專(zhuān)利名稱(chēng)：一種極端降水的定量預(yù)測(cè)方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種降水的預(yù)測(cè)方法及系統(tǒng)，具體地說(shuō)是涉及一種年平均極端降水量的預(yù)測(cè)方法。
背景技術(shù)：
極端天氣氣候事件對(duì)人類(lèi)經(jīng)濟(jì)社會(huì)及自然環(huán)境有著重要的影響，其研究已經(jīng)成為了當(dāng)今氣候變化科學(xué)的前沿問(wèn)題之一。當(dāng)某地的氣候狀態(tài)嚴(yán)重偏離其平均態(tài)時(shí)，就可以認(rèn)為是不易發(fā)生的氣候事件。統(tǒng)計(jì)意義上，不容易發(fā)生的值(事件)就可以稱(chēng)為極端值(事件)。極端強(qiáng)降水事件通常降水時(shí)段集中，降水強(qiáng)度非常大，范圍較廣，常會(huì)引起部分地區(qū)的洪澇災(zāi)害，嚴(yán)重影響工農(nóng)業(yè)生產(chǎn)，它使農(nóng)田受浸，作物倒伏甚至絕收，水利設(shè)施被沖垮； 它可使城市交通癱瘓，工礦企業(yè)停產(chǎn)；不僅如此，極端降水往往還給人民生命財(cái)產(chǎn)帶來(lái)嚴(yán)重威脅。隨著全球氣候變暖，水循環(huán)加劇，全球范圍極端降水事件及其導(dǎo)致的災(zāi)害呈增加的趨勢(shì)。因此對(duì)極端降水事件的預(yù)測(cè)研究具有重大的現(xiàn)實(shí)意義，對(duì)自然災(zāi)害的防御工作能夠起到一定的指導(dǎo)作用。國(guó)際上分析研究極端降水事件的變化特征通常有兩種方法，一種是定義與極端降水事件相關(guān)的極端降水指數(shù)，通過(guò)分析這些極端降水指數(shù)的特征來(lái)反映極端降水事件的變化情況；另一種就是根據(jù)天氣現(xiàn)象(如熱帶氣旋)本身的定義標(biāo)準(zhǔn)，直接通過(guò)對(duì)原始資料的分析來(lái)判斷該類(lèi)極端降水事件的頻率或強(qiáng)度有何變化。國(guó)際上，Sen等人定義了七個(gè)極端降水指數(shù)，并對(duì)印度大陸多個(gè)站點(diǎn)的極端降水指數(shù)進(jìn)行了分析，采用回歸分析的方法得出地域相關(guān)性很大的結(jié)論。Kunkel等根據(jù)美國(guó)多個(gè)站點(diǎn)1895至2000年的逐日降水資料，定義了兩個(gè)極端降水指數(shù)duration (持續(xù)時(shí)間)以及return period(重現(xiàn)期),極端閥值與return period相關(guān)。采用滑動(dòng)平均濾波的方法進(jìn)行趨勢(shì)分析，并進(jìn)行了置信度檢驗(yàn)，研究發(fā)現(xiàn)19世紀(jì)末至20世紀(jì)初，極端降水的發(fā)生頻率相當(dāng)高，之后頻率有所降低，但從20世紀(jì)二三十年代到20世紀(jì)末，頻率又有相當(dāng)大的增加。在我國(guó)，翟盤(pán)茂等利用1951至1995年的逐日降水資料得出，西北西部年降水量極端偏多的情況表現(xiàn)出顯著的擴(kuò)大趨勢(shì)，東北、西南和華北年降水極端偏多的情況表現(xiàn)出減小的趨勢(shì)。主要采用二項(xiàng)式系數(shù)濾波及線性擬合的方法進(jìn)行了趨勢(shì)分析，并采用t檢驗(yàn)對(duì)趨勢(shì)的統(tǒng)計(jì)信度進(jìn)行檢驗(yàn)。劉曉寧等選用了我國(guó)東部代表華南、江南、長(zhǎng)江、華北、東北五大區(qū)的25個(gè)站點(diǎn)資料，分別統(tǒng)計(jì)了各站點(diǎn)大雨日數(shù)、暴雨日數(shù)等統(tǒng)計(jì)特征量，分析了我國(guó)暴雨頻數(shù)及日最大降水強(qiáng)度時(shí)空分布特征。結(jié)果表明，80年代后全國(guó)暴雨極端降水時(shí)間平均趨勢(shì)為除華北外出現(xiàn)頻數(shù)明顯上升，強(qiáng)度增大，并利用周期圖法揭示了各站大暴雨頻數(shù)存在10年左右周期的特征。1990年早期，氣候模式也開(kāi)始被用來(lái)模擬極端降水事件。Frei等利用6個(gè)區(qū)域氣候模式集合預(yù)測(cè)了 20世紀(jì)末歐洲的極端降水情況，得出冬季極端降水在45° N以北地區(qū)增加，以南地區(qū)減少的結(jié)論?？偨Y(jié)國(guó)內(nèi)外目前研究形勢(shì)可以發(fā)現(xiàn)，目前大多數(shù)關(guān)于極端降水的研究主要集中于氣象學(xué)或者水文學(xué)領(lǐng)域極端降水趨勢(shì)的定性研究或者擬合分析，而缺乏相應(yīng)的定量計(jì)算研究。定性研究主要是對(duì)極端降水事件的頻率、分布情況進(jìn)行整體分析，缺少對(duì)極端降水的具體降水量的定量分析。擬合分析主要是運(yùn)用全球氣候模式或區(qū)域氣候模式模擬極端降水事件，然而其利用目前的氣候數(shù)據(jù)建立的統(tǒng)計(jì)關(guān)系對(duì)未來(lái)的氣候狀態(tài)是否適用無(wú)法證實(shí)。本發(fā)明主要從數(shù)據(jù)挖掘的角度，采用多種模型對(duì)年平均極端降水量的建模和預(yù)測(cè)，從而填補(bǔ)了極端降水研究領(lǐng)域中缺乏定量分析這一空白
