时间序列模型在北京西山地区岩溶地下水位预测中的应用

作为北京水资源储备区,北京西山地区地下水位动态变化对北京市水资源管理具有重大意义。时间序列模型是研究预测地下水水位动态变化特征的有效方法。为了解北京西山地区地下水位未来变化趋势,本文选用北京西山地区地下水位长观序列,通过拟合序列的趋势项、周期项及随机项分量,建立地下水位动态变化模型。模型精度检验表明模型拟合程度良好,预测结果显示西山地区未来五年内地下水位呈现动态平衡状态。     

时间序列分析在地下水位动态预测中的应用

运用时间序列分析理论,结合SPSS统计分析软件对贺兰县地下水位动态变化进行了模拟和预测。结果表明:研究区地下水位年际变化无明显上升或下降的趋势,这表明研究区地下水补径排条件近年来变化不大。受灌溉和降雨的影响,研究区地下水位变化主要表现为一年的显著周期。将时间序列分析方法应用于地下水位动态预测,可以了解地下水位的变化趋势和周期性。该法计算简单,所需资料较少,短期预测精度较高。但是在实际应用时,数据需要不断及时更新。同时由于没有考虑地下水流系统的动力学机制和未来突变情况,应用时受到了一定限制,还需进一步完善。     

时间序列分解模型在乌拉斯台河年径流量预测中的应用研究

在剖析了现有年径流量预测方法的基础上,根据乌拉斯台河年径流量(1960年~1989年)序列的长期变化特征,提出了时间序列分解预测模型,即将年径流系列分解为趋势项、周期项、随机项,通过对其各项进行识别、提取,再将各项线性叠加,从而建立年径流量预测模型。从模型的识别过程可得,乌拉斯台河年径流具有不显著的递减趋势和明显的周期变化,同时具有一定的随机性。从模型的检验来看,所建模型具有较好的适应性和预报精度,并且拟合效果较好,说明这种预测方法有一定的实用性。     

时间序列预测法在大坝变形监测数据处理中的应用

对变形数据的分析与预测是变形监测数据处理的重要内容.从时间序列的基本原理出发,详细论述了如何使用这种方法对变形监测数据进行建模与预测,并通过实例计算验证了此种方法具有较高的拟合和预测精度,较好地描述了变形监测点的变化规律.     

QuikSCAT/NCEP混合风场资料在海上风资源评估中的应用

采用QuikSCAT/NCEP混合风场资料,初步分析了海上无资料地区风资源,为海上风资源普杳提供参考.分析显示,粤东沿岸海面风速高于粤西,这与近岸气象台站观测资料推算结果一致,粤东沿岸海面10 m年平均风功率密度均大于250 W/m<'2>,风能资源等级达到很好.     

用时间序列模型预测深层地下水位

研究地下水水位下降规律,预测未来变化趋势,对地下水合理开发利用和水源规划具有重要意义.此文介绍了用时间序列分析方法建立地下水水位埋深预测模型的方法,并对模型进行了评定和检验,结果表明,该模型具有较高的拟合精度和预测精度.     

时间序列分析在中长期径流预测中的应用

时间序列分析是数据挖掘技术在水文领域应用较为广泛的一种方法,它可以从大量的水文数据中提取一般性的规律,为中长期径流预测提供新的分析方法和科学的决策支持。文中采用时间序列分析方法对察尔森水库的中长期径流进行预测,为开展中长期径流预测研究提供借鉴和参考。     

时间序列分析在地下水位预报中的应用

依据北京市地下水位观测井月平均水位资料,运用逐步自回归模型、指数平滑模型、季节性模型3种时间序列模型分别建立地下水位动态模拟和预测模型,并对模型的模拟和预测精度进行对比分析。通过应用实例分析反映,时间序列模型可较全面地反映地下水位动态变化规律,且计算简单,所需资料较少且易于获得,可以作为一种简易快速的地下水位模拟预测模型,能为地下水资源合理开发利用和科学管理提供参考依据。     

时间序列分解模型在大坝变形预测中的应用

基于时间序列分解法建立大坝变形预测模型。引入灰色系统理论来分离趋项,并将全域法分析和时间序列有机结合。从预测结果可以看出,模型具有较高的预测精度。     

闽江下游水质预测的时间序列模型

该文将线性时间序列模型－自回归模型引入环境水文地质学领域，利用闽江下游水质pH值以及浑浊度观测序列资料，建立描述水质变化的自回归模型。结果表明，所建模型能用于水质变化的中，长期预测工作，对合理开发利用及有效保护闽江下游水利资源具有实用价值。     

