基于ARMA模型的水文序列相依变异分级方法及验证

受自然和人为等因素的影响,水文情势和地理环境不断发生显著变化,不同水文要素形成的水文时间序列常呈现出一定的相依性。为定量研究水文序列中的这种相依现象,本文以自回归滑动平均模型ARMA为例,选取原始水文序列与其相依成分间的相关系数为衡量标准,提出对相依变异强弱程度分级的一种方法。先用公式推导的方式从原理上阐明相关系数与序列的自回归系数和滑动平均系数存在的关系,从而建立相关系数与序列自相关系数的联系,再选择合理阈值作为分级界限,把相关系数划分为5段区间,对应描述5种不同强弱的相依变异程度。分别以较低阶数的ARMA模型为例,通过统计试验验证了以相关系数作为分级指标的合理性。将所提方法分别应用于模拟时间序列和实测水文序列,并结合物理成因从气候变化和人类活动两个方面对实测径流序列的相依变异分级结果进行了分析与验证,结果表明该方法合理可靠。     

基于ARMA模型的水文数据预测

针对小样本水文数据序列难以准确预测的特点,将时间序列分析运用于水文数据的预测分析,研究基于AIC定阶准则和遗传算法定阶的ARMA模型,并将其运用于周期性水文数据的预测。根据模型建立的需要及数据周期性的特点,对原始数据进行季节差分等优化处理,并将建立的模型运用于某水文站流量数据的预测。结果表明,基于ARMA模型对流量数据的预测精度远远高于传统的神经网路模型,其中基于AIC准则定阶的模型比遗传算法定阶的模型精度高2.96%,从而为小样本水文数据的预测分析提供一种新的思路。     

大盈江泥沙时间序列预测模型

采用时间序列自回归滑动平均(ARIMA)预测模型,对伊洛瓦底江支流大盈江拉贺练水文站1980～2005年平均含沙量资料进行建模预测.综合AIC值、相对误差,确定模型的阶数,运用Marquaredt非线性最小二乘法估计模型参数,建立ARIMA预测模型.经检验,AIC=-114,相对误差全部低于20%,残差序列为白噪声序列,表明ARIMA(1,3,2)模型较为合理.应用模型对2006～2009年拉贺练水文站的年平均含沙量进行了预测,实现河流输沙状况的短期预报.     

计及模型定阶的低频振荡模式类噪声信号辨识

弱阻尼低频振荡是影响互联电网安全稳定运行的主要因素,但目前基于测量信息只能在振荡发生后进行告警,而不能预警。大量广域实测数据表明,因负荷的随机变化,电网内持续存在类似噪声信号的小幅波动。文中基于这种类噪声信号,采用自回归滑动平均（ARMA）法进行低频振荡模式辨识,从而实现电网正常运行状态下的动态稳定性预警。模型定阶是利用ARMA法进行振荡模式辨识的关键步骤,直接关系到结果的准确性。在分析比较各种定阶准则优缺点的基础上,选用贝叶斯准则（BIC）确定ARMA模型阶数,进一步面向在线实际应用,采用ARMA（2n,2n-1）建模方案提高辨识速度。最后,将该方法用于对36节点系统仿真数据和南方电网实测类噪声信号进行处理,辨识结果说明了该方法的有效性。     

水文时间序列AR(P)模型阶数的识别

介绍水文时间序列AR(P)模型的建立及其在中长期水文预报中的应用，并对确定模型阶数P的方法进行了总结和分析，力求进一步提高中长期预报的精度。     

改进最小二乘递推算法的洪水预报应用研究

建立线性自回归模型,应用于洪水实时预报,并应用AIC、BIC这两种准则以确定自回归模型的阶数。最小二乘递推算法是估计自回归参数的一种常见方法。最小二乘法估算出的模型参数在预报误差平方和最小的条件下是最优解。研究中,为了强化时变系统的辩识以提高洪水预报精度,对数据采取衰减记忆、有限记忆及时变衰减记忆的方式,对基本的最小二乘递推算法提出了三种改进形式,并利用这几种改进算法进行了洪水演算,最后对几种算法的演算结果进行了比较。     

