感潮河段水文序列交互式模擬預(yù)測方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種感潮河段水文序列交互式模擬預(yù)測方法和系統(tǒng)，通過對初始ARIMA模型配置模塊、實時數(shù)據(jù)分析配置模塊、感潮河段水位預(yù)測模塊、預(yù)測結(jié)果分析驗證模塊、預(yù)測結(jié)果展出模塊及再學(xué)習模塊的綜合調(diào)用來實現(xiàn)感潮河段水文序列的預(yù)測過程。該發(fā)明配備應(yīng)急方案對實時數(shù)據(jù)進行監(jiān)控，對異常數(shù)據(jù)實時判斷、及時排除，使得ARIMA方法能正確發(fā)揮預(yù)報功能；還實現(xiàn)了模型實時再學(xué)習的功能，當模型預(yù)測結(jié)果驗證不通過時，可以啟動再學(xué)習，重新獲得模型類型和新的模型參數(shù)，直到模型滿足預(yù)測精度要求為止。
【專利說明】感潮河段水文序列交互式模擬預(yù)測方法和系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種感潮河段水文序列交互式模擬預(yù)測方法和系統(tǒng)。
【背景技術(shù)】
[0002]感潮河段地處潮汐河口和內(nèi)陸河流的交界處，同時受到河流動力作用(上游徑流的下泄)和海洋動力(潮流運動)兩方面的影響，具有雙重特性，水流的運動狀態(tài)復(fù)雜，其水位、流量等要素的變化規(guī)律難以掌握。與內(nèi)陸河流或海洋相比，其水文系統(tǒng)是一個受眾多因素影響的更為復(fù)雜的系統(tǒng)。在進行潮位預(yù)報時，常用的緩變非恒定流圣維南方程組來建立預(yù)報模型的方法對資料要求較高，需要一般不易具備的河道地形資料，不但求解繁瑣，實時校正也較困難，所以使用范圍有限。在感潮河段的流量等其他水文資料缺乏的情況下，直接利用潮位資料預(yù)報不乏是一種好的途徑。從系統(tǒng)的角度看，感潮河段的水文序列也可看做一個系統(tǒng)。由于感潮河段的潮位較之流量來說受影響的因素更多，水流特性、河道狀況等多種因素都可能對其產(chǎn)生復(fù)雜多變的影響，因此很難根據(jù)單一的物理原理和相應(yīng)的數(shù)學(xué)關(guān)系式推演出該系統(tǒng)的數(shù)學(xué)模型。對于這樣一種系統(tǒng)來說，采用時間序列模型分析不失為一種好的解決方法。
[0003]上世紀70年代由博克思(Box)和詹金斯(Jenkins)提出了一中著名時間序列預(yù)測方法:差分自回歸移動平均模型(Autoregressive Integrated Moving AverageModel)，簡稱ARIMA模型。其中ARIMA (P，d，q)稱為差分自回歸移動平均模型，AR是自回歸，P為自回歸項；MA為移動平均，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時所做的差分次數(shù)。所謂ARIMA模型，是指將非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列，然后將因變量僅對它的滯后值以及隨機誤差項的現(xiàn)值和滯后值進行回歸所建立的模型。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部分的不同，包括移動平均過程(MA)、自回歸過程(AR)、自回歸移動平均過程(ARMA)以及ARIMA過程。
[0004]ARIMA模型的基本思想是:將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機序列，用一定的數(shù)學(xué)模型來近似描述這個序列。這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預(yù)測未來值。
[0005]ARIMA模型預(yù)測的基本步驟如下:
1、平穩(wěn)性檢驗