混沌水文时间序列区间预测研究

本文提出了一种混沌水文时间序列区间预测算法。该算法首先利用关联积分法计算嵌入参数，重构水文时间序列的相空间，而后采用交叉迭代模糊聚类算法确定当前时刻相点的相似状态，并依据给定的不同区间风险度，动态得到未来某一时刻水文要素值的取值区间。作为分析研究，本文采用长江寸滩水文站的月径流时间序列作为研究对象，对其进行非线性水文中长期区间预测研究。结果表明该方法不但可以避免混沌点预测中局部邻域确定的任意性问题，而且还避免了混沌点预测中必须模拟确定性的混沌规则，无法控制其误差的问题。     

基于遗传算法-支持向量机的水库叶绿素a浓度短期预测非线性时序模型

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型。在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量。最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测。预测精度比单纯用人工神经网络方法有较大提高。     

基于EEMD-RVM的土石坝渗流量时间序列预测模型

为避免常规时间序列模型因不考虑非线性环境量而出现过拟合及预测精度不高的现象,建立了基于EEMD-RVM的土石坝渗流量时间序列预测模型.该模型采用集成经验模态分解法(EEMD)对量水堰渗流量监测值进行分解,生成多组平稳本征模态函数(IMF)及剩余分量R,然后采用相关向量机(RVM)对若干组IMF序列和R进行训练拟合及预测...     

贝叶斯框架下的大坝变形交互式时变预测模型及其验证

大坝变形是同一时刻内外多重风险因素综合作用的结果,应用时序分析方法挖掘历史监测数据潜在规律是变形预测的常用方法,现有时变预测模型不仅参数配置难度高,且难以融入专业知识,导致预测效果并不理想。本文提出一种耦合自动预测算法与大坝专业知识的交互式变形预测模型。该模型在贝叶斯框架下,以加法模型为基础重构各时序分解项作为模型底层,根据仿真结果甄选模型参数缺省值进行自动预测,通过结合参数化检测与直观参数配置实现交互式建模,并借助拟合可视化和统计指标准确反映预测误差来源,从而进一步修正参数以提高模型适用性。基于上述流程协同构建的大坝变形循环预测体系,以某混凝土坝多测点长期变形监测数据为例,对模型的准确性、鲁棒性和灵活性进行了有效验证与分析,为大坝变形安全预测与分析提供了新的模型和手段。     

水文预报时间序列神经网络模型

本文提出了水文预报的时间序列神经网络模型，并研制开发了相应的计算机软件，其有效性在实例中得到验证。     

三种模型在洞庭湖区域地下水资源量预测中的应用

为了建立适应于洞庭湖区域地下水资源量变化规律的预测模型,在分析洞庭湖区域河川天然径流量、长江三口入水量、城陵矶出水量与地下水资源量相关性的基础上,分别利用多因子逐步回归模型、BP神经网络模型和多变量时间序列CAR模型建立了3种洞庭湖区域地下水资源量预测模型,并对所建立的3种模型的预测精度和预测结果整体规律进行了对比分析。研究结果表明:地下水资源量与河川天然径流量、长江三口入水量、城陵矶出水量具有较好的相关性;多变量时间序列CAR模型的预测精度较好,BP神经网络模型的预测精度次之,而多因子逐步回归模型的预测精度较差;多变量时间序列CAR模型的预测结果整体规律优于BP神经网络模型,而BP神经网络模型的预测结果整体规律则优于多因子逐步回归模型。     

TBM净掘进速度预测模型发展现状及参数分析

TBM净掘进速度预测模型能为隧道施工方法选择、施工进度安排和成本估算提供科学依据。本文对国内外32个典型模型开展参数定性和定量分析。根据各模型建模原理可将参数输入过程划分为按逻辑和组合关系输入、作为修正参数输入、直接输入参数三种类型。评价TBM掘进速度的岩体参数以单轴抗压强度、岩石质量指标、隧道与结构面夹角和岩石脆性指数居多,机械参数主要是单刀推力和刀盘转速。通过调整岩体工程特性关键参数影响区间以及引入机械参数,可将钻爆法岩体分类(RMR、RSR、Q_(system))应用到TBM净掘进速度预测。模型参数选取需要权衡简易性和准确性,参数太少虽然简易但影响预测精度,参数过多会导致实际操作繁琐而不利于工程广泛应用。参数选取合理、组合恰当以及权重分配符合实际是净预测模型准确可靠的关键,随着对掘进过程和破岩机理的深入理解,开展与岩-机作用相关的新评价参数研究将是未来发展趋势。