發(fā)明內(nèi)容

發(fā)明目的本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種從數(shù)據(jù)挖掘的角度對(duì)年平均極端降水量建模和預(yù)測(cè)，適用性強(qiáng)，并且具有較高準(zhǔn)確率的極端降水的定量預(yù)測(cè)方法。同時(shí)，本發(fā)明還提供了一種極端降水的定量預(yù)測(cè)系統(tǒng)。為了解決以上技術(shù)問(wèn)題，本發(fā)明提供一種極端降水的定量預(yù)測(cè)方法，按如下步驟進(jìn)行
I、輸入模塊從數(shù)據(jù)庫(kù)或Excel文件中讀入水文測(cè)站站點(diǎn)的原始水文數(shù)據(jù)，并對(duì)讀入的數(shù)據(jù)進(jìn)行異常檢測(cè)和清洗，得到干凈的水文測(cè)站時(shí)間序列數(shù)據(jù)；查看、統(tǒng)計(jì)、分析清洗后的水文時(shí)間序列數(shù)據(jù)，對(duì)建模需要的數(shù)據(jù)有初步的認(rèn)識(shí)，然后對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，得到規(guī)范化的水文時(shí)間序列數(shù)據(jù)；
II、建模模塊針對(duì)輸入模塊中的水文時(shí)間序列數(shù)據(jù)建立由第一預(yù)測(cè)模型、第二預(yù)測(cè)模型和組合BP神經(jīng)網(wǎng)絡(luò)結(jié)合而成的模型
所述第一預(yù)測(cè)模型通過(guò)第一小波分析模塊對(duì)多站點(diǎn)逐日降水?dāng)?shù)據(jù)進(jìn)行小波變換、分解，得到細(xì)節(jié)信號(hào)，然后對(duì)細(xì)節(jié)信號(hào)進(jìn)行逆轉(zhuǎn)換，統(tǒng)計(jì)得到第一 BP神經(jīng)網(wǎng)絡(luò)模塊的輸入數(shù)據(jù)，通過(guò)第一 BP神經(jīng)網(wǎng)絡(luò)得到三項(xiàng)預(yù)測(cè)值；
所述第二預(yù)測(cè)模型通過(guò)第二小波分析模塊對(duì)單站點(diǎn)的年平均極端降水時(shí)間序列數(shù)據(jù)進(jìn)行小波變換、分解，得到逼近信號(hào)，然后對(duì)逼近信號(hào)進(jìn)行逆轉(zhuǎn)換，得到數(shù)據(jù)的低頻部分輸入ARMA模型，預(yù)測(cè)來(lái)年的平均極端降水?dāng)?shù)值；
所述組合BP神經(jīng)網(wǎng)絡(luò)提取第一 BP神經(jīng)網(wǎng)絡(luò)得到的三項(xiàng)預(yù)測(cè)值和ARMA模型中一個(gè)預(yù)測(cè)值，重新組合，作為組合BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，預(yù)測(cè)來(lái)年的極端降水?dāng)?shù)據(jù)；
III、校正模塊根據(jù)步驟II中預(yù)測(cè)數(shù)據(jù)的優(yōu)劣，對(duì)建模模塊中建立的預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)整，調(diào)整的參數(shù)主要包括第一 BP神經(jīng)網(wǎng)絡(luò)和組合BP神經(jīng)網(wǎng)絡(luò)中的隱層節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)以及小波分解尺度；
IV、輸出模塊將來(lái)年極端降水預(yù)測(cè)值存儲(chǔ)在數(shù)據(jù)庫(kù)或文件中，供用戶(hù)查詢(xún)和分析。 步驟II中所述的第一小波分析模塊進(jìn)行數(shù)據(jù)處理的方法，按如下步驟進(jìn)行
A、多站的日降水時(shí)間序列經(jīng)過(guò)輸入模塊的預(yù)處理，然后將處理結(jié)果數(shù)據(jù)集經(jīng)小波正變換單元，把水文時(shí)間序列從時(shí)間域轉(zhuǎn)化為空間域數(shù)據(jù)；
B、空間域數(shù)據(jù)經(jīng)過(guò)小波分解單元進(jìn)行Mallat塔式分解算法，經(jīng)三尺度小波分解，選用db4作為母小波，得到的各尺度分解高頻小波域；
C、分解的三種高頻小波經(jīng)過(guò)小波逆變換單元進(jìn)行重構(gòu)，將信號(hào)再由小波域轉(zhuǎn)換為時(shí)間域，并對(duì)時(shí)間域上的信號(hào)進(jìn)行統(tǒng)計(jì)分析，最后將時(shí)間域的三種信號(hào)分別送入第一 BP神經(jīng)網(wǎng)絡(luò)模型。
