基于API模型的中小水库洪水预报理论研究与系统开发

入库洪水实时预报是中小水库管理单位共同面临的难题,本文运用API（前期雨量指数）产流模型配合谢尔曼单位线进行汇流计算,结合中小水库产汇流特点,合理概化并优选参数,提出了一种适用于中小水库入库洪水实时预报方案,进一步基于国产组态软件实现二次开发,设计了一款适用于中小水库入库洪水预报软件,适配国内主流水情自动测报系统。以重庆某水库2013-2022年实测入库流量为研究对象,结果表明本预报方案具有一定精度,可供无洪水预报系统中小水库管理技术人员参考使用。     

微机在水库洪水预报中的应用

本文介绍用微机实现水库短期洪水预报的一种数字模型、编程特点、工作过程、演算实例。编程简明实用,结果与实测数值很接近。本模式适用于超渗产流的流域地区。     

水库洪水预报-调度-演进一体化模型研究及应用

我国东南沿海地区受梅汛和台风暴雨影响,洪水灾害频发。水库作为重要的防洪工程措施,其精准预报、有效调度对于防御洪水,降低洪水风险具有重要意义。本文以温州市泽雅水库为研究对象,构建三水源新安江模型、马斯京根河道演算、水库调度模型、一二维水动力串联耦合模型,形成水库预报-调度-演进一体化模型。建成的一体化模型集成接入泽雅智慧水库平台,推动水库防洪业务数字化转型。经历史洪水模拟结果分析,泽雅水库洪水预报、防洪调度及下游洪水演进模型能够满足水库保护下游城镇安全的要求,有助于提高水库洪水预报调度科学化、数字化、精细化水平。     

BP算法在辽宁观音阁水库枯季地表入库径流实时预报中的应用

根据太子河流域降水和产汇流特点,利用流域试点区观音阁水库枯季入库径流量、上游汛期降水量、汛末入库径流量和枯季降水量等实测系列资料,对所建立的BP神经网络模型进行训练、检验和对比分析,结果表明,所建立的枯季径流BP预报模型是合理可行的,并且具备较高的精度,可在同类地区推广使用。     

智慧水利在四川洪水预报和防洪调度中的应用

随着水利部大力推进智慧水利建设,智慧水利已成为全国水利行业发展的必然方向。为探索智慧水利在洪水预报和防洪调度中的应用成效,简要说明四川省水旱灾害防御形势和预报调度技术发展现状,以四川省智慧水利建设为切入点,系统介绍水旱灾害防御智慧水利总框架,从感知层、支撑层、应用层对四川省洪水预报和防洪调度工作中的水文要素感知,信息存储传输,值班管理,实时水雨情监测,防汛形势分析,预报调度,水文应急分析,水情服务等关键环节进行详细阐述。以智慧水利在四川省 2020 年流域性特大暴雨洪水过程为例,通过分析洪水作业预报精度和流域水库群调度削峰滞洪成效,以及对比近年来防汛减灾经济效益增长情况等方式,说明智慧水利建设能够大幅提升水文监测自动化、预警预报实时化、预报调度一体化、分析评价智能化水平,带来更大的防汛减灾效益。     

基于Grid Services的水库洪水预报系统研究

该文在深入研究Grid Services技术的一些最新学术和应用成果基础上,结合目前水库洪水预报系统的需求分析和设计原则,系统地论证了使用Grid Services技术实现水库洪水预报系统可行性和优势。同时根据系统特性和要求,给出了基于Grid Services的水库洪水预报系统的基本框架结构,为实现在Internet环境下进行洪水预报调度提供了分布式计算平台。     

水库预报调度模型应用研究

围绕全面提升水旱灾害防御能力的重点,探索新阶段水利高质量发展路径。珠海市水旱防御指挥决策支持系统平台依托珠海市“三防”系统二期工程,很好地契合智慧水利的相关要求。平台集成新安江模型构建的来水预报模型和基于水量平衡原理构建的水库调度模型,结合降雨预报数据,对水库来水情况作出预报,并基于输入的排水、供水量,即时反映水库的水位与库容变化情况。通过对平台的这两部分模型进行详细介绍与案例展示,证实具有较好的实用性,能够适用于珠海市流域水库。该平台可以在水库日常运行管理中,为水库管理人员预报调度提供帮助,也可为类似问题提供经验借鉴。     

基于Grid Services的水库洪水预报系统研究

该文在深入研究Grid Services技术的一些最新学术和应用成果基础上,结合目前水库洪水预报系统的需求分析和设计原则,系统地论证了使用Grid Services技术实现水库洪水预报系统可行性和优势。同时根据系统特性和要求,给出了基于Grid Services的水库洪水预报系统的基本框架结构．为实现在Internet环境下进行洪水预报调度提供了分布式计算平台。     

A distance-based fuzzy time series model for exchange rates forecasting

Fuzzy time series model has been successfully employed in predicting stock prices and foreign exchange rates. In this paper, we propose a new fuzzy time series model termed as distance-based fuzzy time series (DBFTS) to predict the exchange rate. Unlike the existing fuzzy time series models which require exact match of the fuzzy logic relationships (FLRs), the distance-based fuzzy time series model uses the distance between two FLRs in selecting prediction rules. To predict the exchange rate, a two factors distance-based fuzzy time series model is constructed. The first factor of the model is the exchange rate itself and the second factor comprises many candidate variables affecting the fluctuation of exchange rates. Using the exchange rate data released by the Central Bank of Taiwan, we conducted several experiments on exchange rate forecasting. The experiment results showed that the distance-based fuzzy time series outperformed the random walk model and the artificial neural network model in terms of mean square error.     

