一种基于MIDBO-BP的地下水位预测系统

关键词：地下水位预测；蜣螂优化算法；BP神经网络；Sine混沌映射；自适应t分布

中图分类号：TP183 文献标识码：A

文章编号：1009-3044（2024）21-0010-05

0 引言

地下水作为我国重要的饮用水水源和战略资源，其合理开发利用对我国社会良好运行具有重大意义。作为不可替代的资源，地下水能够直接供人类饮用。影响地下水位的主要因素为大气降水和人类对地下水的开采[1]。近年来，我国许多地区大量开采地下水，导致了一系列地质问题[2]。2022年，中国地下水资源量为7 924.4亿m³，比2021年减少3.3%[3]。由于地下水资源的日益消耗，其预测管理和合理利用已成为我国的重要任务。随着人工智能的迅速发展，神经网络模型在水文分析及预测领域得到广泛应用[4]。但其自身存在容易陷入局部极小值等问题，针对这些缺陷，许多研究者通过引入其他算法来优化神经网络模型。

张蔷[5]建立了BP神经网络地下水位预测模型，该模型预测精度高，但由于BP对初始权值和阈值较为敏感，容易陷入局部极小值。茹哲敏[6]采用回归模型和BP神经网络模型对地下水位进行预测和分析，发现BP神经网络模型更适合地下水位与各影响因素之间关系较为模糊时使用。郭浩然[7]结合主成分分析（PCA） 和遗传算法（GA），建立PCA-GA-BP地下水位预测模型，发现优化后的BP神经网络模型总体预测精度更高，但在预测较高水位时，PCA-GA-BP 模型比PCA-BP精度低，遗传算法对该模型并未起到优化作用。刘光星[8]使用粒子群算法（PSO）优化BP神经网络模型，相对于原始BP模型，PSO-BP模型的预测精度更高，收敛速度更快。在PSO-BP模型的基础上，郑店坤[9]提出了一种改进粒子群算法（IPSO） 来优化BP神经网络，并建立了IPSO-BP的地下水位预测模型，得出IPSO-BP模型比PSO-BP模型预测精度更高、稳定性更好的结论，但该模型存在出现过拟合的可能。

2022年，Jiankai Xue[10]提出了蜣螂优化算法（DungBeetle Optimizer，DBO），该算法具有收敛速度快、精度高的特点。本文在DBO的基础上进行改进，提出了一种基于多策略改进的蜣螂优化算法（Multi-strategy Im⁃proved Dung Beetle Optimizer，MIDBO） ，进一步提升该算法的收敛速度和精度。并用MIDBO优化BP神经网络（MIDBO-BP） 对益阳市地下水位进行了预测试验。结果表明，MIDBO-BP预测模型相较于原始BP预测模型和DBO 优化BP 神经网络预测模型（DBO-BP） ，MIDBO的收敛速度更快，精度更高。

本研究对BP模型、DBO-BP模型及MIDBO-BP模型进行了预测试验。结果如表2、图3和图4所示。

BP预测模型的实际值与预测值差异最大，稳定性较差，在三种预测模型中表现最低。DBO-BP预测模型相较于BP预测模型，MSE下降了22.04%，MAPE 下降了3.57%，预测性能有所提升，但波动性仍然较大，稳定性一般。MIDBO-BP预测模型的预测误差最小，且稳定性良好。相较于BP预测模型，MIDBO-BP 预测模型的MSE 下降了69.34%，MAPE 下降了33.04%；相较于DBO-BP 预测模型，MSE 下降了60.70%，MAPE 下降了30.56%，MIDBO-BP 模型的优势显著。因此，可以得出结论：对于益阳市地下水位预测，MIDBO-BP预测模型是一种行之有效、预测精度高且稳定性好的预测模型。

6 结束语

本研究在DBO算法的基础上，加入融合策略和混沌策略，改进得到了一种新型的MIDBO算法。通过基准测试函数进行消融实验，证明了融合策略和混沌策略的加入对原始DBO算法具有正向优化效果。

通过建立MIDBO-BP益阳市地下水位预测模型并进行实验仿真，结果表明MIDBO-BP预测模型对小样本数据具有较好的处理能力。与DBO-BP模型和BP模型相比，MIDBO-BP预测模型的精度和稳定性更佳，证明MIDBO算法能够有效改善BP模型，增强了逃离局部最优的能力，提高了预测精度。未来研究可将MIDBO-BP模型应用于大样本数据的预测试验中，进一步验证该模型在大样本数据预测中的性能。