步驟II中所述的第二小波分析模塊進(jìn)行數(shù)據(jù)處理的方法，按照如下步驟進(jìn)行
A、第二小波正變換單元將年平均極端降水時(shí)間序列從時(shí)間域轉(zhuǎn)化為小波域；
B、第二小波分解單元將小波域數(shù)據(jù)序列轉(zhuǎn)化為低頻小波信號(hào)；
C、第二小波逆變換單元將低頻小波信號(hào)轉(zhuǎn)化為時(shí)間域上的信號(hào)送入ARMA模型。進(jìn)一步地，步驟III之前判斷是否為訓(xùn)練模式，如果是訓(xùn)練模式，則直接執(zhí)行步驟III;如果不是訓(xùn)練模式，則執(zhí)行步驟IV。本發(fā)明提供的另一技術(shù)方案為一種極端降水的定量預(yù)測(cè)方法及其系統(tǒng)，包括輸入模塊、建模模塊、校正模塊和輸出模塊，其中
所述輸入模塊用于從數(shù)據(jù)庫(kù)或文件中獲得多個(gè)水文站點(diǎn)逐日降水量原始時(shí)間序列數(shù) 據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，得到規(guī)范化的水文時(shí)間序列；
所述建模模塊針對(duì)輸入模塊中的水文時(shí)間序列數(shù)據(jù)進(jìn)行建模，建立的模型由第一預(yù)測(cè)模型、第二預(yù)測(cè)模型和組合BP神經(jīng)網(wǎng)絡(luò)結(jié)合而成，用于對(duì)所述輸入模塊輸出的規(guī)范化的水文時(shí)間序列進(jìn)行處理，得到預(yù)測(cè)值；
所述第一預(yù)測(cè)模型包括第一小波分析模塊和第一 BP神經(jīng)網(wǎng)絡(luò)模塊，用于將水文時(shí)間序列看成隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)的結(jié)合，利用小波分解方法對(duì)水文時(shí)間序列進(jìn)行多尺度分解，將水文序列的隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)進(jìn)行有效地分離；
所述第二預(yù)測(cè)模型包括第二小波分析模塊和ARMA模型，用于將單一的日降水序列轉(zhuǎn)化為低頻的數(shù)據(jù)序列，并模型化；
所述組合BP神經(jīng)網(wǎng)絡(luò)的輸入值為第一預(yù)測(cè)模型得到的多站點(diǎn)來(lái)年平均極端降水預(yù)測(cè)數(shù)據(jù)和第二預(yù)測(cè)模型得到的站點(diǎn)來(lái)年平均極端降水預(yù)測(cè)數(shù)據(jù)，其輸出值為來(lái)年平均極端降水預(yù)測(cè)值；
所述校正模塊用于根據(jù)建模模塊得到的預(yù)測(cè)數(shù)據(jù)的優(yōu)劣，對(duì)建模模塊中建立的預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)整，調(diào)整內(nèi)容包括第一 BP神經(jīng)網(wǎng)絡(luò)和組合BP神經(jīng)網(wǎng)絡(luò)中的隱層節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)和小波分解尺度；
所述輸出模塊用于將年極端降水預(yù)測(cè)值存儲(chǔ)在數(shù)據(jù)庫(kù)或文件中，供用戶(hù)查詢(xún)和分析。所述建模模塊中的第一小波分析模塊包括
第一小波正變換單元，用于把水文時(shí)間序列從時(shí)間域轉(zhuǎn)化為空間域數(shù)據(jù)；
第一小波分解單元，用于進(jìn)行三尺度小波分解，選用Daubechies小波4作為母小波，得到各尺度分解的高頻小波域；
第一小波逆變換單元，用于將信號(hào)由小波域轉(zhuǎn)換為時(shí)間域，并對(duì)時(shí)間域上的信號(hào)進(jìn)行統(tǒng)計(jì)分析，最后將時(shí)間域的三種信號(hào)分別送入BP神經(jīng)網(wǎng)絡(luò)模型。所述建模模塊中的第二小波分析模塊包括
第二小波正變換單元，用于將；
第二小波分解單元，用于將小波域數(shù)據(jù)序列轉(zhuǎn)化為低頻小波信號(hào)；