對序列進行平穩(wěn)性檢驗，判斷其是否平穩(wěn)。平穩(wěn)又有寬平穩(wěn)和嚴平穩(wěn)之分，寬平穩(wěn)對時間推移的不變性表現(xiàn)在統(tǒng)計平均的一、二階矩上，嚴平穩(wěn)對時間推移的不變性表現(xiàn)在統(tǒng)計平均的概率分布上，嚴平穩(wěn)比寬平穩(wěn)的要求要“嚴”，通常用的是寬平穩(wěn)過程的概念。
[0006]2、正態(tài)性檢驗
判斷序列是否服從正態(tài)分布，檢驗序列的三階矩(偏態(tài)系數(shù))與四階矩(峰態(tài)系數(shù))是否滿足正態(tài)隨機變量的特性。
[0007]3、零均值性檢驗
檢驗序列的均值是否為O。當序列均值的估計值不為O時，如果進行零化處理，會導(dǎo)致經(jīng)處理后的時序改變了原序列的某些性質(zhì)，建立的模型會不準確。
[0008]4、獨立性檢驗
從理論上說，符合正態(tài)性的隨機序列一定也具有統(tǒng)計獨立性，但這是建立在樣本數(shù)據(jù)足夠多的條件上的，當樣本長度有限時，具有正態(tài)性(在一定置信水平上)的序列不一定具備統(tǒng)計獨立性的條件，所以要加以檢驗，采用Bartlett公式。
[0009]5、周期性檢驗。
[0010]用自相關(guān)系數(shù)檢驗。具有周期性的數(shù)據(jù)的自相關(guān)系數(shù)呈連續(xù)振蕩波形，而隨機性數(shù)據(jù)的自相關(guān)系數(shù)表現(xiàn)為單調(diào)的下降曲線。
[0011]6、模型識別
根據(jù)Box — Jenkins識別法，即根據(jù)樣本自相關(guān)系數(shù)及樣本偏自相關(guān)函數(shù)的截尾、拖尾性來判斷序列所適合的模型類型。如果樣本自相關(guān)系數(shù)在k>q后截尾，則判斷為MA (q)序列；如果樣本偏自相關(guān)函數(shù)在k>p后截尾，則判斷為AR(p)序列；如果自相關(guān)系數(shù)及樣本偏自相關(guān)函數(shù)都不截尾，而是拖尾的(按負指數(shù)衰減趨于零)，則應(yīng)判斷為ARMA序列，階次尚不能確定。
[0012]7、模型定階
可以用偏相關(guān)定階法、F-檢驗定階法、FPE定階法、AIC定階法等多種方法來確定ARIMA模型的具體階數(shù)。
[0013]8、模型參數(shù)估計
分為初估計和精估計兩個階段，首先進行模型參數(shù)的初步估計，然后再以初估計為基點，依據(jù)某種最優(yōu)準則，進行參數(shù)的精估計。最常用的初估計方法為相關(guān)矩估計。最小二乘估計是最常用的最佳估計算法。
[0014]9、模型檢驗
采用殘差序列的自相關(guān)檢驗法，檢驗?zāi)Ｐ偷臍埐钚蛄惺欠駷榘自肼曅蛄?。若殘差序列是白噪聲序列，模型即可用于預(yù)測。否則，應(yīng)進一步改進模型。
[0015]10、模型預(yù)測
利用所建立的模型進行分析和預(yù)測。
[0016]在感潮河段的水文站點進行實時預(yù)測時，單純的依靠一個固定參數(shù)的模型來分析預(yù)測存在這樣兩個問題:一是感潮河段的水位是隨著時間不斷改變的，這樣數(shù)據(jù)的組成和分布也會不斷發(fā)生改變，因此原先得到的模型不一定能繼續(xù)適用；二是當模型監(jiān)控到異常水位時，這樣的異常值如果加入到模型里進行擬合，就不能準確預(yù)測到下一時間段的水位值。

【發(fā)明內(nèi)容】

[0017]本發(fā)明所要解決的技術(shù)問題是提供一種感潮河段水文序列交互式模擬預(yù)測方法和系統(tǒng)，一方面對感潮河段現(xiàn)有的水文預(yù)測技術(shù)進行拓展，采用統(tǒng)計學(xué)科的方法，使得其能發(fā)揚自身的數(shù)據(jù)優(yōu)勢，進行自預(yù)報；另一方面，對ARIMA模型本身進行改進，使其可以對實時數(shù)據(jù)進行實時修正，通過啟動應(yīng)急方案，對異常數(shù)據(jù)進行實時分辨和剔除，從而準確的應(yīng)用ARIMA模型對感潮河段水文序列進行預(yù)測。
[0018]本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案: 一種感潮河段水文序列交互式模擬預(yù)測方法，包括以下步驟:
