.png){kind=icon}
返回
A comparative study between time series and soft computing models for river discharge forecasting
.png){kind=icon}
OA
AI
DOI：10.1007/s13201-025-02632-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
河流径流预报在可持续水资源管理中发挥着关键作用。本研究评估了六种预测方法：三种机器学习模型——支持向量回归（SVR）、随机森林（RF）和K近邻（KNN）；一种深度学习模型——长短期记忆（LSTM）；以及两种时间序列模型：同期自回归移动平均（CARMA）和带广义自回归条件异方差（CARMA-GARCH）的CARMA。在伊朗西部的卡什甘河流域选择了八个水文站作为案例研究，以评估模型性能。评估了两种情景：第一种涉及在考虑数据自身滞后时间的情况下预测河流径流，第二种侧重于根据上游水文站数据预测任何站的河流径流。误差指标包括均方根误差（RMSE）、决定系数（R2）和纳什-斯utcliffe效率（NSE）。结果表明，时间序列模型和机器学习方法能够有效预测河流径流。在机器学习模型中，RF模型在两种情景下均取得最佳结果，平均RMSE值分别为4.6 m³/s和4.1 m³/s，而CARMA-GARCH是最佳时间序列模型，RMSE值分别为2.5 m³/s和2.48 m³/s。
Keyword:
Contemporaneous
Heteroscedasticity
Kashkan
Machine learning
Time-series
期刊
A
IF:
5.7
论文数:
2.2K
被引数:
1.2W
.png){kind=icon}