第二小波逆變換單元，用于將低頻小波信號(hào)轉(zhuǎn)化為時(shí)間域上的信號(hào)。所述系統(tǒng)還包括訓(xùn)練模塊，所述訓(xùn)練模塊接收所述建模模塊的數(shù)據(jù)，判斷是否為訓(xùn)練模式，如果是訓(xùn)練模式，則傳輸數(shù)據(jù)到矯正模塊；如果不是訓(xùn)練模式，則傳輸數(shù)據(jù)到輸出模塊。有益效果本發(fā)明所述的一種極端降水的定量預(yù)測(cè)方法及系統(tǒng)，用于水文測(cè)站的年極端降水時(shí)間序列數(shù)據(jù)的預(yù)測(cè)，該模型主要由小波分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型和小波分析與ARMA模型相結(jié)合的預(yù)測(cè)模型兩大部分組成，小波分析中的小波分解方法能夠把水文時(shí)間序列分解為隨機(jī)項(xiàng)和趨勢(shì)項(xiàng)，得到多尺度的高頻和低頻數(shù)據(jù)；選擇非線性程度大的高頻數(shù)據(jù)序列通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，選擇線性程度高的低頻序列通過(guò)ARMA模型進(jìn)行建模，合理的利用了小波分析、BP神經(jīng)網(wǎng)絡(luò)、ARMA模型三者的優(yōu)勢(shì)，搭建了年極端降水組合模型，和其他的預(yù)測(cè)方法相比，本發(fā)明具有更高的預(yù)測(cè)精確度，以及更好的可擴(kuò)展性和實(shí)用價(jià)值。


圖I為本發(fā)明所述的一種極端降水的定量預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)示意圖； 圖2為本發(fā)明所述的建模模塊的結(jié)構(gòu)示意 圖3為本發(fā)明所述的一種極端降水的定量預(yù)測(cè)方法的流程 圖4為本發(fā)明所述的建模模塊的主要工作流程 圖5為本發(fā)明所述的建模模塊的詳細(xì)工作流程圖。
具體實(shí)施例方式下面對(duì)本發(fā)明技術(shù)方案進(jìn)行詳細(xì)說(shuō)明，但是本發(fā)明的保護(hù)范圍不局限于所述實(shí)施例。實(shí)施例本發(fā)明提供一種極端降水的定量預(yù)測(cè)系統(tǒng)，其結(jié)構(gòu)示意圖如圖I所示，包括輸入模塊100、建模模塊200、校正模塊300、輸出模塊400和訓(xùn)練模塊500。其中，所述輸入模塊100用于從數(shù)據(jù)庫(kù)或文件中獲得多個(gè)水文站點(diǎn)逐日降水量原始序列數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，得到規(guī)范化的水文時(shí)間序列。所述建模模塊200針對(duì)輸入模塊100中的水文時(shí)間序列數(shù)據(jù)進(jìn)行建模，建立的模型由第一預(yù)測(cè)模型210、第二預(yù)測(cè)模型220和組合BP神經(jīng)網(wǎng)絡(luò)230結(jié)合而成，其結(jié)構(gòu)示意圖如圖2所示，用于對(duì)所述輸入模塊100輸出的規(guī)范化的水文時(shí)間序列進(jìn)行處理，得到預(yù)測(cè)值。所述第一預(yù)測(cè)模型210包括第一小波分析模塊211和第一 BP神經(jīng)網(wǎng)絡(luò)模塊212，用于將水文時(shí)間序列看成隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)的結(jié)合，利用小波分解方法對(duì)水文時(shí)間序列進(jìn)行多尺度分解，將水文序列的隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)進(jìn)行有效地分離。所述第一小波分析模塊211包括第一小波正變換單元S011，用于把水文時(shí)間序列從時(shí)間域轉(zhuǎn)化為空間域數(shù)據(jù)；第一小波分解單元S012，用于進(jìn)行三尺度小波分解，選用Daubechies小波4 (以下簡(jiǎn)稱(chēng)db4)作為母小波，得到各尺度分解的高頻小波域；第一小波逆變換單元S013，用于將信號(hào)由小波域轉(zhuǎn)換為時(shí)間域，并對(duì)時(shí)間域上的信號(hào)進(jìn)行統(tǒng)計(jì)分析，最后將時(shí)間域的三種信號(hào)分別送入BP神經(jīng)網(wǎng)絡(luò)模型。所述第二預(yù)測(cè)模型220包括第二小波分析模塊221和ARMA模型222，用于將單站點(diǎn)的日降水序列數(shù)據(jù)轉(zhuǎn)化為低頻的序列數(shù)據(jù)，并模型化。第二小波分析模塊221包括第二小波正變換單元S021，用于將單站點(diǎn)的年平均極端降水時(shí)間序列從時(shí)間域轉(zhuǎn)換為小波域；第二小波分解單元S022，用于將小波域數(shù)據(jù)序列轉(zhuǎn)化為低頻小波信號(hào)；第二小波逆變換單元S023，用于將低頻小波信號(hào)轉(zhuǎn)化為時(shí)間域上的信號(hào)。
所述組合BP神經(jīng)網(wǎng)絡(luò)230的輸入值為第一預(yù)測(cè)模型得到的多站點(diǎn)來(lái)年平均極端降水?dāng)?shù)據(jù)和第二預(yù)測(cè)模型得到的單站來(lái)年平均極端降水預(yù)測(cè)數(shù)據(jù)，其輸出值為來(lái)年平均極端降水量數(shù)據(jù)；