模型选择准则在洪水频率分析中的应用

以广东省北江流域的长坝、坪石、犁市、韶关4站以及韩江流域的溪口站和珠江三角洲的流溪河站的洪峰流量频率分析为背景,选用6种常用的频率分布线型(模型)进行分析计算,采用线性矩法估计出模型的参数,分别用较少用于水文的模型选择准则AIC、AICc、BIC和ADC进行考虑历史洪水的频率分布模型的选择。结果表明:4种不同模型选择准则对同一站的洪水洪峰流量频率分布线型的选择结果基本一致,与实际资料拟合较好。6站选择的最优线型虽然传统的皮尔逊3型比较多,但最多的是LN型。     

模型选择准则在洪水频率分析中的应用

以广东省北江流域的长坝、坪石、犁市、韶关4站以及韩江流域的溪口站和珠江三角洲的流溪河站的洪峰流量频率分析为背景，选用6种常用的频率分布线型(模型)进行分析计算，采用线性矩法估计出模型的参数，分别用较少用于水文的模型选择准则AIC、AICc、BIC和ADC进行考虑历史洪水的频率分布模型的选择。结果表明: 4种不同模型选择准则对同一站的洪水洪峰流量频率分布线型的选择结果基本一致，与实际资料拟合较好。6站选择的最优线型虽然传统的P3型比较多，但最多的是LN型。     

门限自回归模型预测软土地基沉降

以某在建港区软土地基处理工程为例,基于现场监测原始数据,采用时间序列分析方法建立软土地基沉降预测的门限自回归模型,运用最小信息准则(AIC)进行模型参数估计。结果表明,所建立的预测模型其一步预测值精度较高,并可以实现计算机在线建模,对工程进行实时监控,适合该在建港区软土地基处理工程的固结沉降预测。更多还原     

韩江流域横山站蒸发量季节周期预报模型

采用季节周期SARIMA模型预报横山水文站2008年1月至12月蒸发量。根据AIC准则优选模型阶数,采用非线性最小二乘法估计模型参数,残差序列经x2检验为白噪声序列,模型较合理。对横山站2008年月蒸发量预报结果表明,SARIMA模型预报精度较高,预报误差低于20%的月份占全年91.7%,相对误差低于10%的月份占全年58.3%。     

基于异方差检验的水文过程隐含周期分析模型及其应用——Ⅰ：模型

本文在讨论水文时序平稳性和异方差性的基础上,提出了检测水文时序隐含周期的模型,即对水文时序设计对数变换序列,提高序列的平稳性;建立相应的自回归模型降低残差的异方差性;通过对所得平稳序列进行周期图分析确定可能的主周期分量。针对水文时序的特性提出包括具有确定频率的正弦项存在性检验、具有确定整数周期的非正弦周期项存在性检验和非确定频率的隐含周期性检验(Fisher检验)三种检验方式,可择其中一种确定主周期的显著水平。采用该模型可以解决利用自相关函数判断序列周期性所不能解决的问题,可进一步挖掘数据隐含的、深层次信息。最后,本文还编制了水文时序隐含周期的计算流程。在理论上,该模型不仅解决了隐含周期的检测问题,对于有确定周期的序列亦适用。     

基于AR-RNN的多变量水位预测模型研究

影响河流水位的因素众多,鉴于传统的单变量水文预测模型无法充分考虑众多因素,提出了一种基于AR-RNN的多变量水位预测模型。模型包含循环神经网络(RNN)与自回归模型(AR)两个部分。RNN部分为模型引入了大量的非线性层,帮助模型拟合水文序列中的非线性成分。但是大量的非线性层降低了模型对于线性成分的敏感性,AR部分可以提高模型对于线性成分的敏感性,使得模型在水位峰值处的预测更加准确。将AR-RNN模型应用于四川省清溪河流域的水位预测中,结果表明:相对于ARIMA模型、SVR模型和BP神经网络,AR-RNN模型的预测精度更高。     

