基于BORDA数的多元时间序列相似性度量

水文是一个数据密集型领域，长期的观测和实践积累了大量的水文数据，利用数据挖掘技术从这些长期观测序列中发现蕴藏的规律是当前研究热点之一。相似性度量是时间序列挖掘的基础，本文提出了一种新的基于BORDA数的多元时间序列相似性度量方法。首先根据数据复杂性进行降维，然后分别计算单一序列的相似性，最后采用基于BORDA数的投票方法获得多元时间序列整体相似性。分别以太湖水位和宜丰洪水时间序列相似性分析为例，验证了提出方法的可行性和有效性。     

基于标准年和相空间重构的水文预报方法

文中提出了一种基于标准年和混沌分析的中长期水文预报方法。首先对最近若干年的水文时间序列进行标准年和剩余分量混沌特性分析;然后计算出时间序列与标准年差值余项的差分序列;最后利用相空间重构理论对此差分序列进行混沌预测,得到预报结果。实例计算表明此方法是可靠的。     

余弦相似理论在水文序列校正插补中的应用

大多数水文模型都需要用到水文序列作为输入参数,水文序列的准确性决定了模型计算结果精度的上限。由于实际运用中,常会有各种因素导致水文序列中的某些数据项出现异常或缺失的情况,如何利用已知的资料对异常或缺失的数据进行校正和插补一直是水文计算中的一个难题。文章针对此问题进行了系统的研究,结合时间序列相似性理论和粒子群优化算法提出了一个可行的水文序列校正插补算法,并使用二滩水库的实测径流资料对算法进行了验证,结果表明该算法能较好地处理水文序列中存在的异常值或缺失值。     

澉浦站年最高潮位序列变异点判别

水文灰色系统分析法通过构造差异信息序列,计算比较序列间信息测度的不同,来判别水文序列时间、空间上的变异点.采用两种水文比较序列构造方法,分析得澉浦站年最高潮位在1973年、1992年之后发生变异.例证表明,采用灰色系统差异信息的度量来判别水文序列的变异点概念明确,方法简单、有效.     

一种改进的混沌水文时间序列预报方法

提出了一种改进的应用于中长期水文预报的混沌预报方法，对水文时间序列进行周期性和混沌特性分析。利用傅立叶级数展开法分离出时间序列中的主要周期项，对时间序列与主要周期项的差值部分进行差分；利用相空间重构理论对此差分序列进行混沌预测，得到预报结果。实例计算表明此方法是可靠的。     

基于皮尔逊Ⅲ型分布的汉口站年最小月流量趋势性分析

在变化环境下,对水文时间序列的非一致性研究变得非常重要。经典线性回归模型在传统的水文序列趋势性分析中有广泛的应用,该模型假定水文变量服从正态分布,这与我国现行的水文频率分析计算中推荐选用的皮尔逊Ⅲ型频率分布(简称PⅢ分布)并不相符。提出采用基于PⅢ分布的回归模型对汉口水文站59 a间的年最小月流量序列进行趋势性分析。研究发现基于PⅢ分布的回归模型比基于正态分布的回归模型能更好地揭示水文序列频率分布的时变特征。在此基础上采用灵活性较强的多项式对水文序列的趋势性进行了分析。     

水文相似性研究进展

针对现有研究对水文事件相似性关注不多，且水文事件相似性缺乏统一概念的问题，从流域和水文事件两个层次阐述了水文相似性的概念，系统回顾了水文相似性在模型参数区域化研究、水文时间序列相似性分析等方面的最新进展，总结了研究中存在的问题并做出展望；指出水文相似研究应从加强内在机理性、提升水文模型参数区域化水平、强化水文事件相似性在实时预报调度中的应用等方面继续深入研究。     

水文相似度及其应用

本文分别从流域下垫面、河网发育情况、产汇流影响因素的角度，探索性的提出了几个水文相似性评定指标，并采用层次分析法计算每种水文相似性指标在计算水文相似程度中的权重。以江西雨量站网密度实验区中的朗口和银山流域为研究对象，实例计算了两个流域的水文相似程度，结果证明水文相似度有助于定量化研究水文相似性问题。     

水文预报不确定性对水库防洪调度的影响分析

定量分析预报的不确定性,已成为防洪预报调度风险分析中的关键问题。本文基于Copula函数,提出了可以描述水文预报不确定性随时间演化特性的CUE(Copula-based Uncertainty Evolution Model)模型,并通过该模型模拟了水文预报不确定性序列;基于Monte-Carlo方法和模拟序列,计算了预报不确定性对水库防洪预报调度的影响。结果表明,CUE模型能够很好地模拟水文预报不确定性,采用预报预泄法,对三峡水库进行防洪调度,不会增加防洪风险率。     

基于事件的多元水文数据整编与挖掘

珠江三角洲河网地区水事件频发,且事件又具因果相关、偶发叠加等多元性特点,为此提出基于事件的多元水文数据整编与挖掘思路,在计算机信息系统上实现对多元水文数据的相似性分析和挖掘,可望得出一系列基于事件的经验模型,为防御和应对洪水、暴雨、风暴潮及其他水事件提供决策支持。     