所述校正模塊300用于根據(jù)建模模塊200得到的預(yù)測(cè)數(shù)據(jù)的優(yōu)劣，對(duì)建模模塊200中建立的預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)整，調(diào)整內(nèi)容包括第一 BP神經(jīng)網(wǎng)絡(luò)212和組合BP神經(jīng)網(wǎng)絡(luò)230中的隱層節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)和小波分解尺度。所述輸出模塊400用于將年極端降水預(yù)測(cè)值存儲(chǔ)在數(shù)據(jù)庫(kù)或文件中，供用戶(hù)查詢(xún)和分析。所述訓(xùn)練模塊500接收所述建模模塊200的數(shù)據(jù)，判斷是否為訓(xùn)練模式，如果是訓(xùn)練模式，則傳輸數(shù)據(jù)到矯正模塊300 ;如果不是訓(xùn)練模式，則傳輸數(shù)據(jù)到輸出模塊400。本發(fā)明所述的一種極端降水的定量預(yù)測(cè)系統(tǒng)的工作方法如圖3所示，按如下步驟進(jìn)行
I、輸入模塊100從數(shù)據(jù)庫(kù)或Excel文件中讀入水文測(cè)站原始水文數(shù)據(jù)，并對(duì)讀入的數(shù)據(jù)進(jìn)行異常檢測(cè)和清洗，得到干凈的水文測(cè)站時(shí)間序列數(shù)據(jù)；查看、統(tǒng)計(jì)、分析清洗后的水文時(shí)間序列數(shù)據(jù)，對(duì)建模需要的數(shù)據(jù)有初步的認(rèn)識(shí)，然后對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，得到規(guī)范化的水文時(shí)間序列數(shù)據(jù)。II、建模模塊200針對(duì)輸入模塊100中的水文時(shí)間序列數(shù)據(jù)建立由第一預(yù)測(cè)模型210、第二預(yù)測(cè)模型220和組合BP神經(jīng)網(wǎng)絡(luò)230結(jié)合而成的模型，建模模塊的主要工作流程圖如圖4所示,其詳細(xì)工作流程圖如圖5所示。所述第一預(yù)測(cè)模型210通過(guò)第一小波分析模塊211對(duì)多站點(diǎn)逐日降水?dāng)?shù)據(jù)進(jìn)行小波變換、分解，得到細(xì)節(jié)信號(hào)，然后對(duì)細(xì)節(jié)信號(hào)進(jìn)行逆轉(zhuǎn)換，統(tǒng)計(jì)得到第一 BP神經(jīng)網(wǎng)絡(luò)模塊212的輸入數(shù)據(jù)，通過(guò)第一 BP神經(jīng)網(wǎng)絡(luò)212得到三項(xiàng)預(yù)測(cè)值。所述的第一小波分析模塊211進(jìn)行數(shù)據(jù)處理的方法，按如下步驟進(jìn)行
A、多站的日降水時(shí)間序列經(jīng)過(guò)輸入模塊100的預(yù)處理，然后將處理結(jié)果數(shù)據(jù)集經(jīng)小波正變換單元S011，把水文時(shí)間序列從時(shí)間域轉(zhuǎn)化為空間域數(shù)據(jù)；
B、空間域數(shù)據(jù)經(jīng)過(guò)小波分解單元S012進(jìn)行Mallat塔式分解算法，經(jīng)三尺度小波分解，選用db4作為母小波，提取出信號(hào)的三個(gè)高頻信號(hào)dl、d2、d3 ；
C、分解的三種高頻小波經(jīng)過(guò)小波逆變換單元S013進(jìn)行重構(gòu)，將信號(hào)再?gòu)男〔ㄓ蜣D(zhuǎn)化為時(shí)間域；并對(duì)該時(shí)間域上的信號(hào)進(jìn)行統(tǒng)計(jì)分析，計(jì)算出各信號(hào)的三項(xiàng)年極端降水指數(shù)PQ90、PINT、PNL90 (STARDEX研究計(jì)劃提出的PQ90、PINT、PNL90三項(xiàng)極端降水指數(shù))和年平均極端降水量AVY;
D、最后將dl、d2、d3信號(hào)分別送入第一BP神經(jīng)網(wǎng)絡(luò)212，第一 BP神經(jīng)網(wǎng)絡(luò)212的輸入向量為各信號(hào)的當(dāng)年極端降水的三項(xiàng)年極端降水指數(shù)PQ90、PINT、PNL90，輸出向量為來(lái)年年平均極端降水量AVY，從而實(shí)現(xiàn)對(duì)分解出的三個(gè)尺度域上的降水序列的分別建模。所述第二預(yù)測(cè)模型220通過(guò)第二小波分析模塊221對(duì)水文單站站點(diǎn)的年平均極端降水時(shí)間序列數(shù)據(jù)進(jìn)行小波變換、分解，得到逼近信號(hào)，然后對(duì)逼近信號(hào)進(jìn)行逆轉(zhuǎn)換，得到數(shù)據(jù)的低頻部分輸入ARMA模型222，預(yù)測(cè)來(lái)年的平均極端降水?dāng)?shù)值。所述的第二小波分析模塊221進(jìn)行數(shù)據(jù)處理的方法，按照如下步驟進(jìn)行
A、第二小波正變換單元S021將單站的年平均極端降水時(shí)間序列由時(shí)間域轉(zhuǎn)換為小波域；
