ANN、ANFIS和AR模型在日径流时间序列预测中的应用比较摘要：水文预测是水文学为经济和社会服务的重要方面。其预报结果不仅能为水库优化调度提供决策支持，而且对水电系统的经济运行、航运以及防洪等方面具有重大意义。自回归模型(AR模型)、人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)在日径流时间序列中应用广泛。将这三种模型应用于桐子林的日径流时间序列预测中，不仅采用纳什系数(NS系数)、均方根误差(RMSE)和平均相对误差(MARE)为评价指标，对三种模型的综合性能进行了比较。而且，在对三种模型预测结果的平均相对误差的阈值统计基础上，分析了三种模型的预测误差分布。同时，通过研宄模型性能指标随预见期的变化过程评价了三种模型不同预见期下的预测能力。结果表明ANFIS相对于ANN和AR模型不仅具有更好的模拟能力、泛化能力，而且在相同的预见期下具有更优的模型性能，可以作为日径流时间序列预测的推荐模型。关键词：自回归模型；人工神经网络；自适应神经模糊推理系统；日径流时间序列预测中图分类号：P338文献标志码：A文章编号：16721683(2016)06001206ComparativestudyofANN，ANFISandARmodelfordailyrunofftimeseriespredictionTANQiaofeng1,WANGXu2,WANGHao2,LEIXiaohui2(1.CollegeofWaterResourceandHydropower,SichuanUniversity，Chengdu610065，China；2.ChinaInstituteofHydropowerandWaterResourcesResearch，Beijing100038，China)Abstract：Hydrologicalpredictionisanimportantaspectofhydrologyfsserviceforeconomicandsociety.Thepredictionresultnotonlyprovidesdecisionsupportforreservoirgenerationoperation，butalsoisofgreatsignificancetotheeconomicaloperationofhydropowersystems，navigation，floodcontrolandsoon.Theautoregressivemodel(ARmodel)，artificialneuralnetwork(ANN)andadaptiveneuralfuzzyinferencesystem(ANFIS)havebeenwidelyappliedinthedailyrunofftimeseriesprediction.Inthispaper,thesethreemodelswereappliedindailyrunoffpredictionatTongzilinstation.NashSutcliffeefficiencycoefficient(NScoefficient)，rootmeansquareerror(RMSE)andmeanabsoluterelativeerror(MARE)wereusedtoevaluatetheperformancesofthreemodels.Thresholdstatisticsindexwasusedtoanalyzepredictionerrordistributionofthreemodels.Atthesametime，thepredictionabilityofthreemodelswasstudiedbygraduallyincreasingthepredictionperiod.TheresultsshowedthatANFIShadnotonlybettersimulationabilityandgeneralizationability，butalsobettermodelperformanceinthesamepredictionperiodcomparedtoANNandARmodel.Asaresult,ANFIScanbearecommendedpredictionmodelfordailyrunofftimeseries.Keywords：autoregressivemodel；artificialneuralnetwork；adaptiveneuralfuzzyinferencesystem；dailyrunoffprediction水文预测是防汛、抗旱和水资源利用等重大决策的重要依据，历来受到各方面的关注。目前应用广泛的水文预测模型可以分为数据驱动模型和过程驱动模型。过程驱动模型是以水文学概念为基础，对径流的产流过程与河道演进过程进行模拟，从而进行流量过程预测的数学模型。数据驱动模型则是基本不考虑水文过程的物理机制，而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法。数据驱动模型以回归模型最为常用，近几十年来新的预测手段得到很快发展，如神经网络模型、非线性时间序列分析模型、模糊数学方法等。随着水文数据的获取能力及计算能力的飞速发展数据驱动模型在水文预测中得到越来越广泛的关注和应用。自回归模型［1］（简称AR模型）是水文上使用最广泛的数据驱动模型，其优点是使用简单方便，易于写出表达式，不仅能反映水文序列的一些统计特性，而且是从水文现象物理过程的分析和概化来建立随机模型，其中的参数据有一定的物理意义。AR模型作为最成熟且应用最为广泛的时间序列预测模型，已经成为衡量其它模型好坏的标准，一般为了证明提出的统计模型性能良好都要求其性能优于简单方便的AR模型。人工神经网络［2］（...