步驟I，導(dǎo)入歷史水文數(shù)據(jù)并進行數(shù)據(jù)預(yù)處理，建立初始ARIMA模型；
步驟2，將總數(shù)為N的實時數(shù)據(jù)導(dǎo)入初始ARIMA模型中，判斷實際水位值是否位于預(yù)測的置信區(qū)間內(nèi)，若是，則進入步驟3 ;若否，進入步驟4 ;N為自然數(shù)；
步驟3，進行模型預(yù)測，判斷當前時刻的預(yù)測值與前一時刻的實際值的差值是否超出允許臨界區(qū)間，若不超出，即輸出預(yù)測結(jié)果；若超出，則修正模型參數(shù)，重新建立ARIMA模型；步驟4，啟用應(yīng)急方案，判斷異常值與前一刻水位差值是否位于臨界區(qū)間內(nèi)，若超出，則提示用戶刪除該數(shù)據(jù)；若不超出，則記錄累計次數(shù)M ;M為自然數(shù)。
[0019]作為本發(fā)明進一步的優(yōu)化方案，步驟4中所述異常值為步驟2中不位于預(yù)測的置信區(qū)間內(nèi)的實際水位值，所述異常值存儲在數(shù)據(jù)庫中以備應(yīng)急方案的調(diào)用；所述累計次數(shù)M達到N時，提示用戶是否繼續(xù)進行AMIRA模型預(yù)測，若是，則返回步驟I。
[0020]本發(fā)明還提出一種感潮河段水文序列交互式模擬預(yù)測系統(tǒng)，包括初始ARIMA模型配置模塊、實時數(shù)據(jù)分析配置模塊、感潮河段水位預(yù)測模塊、預(yù)測結(jié)果分析驗證模塊、預(yù)測結(jié)果展出模塊、再學(xué)習模塊；其中:
所述初始ARIMA模型配置模塊通過歷史數(shù)據(jù)的導(dǎo)入及預(yù)處理、模型識別、模型定階、參數(shù)估計和模型檢驗，建立初始ARIMA模型；
所述實時數(shù)據(jù)分析配置模塊將實時數(shù)據(jù)導(dǎo)入初始ARIMA模型中，計算置信區(qū)間，判斷實時數(shù)據(jù)是否位于預(yù)測的置信區(qū)間內(nèi)，若是，則啟動感潮河段水位預(yù)測模塊進行預(yù)測；若否，則判為異常值，存入數(shù)據(jù)庫中，以便應(yīng)急方案調(diào)用；
所述感潮河段水位預(yù)測模塊通過初始ARIMA模型對導(dǎo)入的實時數(shù)據(jù)進行分析，做出預(yù)
測；
所述預(yù)測結(jié)果分析驗證模塊對模型預(yù)測結(jié)果進行分析，判斷當前時刻的預(yù)測值與前一時刻的實際值的差值是否超出允許臨界區(qū)間，若超出，則啟動再學(xué)習模塊；若不超出，則將預(yù)測結(jié)果存入數(shù)據(jù)庫，以便預(yù)測結(jié)果展出模塊調(diào)用；
所述預(yù)測結(jié)果展出模塊根據(jù)用戶選擇將預(yù)測結(jié)果以圖像或表格的形式輸出，并根據(jù)用戶請求進行誤差分析；
所述再學(xué)習模塊啟用再學(xué)習機制，修正模型參數(shù)，重新建立ARIMA模型。
[0021]作為本發(fā)明進一步的優(yōu)化方案，所述歷史數(shù)據(jù)的預(yù)處理包括平穩(wěn)性檢驗、正態(tài)性檢驗、零均值性檢驗和趨勢性檢驗。
[0022]作為本發(fā)明進一步的優(yōu)化方案，所述臨界區(qū)間是計算差分后的實時數(shù)據(jù)的均值和標準差，然后確定的發(fā)生小概率事件的臨界區(qū)間，目的是根據(jù)概率統(tǒng)計理論來判斷數(shù)據(jù)是否為小概率事件。
[0023]本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，本發(fā)明在現(xiàn)有感潮河段預(yù)報技術(shù)之上，引入統(tǒng)計科學(xué)的ARIMA方法到感潮河段，適用于感潮河段復(fù)雜水流條件下的模擬預(yù)測，使其可以根據(jù)自身的監(jiān)測水文資料進行自預(yù)報；設(shè)置了應(yīng)急方案來對實時數(shù)據(jù)進行監(jiān)控，判斷是否為異常數(shù)據(jù)，并對異常數(shù)據(jù)及時排除，使得ARIMA方法能正確發(fā)揮預(yù)報功能；設(shè)置了再學(xué)習模塊，可以在模型不能滿足預(yù)測精度時，自動再學(xué)習，重新獲得模型類型，得到新的模型參數(shù)，直到模型滿足預(yù)測精度要求為止。整個預(yù)測體系功能分配合理，同時有友好的人機交互功能，可以根據(jù)用戶的需要進行不同模塊的調(diào)用，或進行不同的模型再學(xué)習過程?！緦＠綀D】