B、第二小波分解單元S022將小波域數(shù)據(jù)序列轉(zhuǎn)化為低頻小波信號(hào)；
C、第二小波逆變換單元S023將低頻小波信號(hào)轉(zhuǎn)化為時(shí)間域上的信號(hào)送入ARMA模型
222。由于低頻序列有較弱的非線性特性，能揭示長(zhǎng)時(shí)間甚至全局時(shí)間的依賴(lài)關(guān)系，所以采用傳統(tǒng)的時(shí)間序列ARMA模型來(lái)進(jìn)行建模。所述組合BP神經(jīng)網(wǎng)絡(luò)230提取第一 BP神經(jīng)網(wǎng)絡(luò)212得到的三項(xiàng)預(yù)測(cè)值和ARMA模型222中一個(gè)預(yù)測(cè)值，重新組合，作為組合BP神經(jīng)網(wǎng)絡(luò)230的輸入數(shù)據(jù)，預(yù)測(cè)來(lái)年的水文極端降水?dāng)?shù)據(jù)。由小波分析和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的預(yù)測(cè)模型得到的三項(xiàng)預(yù)測(cè)值與小波分析 和ARMA模型相結(jié)合的預(yù)測(cè)模型得到的一個(gè)預(yù)測(cè)值，重新組合，作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)S031模型的輸入數(shù)據(jù)，來(lái)預(yù)測(cè)來(lái)年的水文極端降水?dāng)?shù)據(jù)。判斷是否為訓(xùn)練模式，如果是訓(xùn)練模式，則直接執(zhí)行步驟III ;如果不是訓(xùn)練模式，則執(zhí)行步驟IV。III、校正模塊300根據(jù)步驟II中預(yù)測(cè)數(shù)據(jù)的優(yōu)劣，對(duì)建模模塊200中建立的預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)整，調(diào)整的參數(shù)主要包括第一 BP神經(jīng)網(wǎng)絡(luò)212和組合BP神經(jīng)網(wǎng)絡(luò)230中的隱層節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)以及小波分解尺度。IV、輸出模塊400將來(lái)年極端降水預(yù)測(cè)值存儲(chǔ)在數(shù)據(jù)庫(kù)或文件中，供用戶(hù)查詢(xún)和分析。如上所述，盡管參照特定的優(yōu)選實(shí)施例已經(jīng)表示和表述了本發(fā)明，但其不得解釋為對(duì)本發(fā)明自身的限制。在不脫離所附權(quán)利要求定義的本發(fā)明的精神和范圍前提下，可對(duì)其在形式上和細(xì)節(jié)上作出各種變化。
權(quán)利要求
1. 一種極端降水的定量預(yù)測(cè)方法，其特征在于，按如下步驟進(jìn)行 1.輸入模塊(100)從數(shù)據(jù)庫(kù)或Excel文件中讀入水文測(cè)站站點(diǎn)原數(shù)據(jù)，并對(duì)讀入的數(shù)據(jù)進(jìn)行異常檢測(cè)和清洗，得到干凈的水文測(cè)站時(shí)間序列數(shù)據(jù)；查看、統(tǒng)計(jì)、分析清洗后的水文時(shí)間序列數(shù)據(jù)，對(duì)建模需要的數(shù)據(jù)有初步的認(rèn)識(shí)，然后對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，得到規(guī)范化的水文時(shí)間序列數(shù)據(jù)； II、建模模塊(200)針對(duì)輸入模塊(100)中的水文時(shí)間序列數(shù)據(jù)建立由第一預(yù)測(cè)模型(210)、第二預(yù)測(cè)模型(220)和組合BP神經(jīng)網(wǎng)絡(luò)(230)結(jié)合而成的模型， 所述第一預(yù)測(cè)模型(210)通過(guò)第一小波分析模塊(211)對(duì)多站點(diǎn)逐日水文降水?dāng)?shù)據(jù)進(jìn)行小波變換、分解，得到細(xì)節(jié)信號(hào)，然后對(duì)細(xì)節(jié)信號(hào)進(jìn)行逆轉(zhuǎn)換，統(tǒng)計(jì)得到第一 BP神經(jīng)網(wǎng)絡(luò)模塊(212)的輸入數(shù)據(jù)，通過(guò)第一 BP神經(jīng)網(wǎng)絡(luò)(212)得到三項(xiàng)預(yù)測(cè)值； 所述第二預(yù)測(cè)模型(220)通過(guò)第二小波分析模塊(221)對(duì)水文單站點(diǎn)的年平均極端降水時(shí)間序列數(shù)據(jù)進(jìn)行小波變換、分解，得到逼近信號(hào)，然后對(duì)逼近信號(hào)進(jìn)行逆轉(zhuǎn)換，得到數(shù)據(jù)的低頻部分輸入ARMA模型(222)，預(yù)測(cè)來(lái)年的平均極端降水?dāng)?shù)值； 