發(fā)生時(shí)，觸發(fā)相應(yīng)的各類警報(bào)，進(jìn)行報(bào)警等各種必要的相應(yīng)措施。

3.2 系統(tǒng)信息流

系統(tǒng)中各組件之間的信息流如圖2所示。

圖2 系統(tǒng)的信息流圖

在圖2中，實(shí)箭頭代表系統(tǒng)的控制流，虛箭頭代表系統(tǒng)的數(shù)據(jù)流向。因此，可以從數(shù)據(jù)流和控制流2個(gè)角度對(duì)系統(tǒng)處理流程進(jìn)行分析。

1）從數(shù)據(jù)流向分析系統(tǒng)。首先從數(shù)據(jù)庫(kù)中提出輸入樣本Xi= {x1,x2,…,xn} 及各個(gè)分量的初始權(quán)值ωi= {ω1,ω2,…,ωn}，并設(shè)置訓(xùn)練控制量，然后將Xi= {x1,x2,…,xn} 傳入數(shù)據(jù)預(yù)處理模塊。在此對(duì)輸入樣本進(jìn)行合理性和完整性檢查，檢查完后判斷是否進(jìn)行訓(xùn)練，如果是，則將輸入樣本和初始權(quán)值傳入 AF_SVM 訓(xùn)練機(jī)中，在此對(duì)支持向量機(jī)的權(quán)值進(jìn)行訓(xùn)練，訓(xùn)練后所得的全局最優(yōu)解，即最優(yōu)的權(quán)值，存入數(shù)據(jù)庫(kù)中；如果否，則將輸入樣本和初始權(quán)值傳入 SVM 預(yù)測(cè)機(jī)中，通過(guò)計(jì)算得出預(yù)測(cè)值，將預(yù)測(cè)值傳入輸出及響應(yīng)模塊中，通過(guò)比較預(yù)設(shè)的警戒值，做出最后的響應(yīng)。在訓(xùn)練期間的每次迭代值存入事件日志庫(kù)中，在預(yù)測(cè)期間，將預(yù)測(cè)值、權(quán)值及響應(yīng)的事件也存入事件日志庫(kù)中，以備為日后的維護(hù)和調(diào)試而查閱。

2）從控制流向分析系統(tǒng)。用戶通過(guò)控制 的值來(lái)導(dǎo)向樣本數(shù)據(jù)流和權(quán)值數(shù)據(jù)流的流向，是否流向訓(xùn)練機(jī)還是流向預(yù)測(cè)機(jī)；AFSVM 訓(xùn)練機(jī)訓(xùn)練結(jié)束后，向數(shù)據(jù)庫(kù)發(fā)出更新權(quán)值表的信息；AFSVM 訓(xùn)練機(jī)和輸出及響應(yīng)模塊發(fā)出更新事件日志庫(kù)的信息。

3.3 系統(tǒng)的原型設(shè)計(jì)實(shí)現(xiàn)

本文模型主要針對(duì)拉薩河流域，根據(jù)拉薩河流域的自然條件[17]，本文擬采用二水源新安江模型的產(chǎn)流模型的參數(shù)作為預(yù)測(cè)系統(tǒng)的輸入量。

在 AFSVM 算法中，影響模型性能的有8個(gè)參數(shù)，容許誤差b、懲罰因子C、核函數(shù)參數(shù)σ、人工魚(yú)的群體規(guī)模N、人工魚(yú)的可視域H、人工魚(yú)的最大移動(dòng)步長(zhǎng)K和擁擠度因子δ。本文在選擇參數(shù)時(shí)首先考察了參數(shù)對(duì)模型性能的影響。容許誤差b= 0.2，C= 100，經(jīng)過(guò)交叉檢驗(yàn)法對(duì)參數(shù)選擇，最終確定σ= 12，魚(yú)群算法的感知距離H= 2.5，步長(zhǎng)K= 0.3，擁擠度因子δ= 0.618，人工魚(yú)個(gè)體數(shù)為50時(shí)模型有最好的表現(xiàn)。

系統(tǒng)原型設(shè)計(jì)后形成一些界面，主要包括水文數(shù)據(jù)列表、水位趨勢(shì)圖、流量圖和信息顯示窗口等，其中圖3為系統(tǒng)的總界面，圖4為流量詳細(xì)圖。

3.4 預(yù)測(cè)系統(tǒng)的評(píng)估和檢驗(yàn)

本次對(duì)預(yù)測(cè)系統(tǒng)的評(píng)測(cè)采用拉薩實(shí)驗(yàn)站 1994年 1月 到 2003年 12月 120個(gè)月份 的實(shí)測(cè)流量數(shù)據(jù)為原始數(shù)據(jù)。以 1994年1月至 2002年12月的實(shí)測(cè)流量數(shù)據(jù)作為訓(xùn)練樣本，以 2003年7月1～31日的實(shí)測(cè)流量數(shù)據(jù)作為預(yù)測(cè)樣本。經(jīng)過(guò) AFSVM 和 SVM 這2種方法計(jì)算的流量預(yù)測(cè)值與實(shí)測(cè)值比較后所得的誤差如表1所示。

實(shí)驗(yàn)結(jié)果表明 AFSVM 與標(biāo)準(zhǔn) SVM 模型的預(yù)測(cè)精度差不多，并可以保證大部分預(yù)測(cè)出來(lái)的數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)之間的誤差在《規(guī)范》要求的限度內(nèi)。但訓(xùn)練速度 AFSVM 明顯快于標(biāo)準(zhǔn) SVM，AFSVM 對(duì)1994年1月至 2002年12月的實(shí)測(cè)流量數(shù)據(jù)訓(xùn)練模型時(shí)所需的運(yùn)行時(shí)間為 73～82s，而標(biāo)準(zhǔn)的 SVM 用同樣的數(shù)據(jù)訓(xùn)練所用時(shí)間為 147～152s，由此可以得到以下結(jié)論：