【附圖說明】
[0024]圖1是本發(fā)明的方法流程圖。
[0025]圖2是本發(fā)明的系統(tǒng)結(jié)構(gòu)圖。
[0026]圖3是本發(fā)明的預(yù)測結(jié)果示意圖。
【具體實施方式】
[0027]下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進一步的詳細說明:
如圖1所示，一種感潮河段水文序列交互式模擬預(yù)測方法，包括以下步驟:
1、從數(shù)據(jù)源導(dǎo)入感潮河 段水位資料的歷史數(shù)據(jù)，可以是excel數(shù)據(jù)文件、txt文件、xml文件、SQL Sever數(shù)據(jù)庫或Oracle數(shù)據(jù)庫文件；對導(dǎo)入的數(shù)據(jù)進行預(yù)處理，包括平穩(wěn)性檢驗、正態(tài)性檢驗、零均值性檢驗、趨勢性檢驗，不滿足的要進行差分處理，直到序列滿足平穩(wěn)性、零均值性和無趨勢性為止；
2、模型識別及模型定階
模型識別是根據(jù)Box — Jenkins識別法，即根據(jù)序列的自相關(guān)系數(shù)及偏自相關(guān)函數(shù)的截尾、拖尾性來判斷序列所適合的模型類型。對于包含季節(jié)性或帶有線性趨勢項的非平穩(wěn)時間序列來說，由于是非平穩(wěn)序列所以無法直接用ARMA模型描述，可以采用季節(jié)差分的方法消除季節(jié)性或剔除其趨勢項，然后再用ARMA模型擬合，這樣得到的模型即是ARIMA模型。ARIMA (P, d，q) (P，D, Q)s模型定階是運用最小信息準則AIC準則，為了使階數(shù)的選擇更為準確，采用AIC準則的同時也兼顧BIC準則；
3、模型參數(shù)估計和模型檢驗
確定了模型(P，d，q) (P, D，Q)s后，需要對其中的參數(shù)/7、d、q、P、D、Q進行估計，采用最小二乘法估計法，并計算估計參數(shù)的評價指標。對所建模型的殘差序列進行檢驗，檢驗其是否為白噪聲序列，如果殘差是白噪聲序列，就認為模型是合理的，將通過檢驗的參數(shù)代入通過檢驗的模型W?/姻(P，d，q) (P,漢?Τ中即得到初始ARIMA模型；否則，即模型檢驗不通過，需要返回步驟2修改模型；
4、將總數(shù)為N的實時數(shù)據(jù)導(dǎo)入初始ARIMA模型中，判斷實際水位值是否位于預(yù)測的置信區(qū)間內(nèi)，若是，則進入步驟5 ;若否，則判為異常值存在數(shù)據(jù)庫中，并進入步驟6，;Ν為自然數(shù)；
5、進行模型預(yù)測，判斷當前時刻的預(yù)測值與前一時刻的實際值的差值是否超出允許臨界區(qū)間，若不超出，即輸出預(yù)測結(jié)果；若超出，則啟用再學(xué)習機制；
6、啟用應(yīng)急方案，判斷異常值與前一刻水位差值是否位于臨界區(qū)間內(nèi)，若超出，則提示用戶刪除該數(shù)據(jù)；若不超出，則記錄累計次數(shù)M，M為自然數(shù)，當M達到N時，提示用戶是否繼續(xù)進行AMIRA模型預(yù)測，若是，則返回步驟I。
[0028]如圖2所示，一種感潮河段水文序列交互式模擬預(yù)測系統(tǒng)，包括初始ARIMA模型配置模塊、實時數(shù)據(jù)分析配置模塊、感潮河段水位預(yù)測模塊、預(yù)測結(jié)果分析驗證模塊、預(yù)測結(jié)果展出模塊、再學(xué)習模塊。
[0029]初始ARIMA模型配置模塊通過歷史數(shù)據(jù)的導(dǎo)入及預(yù)處理、模型識別、模型定階、參數(shù)估計和模型檢驗，建立初始ARIMA模型。[0030]實時數(shù)據(jù)分析配置模塊將實時數(shù)據(jù)導(dǎo)入初始ARIMA模型中，判斷實時數(shù)據(jù)是否位于預(yù)測的置信區(qū)間內(nèi)，若是，則啟動感潮河段水位預(yù)測模塊進行預(yù)測；若否，則判為異常值，存入數(shù)據(jù)庫中，以便應(yīng)急方案調(diào)用。
