基于人工神经网络和正规化周期回归的耦合模型及其应用

利用方差分析周期外推方法,提出了改进的正规化周期回归模型,将该模型应用到新丰江流域的径流序列,进行模拟和预测,计算结果表明：长期趋势项和周期项拟合后基本上能够反映出实测径流序列的特征和变化,但预报的精度还不够高,为此,提出了基于人工神经网络和正规化周期回归的耦合模型,对周期回归模型分离出来的随机项时间序列进行BP神经网络的分析、计算预测,并且把预测的结果拟合到周期回归模型的预测结果中,从而达到了从整体上提高预测精度的目的。     

四棵树河中长期径流量预测浅析

本文利用了四棵树河吉勒德水文站（1955年～2008年）的水文、气象等资料,分析了径流中长期变化的规律和影响因素,把河流水量等预报对象作为随机变量,把分析得出的各个影响因素作为预报因子,然后应用回归分析或判别分析的方法对预报因子进行筛选。考虑到水文序列的非平稳性,把水文序列分解成趋势项、周期项、平稳项,然后分项预测,叠加后得到预报结果,以此来预测四棵树河流域2009年的水量趋势。     

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。     

珠江梧州水文站枯季月径流预报

梧州站流量作为珠江下游河口地区压咸控制流量,其上游来水的丰枯直接关系到珠江流域枯季水量统一调度的成功实施。基于梧州站枯季(10月-3月)月径流资料,采用逐步回归法提取径流序列的趋势项、周期项,自回归方法预测随机项的组合预测方法建立了梧州站枯季径流预报模型。结果表明:逐步回归与自回归组合的方法在径流预报中取得了较好的预报效果,1月径流预报精度达到甲等,10月、11月、12月、2月以及3月预报精度均达到乙等,可用于实际水文预报工作中。     

水文时间序列逐步回归随机组合预测模型及其应用

由于气候因素和下垫面因素的综合影响,水文时间序列表现出复杂的非线性,包括确定性成分和随机成分,如月径流序列、日均流量序列等。这些预报对象如果不加处理直接用AR（p）建模进行预测误差较大。文中介绍了通过对非平稳序列提取周期项和趋势项后的余差序列建立AR（p）模型进行水文中长期预报的组合预测方法,并以嘉陵江北碚站7月最大洪峰流量序列为例对组合模型进行验证,结果比较满意。     

长期洪水预报方法的应用探讨

时间序列的周期分析与预报最常用的方法之一就是方差分析方法.方差分析周期外推法有两个优点,即比自回归模型(AR)、自回归滑动平均模型(ARMA)等对极值拟合得好.但是,方差分析方法给出的周期是平均状态,且假定未来时期内保持不变,这样做的结果往往使得预报与实测有较大的出入.     

组合预报在乌江渡水文预报中的应用

利用1951-2006年乌江渡月径流量和74项气象因子建立逐步回归、时间序列、周期均值叠加、多元线性回归、岭回归模型,对2007年和2008年月径流量进行预报以检验效果。按要求将各水文模型进行加权组合预报,共五种组合均提高了拟合、预报结果的精度和稳定性。     

基于改进灰色-周期外延模型的中长期水文预报

通过分析灰色系统理论和周期分析方法在水文预报中的各自特点,建立了灰色-周期外延组合预报模型。针对模型预报误差,采用AR(p)模型对误差序列进行拟合和预测,并据此对原模型预测值进行校正。将改进后的模型应用于中长期径流预报实例计算中,结果表明,改进后的模型更好地利用了实测系列的信息,具有更高的预报精度。     

水文周期迭加预报模型的改进及应用

 周期迭加预报是中长期水文预报的一种实用模型。针对该模型中用方差分析方法无法处理而舍弃的最终残余系列,提出了最终余波概念及相应的分析方法,实现了对最终余波的信息挖掘利用。应用结果表明,改进后的模型更好地利用了径流系列的信息,提高了预报的精度。     

GSAAR综合模型在水文预报中的应用

从分析水文序列自身演变规律的角度出发，分别引入灰色系统理论、频谱分析法和自回归模型来分离趋势项、周期项和随机项，建立了GSAAR综合预报模型。实例计算结果表明，该模型具有良好的适用性和预报精度。     

非稳态条件下的中长期径流耦合预报方法

气候变化会导致水文序列的非稳态性,从而给水文预报带来新的挑战。以疏勒河上游为例,提出了一种适于非稳态条件下的新的中长期径流预报方法。根据疏勒河径流的补给来源及其受气候变化的影响,按照时间序列模型的思路,依次提取趋势项和周期项,对剩余的随机项采用基于水文-气象遥相关模型,构建了时间序列与水文-气象遥相关的耦合模型。对比分析时间序列法、水文-气象遥相关法和耦合预报法对昌马堡站径流预报的结果,发现耦合预报方法不仅精度最高、模型可信度最高,而且可以描述非稳态的趋势性变化。     