所述組合BP神經(jīng)網(wǎng)絡(luò)(230)提取第一 BP神經(jīng)網(wǎng)絡(luò)(212)得到的三項(xiàng)預(yù)測(cè)值和ARMA模型(222)中一個(gè)預(yù)測(cè)值，重新組合，作為組合BP神經(jīng)網(wǎng)絡(luò)(230)的輸入數(shù)據(jù)，預(yù)測(cè)來(lái)年的極端降水?dāng)?shù)據(jù)； III、校正模塊(300)根據(jù)步驟II中預(yù)測(cè)數(shù)據(jù)的優(yōu)劣，對(duì)建模模塊(200)中建立的預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)整，調(diào)整的參數(shù)主要包括第一 BP神經(jīng)網(wǎng)絡(luò)(212)和組合BP神經(jīng)網(wǎng)絡(luò)(230)中的隱層節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)以及小波分解尺度； IV、輸出模塊(400)將來(lái)年極端降水預(yù)測(cè)值存儲(chǔ)在數(shù)據(jù)庫(kù)或文件中，供用戶(hù)查詢(xún)和分析。
2.根據(jù)權(quán)利要求I所述的一種極端降水的定量預(yù)測(cè)方法，其特征在于，步驟II中所述的第一小波分析模塊(211)進(jìn)行數(shù)據(jù)處理的方法，按如下步驟進(jìn)行 A、多站的日降水時(shí)間序列經(jīng)過(guò)輸入模塊(100)的預(yù)處理，然后將處理結(jié)果數(shù)據(jù)集經(jīng)小波正變換單元(S011)，把水文時(shí)間序列從時(shí)間域轉(zhuǎn)化為空間域數(shù)據(jù)； B、空間域數(shù)據(jù)經(jīng)過(guò)小波分解單元(S012)進(jìn)行Mallat塔式分解算法，經(jīng)三尺度小波分解，選用Daubechies小波4作為母小波,得到的各尺度分解高頻小波域； C、分解的三種高頻小波經(jīng)過(guò)小波逆變換單元(S013)進(jìn)行重構(gòu)，將信號(hào)再由小波域轉(zhuǎn)換為時(shí)間域，并對(duì)時(shí)間域上的信號(hào)進(jìn)行統(tǒng)計(jì)分析，最后將時(shí)間域的三種信號(hào)分別送入第一 BP神經(jīng)網(wǎng)絡(luò)模型(212)。
3.根據(jù)權(quán)利要求I所述的一種極端降水的定量預(yù)測(cè)方法，其特征在于，步驟II中所述的第二小波分析模塊(221)進(jìn)行數(shù)據(jù)處理的方法，按照如下步驟進(jìn)行 A、第二小波正變換單元(S021)將年平均極端降水時(shí)間序列從時(shí)間域轉(zhuǎn)換為小波域； B、第二小波分解單元(S022)將小波域的數(shù)據(jù)序列轉(zhuǎn)化為低頻小波信號(hào)； C、第二小波逆變換單元(S023)將低頻小波信號(hào)轉(zhuǎn)化為時(shí)間域上的信號(hào)送入ARMA模型(222)。
4.一種極端降水的定量預(yù)測(cè)方法及其系統(tǒng)，其特征在于，步驟III之前判斷是否為訓(xùn)練模式，如果是訓(xùn)練模式，則直接執(zhí)行步驟III ;如果不是訓(xùn)練模式，則執(zhí)行步驟IV。
5.一種極端降水的定量預(yù)測(cè)方法及其系統(tǒng)，其特征在于，包括輸入模塊(100)、建模模塊(200)、校正模塊(300)和輸出模塊(400)，其中 所述輸入模塊(100)用于從數(shù)據(jù)庫(kù)或文件中獲得多個(gè)水文站點(diǎn)逐日降水量原始序列并進(jìn)行 數(shù)據(jù)預(yù)處理，得到規(guī)范化的水文時(shí)間序列； 所述建模模塊(200)針對(duì)輸入模塊(100)中的水文時(shí)間序列數(shù)據(jù)進(jìn)行建模，建立的模型由第一預(yù)測(cè)模型(210)、第二預(yù)測(cè)模型(220)和組合BP神經(jīng)網(wǎng)絡(luò)(230)結(jié)合而成，用于對(duì)所述輸入模塊(100)輸出的規(guī)范化的水文時(shí)間序列進(jìn)行處理，得到預(yù)測(cè)值； 所述第一預(yù)測(cè)模型(210)包括第一小波分析模塊(211)和第一 BP神經(jīng)網(wǎng)絡(luò)模塊(212)，用于將水文時(shí)間序列看成隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)的結(jié)合，利用小波分解方法對(duì)水文時(shí)間序列進(jìn)行多尺度分解，將水文序列的隨機(jī)項(xiàng)與趨勢(shì)項(xiàng)進(jìn)行有效地分離； 所述第二預(yù)測(cè)模型(220)包括第二小波分析模塊(221)和ARMA模型(222)，用于將單一的年平均極端降水序列轉(zhuǎn)化為低頻的數(shù)據(jù)序列，并模型化； 