基于遗传BP神经网络的地下水位预测模型.docx

基于遗传BP神经网络的地下水位预测模型
地下水位预测是地下水资源管理与利用中的重要问题之一。准确预测地下水位的变化，对于地下水资源的合理配置，保障农业生产和城市用水等具有重要意义。目前，地下水位预测模型主要有时间序列分析法、人工神经网络、支持向量机等。本文将重点讨论基于遗传BP神经网络的地下水位预测模型。
一、基本原理
遗传算法（GeneticAlgorithm，GA）是一种优化算法，通过模拟生物种群进化过程中的基因交叉、突变和自然选择等过程，来寻找问题的最优解。BP神经网络是一种由输入层、隐含层和输出层组成的前馈式神经网络，利用误差反向传递算法来调整神经元之间的权值和阈值。
基于遗传BP神经网络的地下水位预测模型，首先利用遗传算法搜索神经网络中的初始参数，然后采用BP神经网络进行预测。模型的输入层包括时间序列数据和气象数据等因素，隐含层采用Sigmoid函数进行激活，输出层为预测值。模型的基本组成框架如下图所示。
（图片来源于网络，并非本人一手绘制）
二、模型的实现步骤
1.数据预处理
地下水位预测是一个具有时序性的问题，需要对数据进行时间序列分析，去除季节性变化和趋势项，保留其中的随机项。同时，将气象数据与地下水位数据进行合并，构建预测模型的输入数据。
2.神经网络的设计
对于本文所述的模型，神经网络的设计具体可分为三个部分：输入层、隐含层和输出层。输入层的节点数由输入的变量个数决定，隐含层的节点数通常在输入层节点数和输出层节点数之间取值，输出层的节点数则应与预测变量的个数相同。
3.遗传算法优化BP神经网络的初始参数
遗传算法的主要步骤为：初始化种群、选择操作、交叉操作、变异操作、判断终止操作。在本文所述模型中，遗传算法的目的是在BP神经网络中搜索到最优的初始参数组合，其中包括学习率、动量因子、隐含层节点数等参数。具体实现过程如下：
（1）种群初始化：根据设计好的神经网络中，将初始种群的染色体长度设置为神经网络中权值与阈值的总个数，即chrom_length=(n_input*n_hidden+n_hidden*n_output+n_hidden+n_output)。
（2）适应度评价：将有高适应度的识别率(体现在拟合程度R)的冠军作为种群中下一代的父代，适应度函数可以用拟合程度即R=1/(1+MSE)来计算。
（3）选择操作：采用RouletteWheelSelection的方式选择种群中适应度较高的一部分区，而不是直接选取最优的。RouletteWheelSelection能够很好地使得优秀的染色体高概率地被选择，但是也有可能出现适应度很好的染色体直接被选择的情况。
（4）交叉操作：通过两个个体之间基因的配对或交换来产生新的个体，基因的交叉是指两个个体中相同染色体编号的某些部分交换，得到新一代变异产物。交叉操作产生所需的因范围较窄，一般不会对种群中的基因产生太大影响。
（5）变异操作：按照种群变异率和每个个体基因变异率的分布情况，在染色体中随机改变一个基因的值，常数变异或链式变异，最后产生的染色体作为新个体加入种群中的下一代。变异操作对种群的影响主要体现在扰动方向，而扰动方向则取决于变异变量的分布。
（6）判断终止操作：网络的预测结果与测试集的比较，如果达到一定精度，可以停止进一步优化，不再进行交叉和变异。
4.BP神经网络的训练与预测
采用误差反向传递算法及梯度下降法对神经网络进行训练，使其逐渐收敛到最优状态。BP神经网络的预测结果与实际结果比较，可以得到最终的模型精度。
三、实例说明
本文采用基于遗传BP神经网络的地下水位预测模型，在淮河流域的某个地区进行了实际应用。该地区地下水位资料可追溯至2008年1月，因此共有93个观测点，每个观测点有12个月的地下水位数据和10个气象因素，用作预测的时间是2017年1月至2017年12月。
实施过程具体包括以下几个步骤：
（1）在93个观测点中，随机抽取14个点与数据，用作测试集，其余79个点数据用作训练集。
（2）进行数据预处理，剔除趋势，去除季节性变化，保留随机项，气象数据与地下水位数据合并，得到神经网络的输入数据。
（3）进行BP神经网络及遗传算法进行初始化参数搜索。
（4）进行神经网络的训练并预测地下水位变化。
（5）将预测结果与实际结果进行比较，得到模型的精度。
实验结果表明，基于遗传BP神经网络的地下水位预测模型精度较高，且具有较好的实际应用价值。
四、总结
本文针对地下水位预测问题，提出了基于遗传BP神经网络的地下水位预测模型。该模型将遗传算法与BP神经网络有机结合起来，成功地完成了对地下水位预测的任务。实验结果表明，该模型的精度较高，具有较好的实际应用价值。
作为一种新型的地下水位预测方法，基于遗传BP神经网络的地下水位预测模型在未来的研究和应用中有着广阔