面向不平稳径流序列的中长期径流预测方法

针对不平稳序列中长期径流预测精度低的问题,构建了趋势分析与周期叠加组合的预测方法。利用逐步回归趋势分析技术将不平稳径流序列分离为趋势序列和平稳序列两部分,对趋势序列采用趋势回归技术进行预测,对平稳序列采用周期均值叠加技术进行预测,然后将两者预测结果叠加得到最终的预测值。以黄河中游3个水文测站为例进行实例检验,结果表明:趋势序列采用逐步回归技术进行预测,能更准确表达序列的趋势性,从而提高预测精度;采用趋势分析与周期叠加组合的方法模拟月径流量,效果明显好于直接采用周期叠加的方法,能达到中长期径流预测的精度要求。     

基于经验模态分解和LSTM模型的滑坡位移预测

建立高精度的位移预测模型对滑坡的提前预报具有重要意义,然而以往的研究多是选用静态预测模型,无法满足滑坡的动态特性。鉴于此,以三峡库区新滩滑坡为例,选用了近期较为流行的长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测。首先选用经验模态分解法(EMD)将滑坡累积位移分解成趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用动态LSTM模型预测周期项位移;最后将各分量位移累加得到最终的模型计算值。结果表明:LSTM模型预测结果的均方根误差为17.07 mm,相关性系数达0.999,具有较高的预测精度,为"阶梯状"滑坡位移的预测提供了一种可行的思路。     

ARIMA模型在松华坝水库枯季入流预测中的应用

为探索ARIMA模型在水文中长期预报的适应性,以预报松华坝水库枯季入流为例,选取该水库主要入流控制站中和水文站枯季（11月-次年4月）径流建立数学模型进行分析预测,并与周期时间序列模型的预测结果进行对比,结果表明ARIMA模型预测精度优于周期时间序列模型预测成果,可应用于水文预报工作中。     

非平稳复杂年径流序列分析及耦合模型研究

本文针对复杂的年径流序列,提出首先识别并处理跳跃项,然后再进行趋势项、周期项的识别和提取,接着对剩余序列建立随机项模型,最终将趋势项模型、周期项模型和随机项模型耦合,建立复杂年径流预测耦合模型的新思路。并对某流域的年径流序列进行分析和预测,其预报结果具有一定的精度,表明模型是有效的,对其它复杂径流序列的研究具有一定的借鉴和指导作用。     

时间序列分析方法在郑州市降水量预报中的应用

根据1971年-2013年郑州市的降水量资料,采用二次多项式拟合提取降水量的趋势分量,采用谐波分析法提取降水量的周期成分,利用自回归模型求解随机成分,最后将三者叠加,构建了郑州市降水量的预报模型。模型计算结果与实测数据对比可知,应用预报模型对降水量进行预报精度较高。因此利用建立的预报模型对2014年-2016三年的降水量进行了预测,为该区水资源的管理提供依据。     

基于ARIMA时间序列模型的滑坡位移预测预报——以三峡库区王家坡滑坡为例

为深入研究滑坡的位移特性,以三峡库区王家坡滑坡为例,基于简单移动平均法及时间序列的减法模型分解滑坡位移的趋势项位移和周期项位移,对趋势项位移采取多项式拟合处理,对周期项位移进行一阶差分处理,并分析其自相关函数ACF及偏自相关函数PACF,然后根据模型的识别规则,建立了ARIMA(1,1,1)模型。根据时间序列的加法模型,将两部分预测位移相加即为滑坡位移预测的总位移。模型与实测结果对比表明,该预测预报模型效果较好,基本反映了滑坡位移的整体趋势,且实现了对滑坡累积位移的滚动预测,在滑坡累积位移短期预测预报中具有一定的适用性。     

时间序列分析在四平地区地下水水位预报中的应用

本文对四平地区地下水水位观测资料进行了分析,运用时间序列分析方法建立了地下水位预报模型.首先对序列提取了趋势项和周期项,然后利用自回归(AR)模型建立了随机模型,将三者进行线性叠加便得到地下水水位预报模型,最后对已建立的模型进行检验.结果表明,所建立的地下水水位预报模型,具有较高的精度.     

入库流量中长期预报中几种方法的对比

对回归分析法、BP神经网络、RBF神经网络以及灰色GM(1,1)模型用于水文预报的精度进行了对比研究。结果表明:①BP神经网络与RBF神经网络对实测数据有着较好的逼近能力,且预报精度明显优于其他预报方法;②多元线性回归分析对实测数据的模拟能力和预报精度次于神经网络;③灰色模型对随机现象的模拟和预报很难达到精度要求,其水文预报精度不很理想。     

均生函数模型在水文预报中的应用

水文预报是一项惠及国计民生的大事,由此做好水文预报工作就显得尤为重要。文章以松花江流域中下游的佳木斯水文站为研究背景,运用均生函数模型,率定参数、选取特征明显的因子,从而拟合实际序列和预测序列,在拟合多较好的基础上进行一段时间的水文预报工作。结果表明,该方法可以较为有效的表达未来一段时间的水文情势。