所述組合BP神經(jīng)網(wǎng)絡(luò)(230)的輸入值為第一預(yù)測(cè)模型得到的多站點(diǎn)來(lái)年平均極端降水?dāng)?shù)據(jù)和第二預(yù)測(cè)模型得到的單站來(lái)年平均極端降水預(yù)測(cè)數(shù)據(jù)，其輸出值為來(lái)年平均極端降水?dāng)?shù)據(jù)； 所述校正模塊(300)用于根據(jù)建模模塊(200)得到的預(yù)測(cè)數(shù)據(jù)序列的優(yōu)劣，對(duì)建模模塊(200)中建立的預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)整，調(diào)整內(nèi)容包括第一 BP神經(jīng)網(wǎng)絡(luò)(212)和組合BP神經(jīng)網(wǎng)絡(luò)(230)中的隱層節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)和小波分解尺度； 所述輸出模塊(400)用于將來(lái)年極端降水預(yù)測(cè)值存儲(chǔ)在數(shù)據(jù)庫(kù)或文件中，供用戶(hù)查詢(xún)和分析。
6.根據(jù)權(quán)利要求5所述的一種極端降水的定量預(yù)測(cè)系統(tǒng)，其特征在于，所述建模模塊(200)中的第一小波分析模塊(211)包括 第一小波正變換單元(S011)，用于把水文時(shí)間序列從時(shí)間域轉(zhuǎn)化為空間域數(shù)據(jù)； 第一小波分解單元(S012)，用于進(jìn)行三尺度小波分解，選用Daubechies小波4作為母小波，得到各尺度分解的高頻小波域； 第一小波逆變換單元(S013)，用于將信號(hào)由小波域轉(zhuǎn)換為時(shí)間域，并對(duì)時(shí)間域上的信號(hào)進(jìn)行統(tǒng)計(jì)分析，最后將時(shí)間域的三種信號(hào)分別送入BP神經(jīng)網(wǎng)絡(luò)模型。
7.根據(jù)權(quán)利要求5所述的一種極端降水的定量預(yù)測(cè)系統(tǒng)，其特征在于，所述建模模塊(200)中的第二小波分析模塊(221)包括 第二小波正變換單元(S021)，用于將年平均極端降水序列從時(shí)間域轉(zhuǎn)換為小波域數(shù)據(jù)； 第二小波分解單元(S022)，用于將小波域數(shù)據(jù)序列轉(zhuǎn)化為低頻小波信號(hào)； 第二小波逆變換單元(S023)，用于將低頻小波信號(hào)轉(zhuǎn)化為時(shí)間域上的信號(hào)。
8.根據(jù)權(quán)利要求5所述的一種極端降水的定量預(yù)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)還包括訓(xùn)練模塊(500)，所述訓(xùn)練模塊(500)接收接收所述建模模塊(200)的數(shù)據(jù)，判斷是否為訓(xùn)練模式，如果是訓(xùn)練模式，則傳輸數(shù)據(jù)到矯正模塊(300);如果不是訓(xùn)練模式，則傳輸數(shù)據(jù)到輸出模塊(400)。
全文摘要
本發(fā)明公開(kāi)了一種極端降水的定量預(yù)測(cè)方法，按如下步驟進(jìn)行Ⅰ、輸入模塊(100)從數(shù)據(jù)庫(kù)或Excel文件中讀入水文測(cè)站站點(diǎn)原數(shù)據(jù)，并對(duì)讀入的數(shù)據(jù)進(jìn)行異常檢測(cè)和清洗，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，得到規(guī)范化的水文時(shí)間序列數(shù)據(jù)；Ⅱ、建模模塊(200)針對(duì)輸入模塊(100)中的水文時(shí)間序列數(shù)據(jù)建立由第一預(yù)測(cè)模型(210)、第二預(yù)測(cè)模型(220)和組合BP神經(jīng)網(wǎng)絡(luò)(230)結(jié)合而成的模型；Ⅲ、校正模塊(300)根據(jù)步驟Ⅱ中預(yù)測(cè)數(shù)據(jù)的優(yōu)劣，對(duì)建模模塊(200)中建立的預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)整；Ⅳ、輸出模塊(400)將來(lái)年極端降水預(yù)測(cè)值存儲(chǔ)在數(shù)據(jù)庫(kù)或文件中，供用戶(hù)查詢(xún)和分析。本發(fā)明從數(shù)據(jù)挖掘的角度對(duì)年平均極端降水量建模和預(yù)測(cè)，適用性強(qiáng)，并且具有較高準(zhǔn)確率。
文檔編號(hào)G06N3/02GK102880755SQ20121036033
公開(kāi)日2013年1月16日 申請(qǐng)日期2012年9月25日 優(yōu)先權(quán)日2012年9月25日
發(fā)明者萬(wàn)定生, 余宇峰, 陳歡, 程習(xí)峰, 朱躍龍, 李士進(jìn) 申請(qǐng)人:河海大學(xué), 南京河?？萍加邢薰?br>