改进时间序列模型在高速公路短时交通流量预测中的应用

为了提高短时交通流预测精度,针对传统时间序列模型在进行交通流量预测时存在无法动态调整模型参数、样本量过大导致序列的平稳性减弱、建模过程复杂等不足,从样本序列的动态选取及模型识别两方面进行优化,提出了一种改进的时间序列模型。利用渝武高速公路微波车检器的实测流量数据对改进前后的时间序列模型进行了实验验证和对比分析,结果表明改进后的时间序列模型有效克服了传统时间序列模型的不足,并对不同的交通流状况具有较好的适应性,无论在工作日还是节假日均具有更高的预测精度。     

间歇性时间序列的可预测性评估及联合预测方法

在高端制造企业的运维业务中,配件需求随机发生,且伴随有大量的零需求阶段,同时,对应的配件需求数据量小,且呈现出间歇性和块状分布的特点,导致现有时间序列预测方法难以有效预测配件需求走势。为解决该问题,提出了一种间歇性时间序列的可预测性评估及联合预测方法。首先,提出了一种新的间歇相似度指标,通过统计两条序列中“0”元素出现的频次和位置,并结合最大信息系数和平均需求间隔等度量指标,有效评估了序列的趋势信息和波动规律,并实现了对间歇性序列可预测性的量化;其次,基于该指标,构建了一个间歇相似度层次聚类方法来自适应地筛选相似性高、可预测性强的序列,剔除极度稀疏、无法预测的序列;此外,探索利用序列间的结构化信息,并构建多输出支持向量回归（M-SVR）模型,从而实现小样本下的间歇性序列联合预测;最后,分别在两个公开数据集（UCI礼品零售数据集和华为电脑配件数据集）和某大型制造企业实际配件售后数据集上进行实验。实验结果表明,相比多个典型的时间序列预测方法,所提方法可有效挖掘各类间歇性序列的可预测性,提高小样本间歇性序列的预测精度,从而为制造企业配件需求预测提供了一种新的解决方案。     

季节性组合预测模型在医院门诊量中的应用研究

医院门诊量是一个具有复杂的非线性组合特征的季节性时问序列。为解决传统时间序列预测大多数都是使用单一模型，以致影响预测精度等问题，采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示，季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法，为季节性时间序列预测提供了一种新的实用方法。     

基于AR_SVR模型的时间序列预测算法的研究

掌握农产品未来价格变化趋势,有利于正确引导农业生产,提出一种基于自回归与支持向量回归(auto regressive and support vector regression,AR_SVR)模型的非平稳时间序列预测方法.首先,利用AR模型对非平稳时间序列进行季节差分和差分,使其具有平稳性,然后给平稳序列定阶,最后用SVR模型拟合平稳序列,回推得出原始序列的预测值.实验结果表明,AR_SVR模型预测值与真实值很接近,具有较好的预测效果.     

秦淮河流域东山站洪水位预报模型研究

为了提高秦淮河流域洪水预报的水平,对东山站洪水位过程预报模型进行深入研究。采用线性动态系统模型与BP人工神经网络模型建立东山站洪水位逐时段预报模型,采用2010—2015年及2016—2017年汛期秦淮河流域实测雨量和东山站水位资料对模型进行率定和验证。结果表明:东山站洪水位逐时段预报的BP人工神经网络模型相对于线性动态系统模型具有较高的精度;相对于一维河网水动力模型,简单实用。     

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进动态递归的生成训练数据,利用混沌特性处理样本及优化网络结构,用递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测,其结果与已有网络模型预测的结果相比较,精度有很大提高。因此,证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。     

改进ARIMA模型在医药需求预测中的研究

为满足卫生部对三级医院库存周转率的要求,提出一种基于小波变换和相似性度量的线性改进模型。基于滑动窗口的数据流相似性原理检验原始序列,小波分解后,根据其线性特征分别搭建模型分而治之,小波重构综合各分量的预测值得到终值。仿真结果表明,该模型提高了突变节点处的预测精度,在模式和非模式集中有优秀的拟合效果和精准的预测效果,验证了该模型的有效性。     

神经网络在洪水预测中的应用研究

对基于神经网络的洪水序列预测方法进行了研究.将动态学习率、惯性冲量方法改进的神经网络模型用于水文时间序列洪水预报中,提出以确定性系数最大为评价标准的参数优选方法.经两个洪水序列的实例研究结果表明,神经网络对于变化平缓的洪水序列,预报效果很好,对于彼动剧烈的复杂水文序列,洪水预报效果不如前者.