基于面板数据分析方法的混凝土拱坝变形数据时空聚类模型

变形数据可以直接表征混凝土拱坝安全状况,但传统变形分析一般仅针对单个监测点,不同监测点之间变形的相似和关联性质仍有待挖掘。基于时空数据挖掘领域的聚类方法,分析混凝土拱坝变形序列的变化过程,提取变形序列的相似性特征;提出混凝土拱坝变形数据不同时间截面、不同测点变形序列的绝对距离、增量距离、增速距离3种相似性指标及相应的综合距离指标,由此定量分析变形时间截面和变形空间测点的相似程度;利用Ward联结聚类方法,对混凝土坝变形时段及相应变形区域进行划分;在此基础上,建立基于面板数据分析方法的高混凝土坝变形测点聚类分析模型,并结合工程实例,验证时空聚类模型的聚类效果。结果表明所提出的聚类相似性指标合理,时空聚类模型便捷、有效,可用于研究大坝相时段变形状态。     

基于原型监测资料的特高拱坝变形实时风险率模型

混凝土坝风险率分析模型通常基于结构极限状态功能函数对单个监测点一维时间序列建模,未考虑变形监测点之间的相关性及多重共线性问题。基于原型监测资料,考虑各分区所有测点的相关性及不同分区变形之间的协同性,引入面板数据理论对特高拱坝监测点进行聚类分区,在拟定单测点风险率函数的基础上,提出计算特高拱坝变形分区单测点实时风险率的方法,基于Copula函数进一步构建基于原型监测资料的特高拱坝整体实时风险率分析模型。实例分析表明,所构建的模型确定了依据大坝长序列立体监测数据建立变形实测效应量与风险率的函数关系,可有效分析特高拱坝各分区变形风险率及整体变形风险率,能够客观刻画特高拱坝整体风险率变化的基本规律。     

改进的多元方差分析用于黄河水位过程研究

作者从工程应用的角度提出了改进的多元方差分析法。并取黄河下游近年来出现过的三类具突变性洪水的水沙资料，用水沙因子的不同搭配描述其水位过程中的非线性扰动，依据最小均方误差原则得出了高精度的非线性拟合模型。这一模型结构及参数确定方式用于同对断面其它年份水位过程拟合时，精度相同。此外本文还阐明了黄河下游含沙量对水位的影响，及模型参数摆动的物理成因。     

A statistical approach to multisite downscaling of daily extreme temperature series: A case study using data in Bangladesh

Downscaling techniques are required to describe the linkages between Global Climate Model outputs at coarse-grid resolutions to surface hydrologic variables at relevant finer scales for climate change impact and adaptation studies. In particular, several statistical methods have been proposed in many previous studies for downscaling of extreme temperature series for a single local site without taking into account the observed spatial dependence of these series between different locations. The present study proposes therefore an improved statistical approach to downscaling of daily maximum (Tmax) and minimum (Tmin) temperature series located at many different sites concurrently. This new multisite multivariate statistical downscaling (MMSD) method was based on a combination of the modeling of the linkages between local daily temperature extremes and global climate predictors by a multiple linear regression model; and the modeling of its stochastic components by the combined singular value decomposition and multivariate autoregressive (SVD-MAR) model to represent more effectively and more accurately the space-time variabilities of these extreme daily temperature series. Results of an illustrative application using daily extreme temperature data from a network of four weather stations in Bangladesh and two different NCEP/NCAR reanalysis datasets have indicated the effectiveness and accuracy of the proposed approach. In particular, this new approach was found to be able to reproduce accurately the basic statistical properties of the Tmax and Tmin at a single site as well as the spatial variability of temperature extremes between different locations. In addition, it has been demonstrated that the proposed method can produce better results than those given by the widely-used single-site downscaling SDSM procedure, especially in preserving the observed inter-site correlations.     

An autocorrelation function method for estimation of parameters of autoregressive models

An autocorrelation function method was developed for estimating the parameters of autoregressive models. For monthly streamflow series, an ordinary least-squares method was used to optimally determine the parameters by minimizing the sum of the squares of differences between the autocorrelations calculated directly from the observed time series and those from the model-generated streamflow. The approach was tested using numerical simulation and historical data. Numerical results showed that for some generated data series the parameters estimated by the new method were closer to their true values than those obtained from the Yule-Walker equations. For monthly streamflow time series of three stations of Yellow River in China, the historical correlation functions were compared with those from data series generated with the AR(2) model. The autocorrelation function estimated from the generated data series was closer to the observed autocorrelation than that obtained from the Yule-Walker equations. This is even more true for the multivariate autoregressive model.On leave from Institute of Geography, Chinese Academy of Sciences, Beijing 100101, China.     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。     

River Stage Forecasting using Enhanced Partial Correlation Graph

Various time series forecasting methods have been successfully applied for the water-stage forecasting problem. Graphical time series models are a class of multivariate time series to model the spatio-temporal dependencies between the sensors. Constructing graph-based models involve data pre-processing and correlation analysis to capture the dynamics of different water flow scenarios, which is not scalable for a large network of sensors. This paper presents a novel approach to model spatio-temporal dependencies across river network stations using a partial correlation graph. We also provide a method to enrich this partial correlation graph by eliminating the spurious correlations. We demonstrate the utility of enriched partial correlation graphs in multivariate forecasting for various scenarios and state-of-the-art multivariate forecasting models. We observe that the forecasting techniques that use information from the enriched partial correlation graph outperform standard time series forecasting approaches for river network forecasting.

     

长江上游径流混沌动力特性及其集成预测研究

针对长江上游干流主要站点月径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对其月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统混沌特征参数辨识为切入点,研究并发现了流域内在特性作用下月径流时间序列动力响应的混沌现象,推求了月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上,以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进AdaBoost.RT算法改进极限学习机模型的学习性能,得到最佳的混沌集成学习月径流时间序列预测模型。实例研究结果表明,所提方法和模型能够显著提高单一极限学习机模型的泛化性和稳定性,从而获得更优越的预报性能。     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。