基于运动扩散模型的含零值降水序列频率计算

应用运动扩散(KD)模型,研究含零值降水序列频率计算。以陕西省6个测站2月份降水序列为例,在Strupczewski推导矩法、极大似然法参数计算公式的基础上,利用数学变换原理和数值计算原理,推导了KD模型含零值序列分布概率权重矩法参数计算公式。采用AIC准则、OLS准则和残差平方和(RSS)最小准则,进行KD模型、频率比例法和II型乘法分布模型拟合效果评价。结果表明:KD模型可以应用于含零值降水序列频率计算,且该模型拟合效果优于频率比例法和II型乘法分布法;3种KD模型参数估计方法中,概率权重矩法估计KD模型参数拟合度最优。文中方法以期为我国含零值水文序列频率计算提供一种新的计算方法。     

融合小波阈值与多维自回归的时序预报模型研究

针对传统统计模型并不能完全涵盖位移影响分量信息以及真实影响分量信息易受到噪声干扰等问题，提出了一种融合小波阈值理论与多维自回归的混凝土坝位移时序预报模型。该方法主要是将小波阈值理论与时间序列算法结合起来创建混凝土坝位移时序预报模型，模型通过不同小波分解层数、小波基、阈值选取准则、阈值函数集成出一个MATLAB编码平台进行数据平滑处理，能高效挖掘大坝位移数据的影响分量信息，并选择自回归(autoregressive model, AR)时间序列模型作为预报模型。实例应用表明，新的融合模型预测性能较好，能有效监测大坝运行状态，且其分析结果对于其他数字工程的数据预测也具参考价值。     

灰色系统在瑞丽江长期水文预报中的应用

根据瑞丽江防汛抗旱、水资源管理等工作的实际需要,选取流域内有代表性的戛中、等戛水文站为实例,采用灰序列关联分析技术对年径流量和年最大洪峰流量两要素进行预测,并与自回归模型AR(P)的预测结果进行对比,证明灰序列关联分析法预测精度优于自回归模型AR(p)。     

遗传门限自回归模型的改进及其应用

 针对门限自回归模型在实际应用过程中预测效果差于拟合效果的情况,对门限自回归模型作了改进,即：在对时序x(i)拟合和预测时,AR式靠近i半个周期的观测值用门限自回归模型的拟合和预测的计算值代替;为了清晰直观地确定出延迟步数及门限区间AR模型的阶数,提出了通过绘制自相关系数图来确定。实例表明,该改进方法提高了遗传门限自回归模型的稳定性和实用性,模型在大坝安全位移监测预报中得到了成功的应用。     

ANN、ANFIS和AR模型在日径流时间序列预测中的应用比较

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,通过研究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。     

基于EEMD-AR模型的丹江口水库年径流随机模拟与预报

基于水库历史年入库径流序列组分分析和识别,采用线性趋势回归检验法、有序聚类法、方差线谱法等方法,推求出序列趋势项、跳跃项及周期项等确定性成分,提出基于集合经验模态分解法(EEMD方法)的水库年径流自回归随机模拟模型(EEMD-AR),并应用于丹江口水库的年径流随机模拟和预报中。通过EEMD分解,解决了当丹江口水库历史年径流序列为非平稳序列时不能直接应用自回归模型(AR)进行随机模拟和预报的问题。模拟结果表明,EEMD-AR模型能较好地模拟丹江口水库年径流序列并保持原历史序列的统计特性,且模型预报精度符合要求。     

随机水文学(五)

前面我们讨论了水文时间序列的特性,对于其变化的重要特性,可以用水文随机模型来表征。换言之,水文随机模型是以数学表达式对水文时间序列统计变化特性的概括。所以也可将水文随机模型理解为水文时间序列的估计总体。因此,只要对讨论的水文时间序列建立了随机模型,那么该序列的重要统计特性,不仅可通过模型获得,而且还可模拟出各种可能出现的水文时间序列样本。这在水资源规划设计中非常有用。 当水文时间序列中的趋势成分和周期成分排除以后,其余下的随机成分多应用简单的一阶自回归模型和最简单的自回归滑动平均模型来表征。当序列中无趋势成分和周期     

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.