数据挖掘在水文时间序列中的应用研究与进展

引入时间序列的数据挖掘理论与技术, 在总结国内外数据挖掘在水文时间序列研究进展的基础上, 进一步探讨了水文时间序列数据挖掘技术及应用, 并展望了水文时间序列数据挖掘在分类聚类、相似性搜索、模式发现和趋势周期分析的研究方向, 力求从理论框架上完善水文时间序列的数据挖掘研究.     

基于时间序列的滇池流域降雨变化特征分析

针对云南省连续4年大旱、降雨偏少的问题,基于滇池流域内18个雨量站1965~2011年降雨资料,分析了降雨年际年代变化特征,采用线性回归法和Mann-Kendall非参数检验方法对年降雨序列进行趋势预测,利用Morlet小波进行周期分析,并通过小波系数方差检验年降雨序列主周期。结果表明,滇池流域降雨年际变化大,变差系数在0.17~0.24之间;年内分配不均,雨季占全年降雨量的87%左右;年降雨序列呈减少趋势,但减少趋势不明显;降雨序列主周期为23年,次周期分别为4、15年。     

小波分析方法在水文径流模拟中的应用

利用小波分析识别年径流周期得到年径流周期成分,再对剔除周期成分的剩余序列进行小波消噪,消噪后的序列作为平稳随机成分建立自回归模型,并把噪声序列作为独立随机成分进行模拟,最后把周期成分、相依随机成分和独立随机成分组合建立随机模拟模型。实例研究表明,基于小波分析的水文随机模型比传统随机模型的模拟效果好,统计参数更接近实测序列的统计参数。     

基于时间序列ARMA模型的广东省能源需求预测

广东省能源消耗量大,自给率低,能源供需矛盾已成为影响经济发展的重要因素,准确预测未来能源需求对于制定合理的经济发展战略和能源安全战略有着重要的借鉴意义。采用1979-2006年广东省能源消费总量数据,并根据建模要求对数据进行处理,在此基础上利用时间序列相关理论及ARMA模型对广东省未来能源需求量进行了相关预测,并得出能源需求的模型。从检验结果来看,此模型误差率低,预测效果好。     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

火电厂时间序列的神经网络预报

神经网络用于火电厂时间序列预报无需作平稳性假设。它从序列样本中学习序列本身的内在规律,从而建立正确的火电厂时间序列模型。神经网络将寻求序列规律的过程转化为Ｒ＾ｎ→Ｒ＾ｍ逼近的非线性映射的非线性优化问题,用经过改进的静态ＢＰ算法可以取得较炙满意的结果。适当增加输入单元的历史序列样本,可以得到对序列更为精确的预报。实例表明神经网络能够对火电厂时间序列进行较好的预测。     

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数（RBF）神经用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题,并用于热电厂热负荷预测。预测结果表明,用本方法进行热负荷预测得到了十分满意的结果。     

气温和降水序列的长期预测研究

以均值生成函数和双评分准则为基础，建立了正交筛选预测模型，模拟预测气温和降水序列的自然变化规律．武汉和宜昌两站的应用结果表明，模型的拟合精度高，把预测结果同ＧＣＡ模型的输出进行叠加，得到未来气候的变化情形，作为研究气候变化对水文水资源影响和适应对策的依据．     

基于COA-LSSVM模型的边坡位移时序预测

鉴于预测边坡位移变化对边坡稳定性的重要意义,利用布谷鸟优化算法(COA)对最小二乘支持向量机(LSSVM)的核函数参数和惩罚因子进行寻优,从而建立了边坡位移时序预测的COA-LSSVM模型,并将该模型应用于锦屏一级水电站左岸高边坡变形预测中。与PSO-LSSVM模型的预测结果对比表明,COA-LSSVM模型具有更高的预测精度,预测结果更接近于实际的监测数据。     

相空间神经网络模型及其在水文预测中的应用

简述了相空间神经网络模型原理和算法，并通过实例讨论了其在水文中长期预测中的应用。将混沌重构相空间理论和神经网络模型相结合，对揭示水文系统复杂的非线性结构是很有效的，经实例研究初步表明，该模型应用在水文中长期预报中是可行的、合理的，数学分析工具更为先进，有很好的预报精度和应用价值。     

EEMD-NNBR模型在降水预测中的应用

为解决降水资源预测复杂的问题,建立了具有物理意义的新预测模型,即利用集合经验模态分解(EEMD)方法,分解降水资源并识别其演变模式,获得各本征模函数(IMF),然后结合最近邻抽样回归模型(NNBR)对数据进行预测分析,汇总相应的计算结果,从而构成了EEMD-NNBR降水预测模型。以无锡市惠山区的降水序列资料为例,采用EEMD-NNBR模型预测降水资源,并与单一的NNBR模型预测值进行对比分析。结果表明,所建模型稳定性较好,能合理预测水资源演变趋势,提高降水资源预测精度,具有一定的应用价值。     

年水文序列近似周期分析研究与实现

讨论了年水文时间序列的近似周期分析方法,在极大熵谱分析法的基础上设计了一种时间序列分段搜索法,并用计算机软件仿真实现。对湘江下游五强溪水库年径流时间序列分析的实例表明,五强溪水库具有16.7、5、2.8和2 a的近似周期,证实了该方法的可行性。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

洞庭湖区月降雨序列的混沌特性识别及预测研究

基于相空间重构思想,采用最大Laypunov指数法确定洞庭湖区岳阳水文站30 a的月降雨序列具有明显的混沌特性。应用混沌径向基函数神经网络预测月降雨量,预测精度远远低于时间序列分解模型,并表现出高度的无规律性。定量分析了噪声对混沌预测精度的影响,表明监测误差是影响混沌预测精度的一个重要因素,提高数据精度是提高混沌预测精度的一个有效方法。     

降雨径流模型及其应用

针对目前国内对降雨径流模型研究中存在的问题,介绍了降雨径流模型的原理与特点,以沙子岭流域为例对降雨径流模型实际应用效果进行分析,并用卡尔曼滤波方法对降雨径流模型的预报结果进行了实时校正。研究表明,该模型预报效果较好,经卡尔曼滤波后预报效果明显改善。     

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。