1）AFSVM 通過(guò)對(duì)歷史樣本的學(xué)習(xí)來(lái)建立預(yù)測(cè)模型，由于歷史資料有限，能夠得到的模型訓(xùn)練樣本并不充足，可能會(huì)影響模型的預(yù)測(cè)性能，增多訓(xùn)練樣本會(huì)使預(yù)測(cè)模型的性能更好。

2）支持向量占訓(xùn)練樣本總數(shù)的比例較大，若能通過(guò)改進(jìn)參數(shù)優(yōu)化過(guò)程，構(gòu)造1個(gè)支持向量數(shù)相對(duì)較小的分類面，將會(huì)得到更高性能的預(yù)測(cè)模型。

圖3 系統(tǒng)的總界面

圖4 流量詳圖

表1 實(shí)測(cè)流量與預(yù)測(cè)流量統(tǒng)計(jì)表

3）AFSVM 的訓(xùn)練算法明顯優(yōu)于標(biāo)準(zhǔn)的 SVM 的訓(xùn)練算法，尤其在訓(xùn)練速度上明顯優(yōu)于標(biāo)準(zhǔn)的 SVM學(xué)習(xí)算法，能夠?yàn)樗念A(yù)報(bào)提供更快捷的技術(shù)支持。

5 結(jié)語(yǔ)

機(jī)器學(xué)習(xí)是一個(gè)十分活躍、充滿生命力的研究領(lǐng)域，同時(shí)也是一個(gè)困難的、爭(zhēng)議較多的研究領(lǐng)域。在這個(gè)領(lǐng)域中，新的思想、方法不斷地涌現(xiàn)，取得了令人矚目的成就，但是還存在大量未解決的問(wèn)題。當(dāng)前人工智能研究的主要障礙和發(fā)展方向之一就是機(jī)器學(xué)習(xí)，因此機(jī)器學(xué)習(xí)有著廣闊的研究前景。另外，由于機(jī)器學(xué)習(xí)與其他各種學(xué)科有著密切的聯(lián)系，研究者應(yīng)該從不同的研究環(huán)境和領(lǐng)域?qū)ふ叶喾N學(xué)習(xí)體制和方法，同時(shí)機(jī)器學(xué)習(xí)的研究也在等待著有關(guān)學(xué)科的研究取得進(jìn)展。

而水文預(yù)報(bào)方法也是不夠成熟，影響水文預(yù)報(bào)的各種因素十分復(fù)雜，如太陽(yáng)運(yùn)動(dòng)規(guī)律和大氣環(huán)流影響等。鑒于水文要素歷史演變趨勢(shì)的預(yù)測(cè)也可能隨著掌握資料的條件、分析規(guī)律的深入程度及綜合各種方法進(jìn)行合理取值時(shí)的可靠程度而存在相當(dāng)?shù)恼`差，因此在做水文預(yù)測(cè)時(shí)，必須參考諸多因素（尤其是氣象因素），不斷積累經(jīng)驗(yàn)，探討更為科學(xué)而實(shí)用的預(yù)報(bào)方法，以提高水文要素預(yù)報(bào)的精度。

因而，希望能夠通過(guò)機(jī)器學(xué)習(xí)和人工智能技術(shù)的日益成熟，能夠更好地模擬水文的復(fù)雜規(guī)律，從而能夠更好地預(yù)測(cè)水文情報(bào)，以確保國(guó)家和人民的財(cái)產(chǎn)安全。

[1] Mitchell.Machine Learning[M].北京：機(jī)械工業(yè)出版社，2003: 45.

[2] 李鴻雁.人工神經(jīng)網(wǎng)絡(luò)峰值識(shí)別理論及其在洪水預(yù)報(bào)中的應(yīng)用[J].水利學(xué)報(bào)，2002（6）: 17-18.

[3] 王文圣，丁晶，劉國(guó)東.人工神經(jīng)網(wǎng)絡(luò)非線性時(shí)序模型在水文預(yù)報(bào)中的應(yīng)用[J].四川水力發(fā)電，2000,19（增刊 1）: 7-10.

[4] 包為民.水文預(yù)報(bào)[M].北京：中國(guó)水利水電出版社，2006: 131-137.

[5] 龐博，郭生練，熊立華，等.改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)水文預(yù)報(bào)模型及應(yīng)用[J].武漢大學(xué)學(xué)報(bào)，2007（1）: 33-36.

[6] 隋彩虹.基于人工神經(jīng)網(wǎng)絡(luò)模型的渭河下游洪水預(yù)報(bào)[M].北京師范大學(xué)，2006.

[7] 李曉磊，邵之江，錢積新.一種基于動(dòng)物自治體的尋優(yōu)模式：魚(yú)群算法[J].系統(tǒng)工程理論與實(shí)踐，2002（11）: 20-22.

[8] 李曉磊，基于人工魚(yú)群算法的參數(shù)估計(jì)方法[J].山東大學(xué)學(xué)報(bào)：工學(xué)版，2004（3）: 32-33.

[9] 陳俊清，朱文興.基于人工魚(yú)群算法的分類規(guī)則發(fā)現(xiàn)[J].福州大學(xué)學(xué)報(bào)：自然科學(xué)版，2006（1）: 47-49.

[10] 李曉磊，路飛，田國(guó)會(huì)，等.組合優(yōu)化問(wèn)題的人工魚(yú)群算法應(yīng)用[J].山東大學(xué)學(xué)報(bào)：工學(xué)版，2004,34（5）: 64-67.

[11] 劉天仇.雅魯藏布江水文特征[J].地理學(xué)報(bào)，1999（增刊 1）:23-24.