[0031]感潮河段水位預(yù)測模塊通過初始ARIMA模型對導(dǎo)入的實時數(shù)據(jù)進行分析，做出預(yù)測；預(yù)測結(jié)果分析驗證模塊對模型預(yù)測結(jié)果進行分析，判斷當前時刻的預(yù)測值與前一時刻的實際值的差值是否超出允許臨界區(qū)間，若超出，則啟動再學(xué)習模塊；若不超出，則將預(yù)測結(jié)果存入數(shù)據(jù)庫，以便預(yù)測結(jié)果展出模塊調(diào)用。
[0032]預(yù)測結(jié)果展出模塊根據(jù)用戶選擇將預(yù)測結(jié)果以圖像或表格的形式輸出，如圖3所示，并根據(jù)用戶請求進行誤差分析。
[0033]再學(xué)習模塊啟用再學(xué)習機制，修正模型參數(shù)，重新建立ARIMA模型。
【權(quán)利要求】
1.一種感潮河段水文序列交互式模擬預(yù)測方法，其特征在于，包括以下步驟: 步驟I，導(dǎo)入歷史水文數(shù)據(jù)并進行數(shù)據(jù)預(yù)處理，建立初始ARIMA模型； 步驟2，將總數(shù)為N的實時數(shù)據(jù)導(dǎo)入初始ARIMA模型中，判斷實際水位值是否位于預(yù)測的置信區(qū)間內(nèi)，若是，則進入步驟3 ;若否，進入步驟4 ;N為自然數(shù)； 步驟3，進行模型預(yù)測，判斷當前時刻的預(yù)測值與前一時刻的實際值的差值是否超出允許臨界區(qū)間，若不超出，即輸出預(yù)測結(jié)果；若超出，則修正模型參數(shù)，重新建立ARIMA模型；步驟4，啟用應(yīng)急方案，判斷異常值與前一刻水位差值是否位于臨界區(qū)間內(nèi)，若超出，則提示用戶刪除該數(shù)據(jù)；若不超出，則記錄累計次數(shù)M ;M為自然數(shù)。
2.根據(jù)權(quán)利要求1所述的一種感潮河段水文序列交互式模擬預(yù)測方法，其特征在于，步驟4中所述異常值為步驟2中不位于預(yù)測的置信區(qū)間內(nèi)的實際水位值，所述異常值存儲在數(shù)據(jù)庫中以備應(yīng)急方案的調(diào)用。
3.根據(jù)權(quán)利要求1所述的一種感潮河段水文序列交互式模擬預(yù)測方法，其特征在于，步驟4中所述累計次數(shù)M達到N時，提示用戶是否繼續(xù)進行AMIRA模型預(yù)測，若是，則返回步驟I。
4.一種感潮河段水文序列交互式模擬預(yù)測系統(tǒng)，其特征在于，包括初始ARIMA模型配置模塊、實時數(shù)據(jù)分析配置模塊、感潮河段水位預(yù)測模塊、預(yù)測結(jié)果分析驗證模塊、預(yù)測結(jié)果展出模塊、再學(xué)習模塊；其中: 所述初始ARIMA模型配置模塊通過歷史數(shù)據(jù)的導(dǎo)入及預(yù)處理、模型識別、模型定階、參數(shù)估計和模型檢驗，建立初始ARIMA模型； 所述實時數(shù)據(jù)分析配置模塊將實時數(shù)據(jù)導(dǎo)入初始ARIMA模型中，判斷實時數(shù)據(jù)是否位于預(yù)測的置信區(qū)間內(nèi)，若是，則啟動感潮河段水位預(yù)測模塊進行預(yù)測；若否，則判為異常值，存入數(shù)據(jù)庫中，以便應(yīng)急方案調(diào)用； 所述感潮河段水位預(yù)測模塊通過初始ARIMA模型對導(dǎo)入的實時數(shù)據(jù)進行分析，做出預(yù)測； 所述預(yù)測結(jié)果分析驗證模塊對模型預(yù)測結(jié)果進行分析，判斷當前時刻的預(yù)測值與前一時刻的實際值的差值是否超出允許臨界區(qū)間，若超出，則啟動再學(xué)習模塊；若不超出，則將預(yù)測結(jié)果存入數(shù)據(jù)庫，以便預(yù)測結(jié)果展出模塊調(diào)用； 所述預(yù)測結(jié)果展出模塊根據(jù)用戶選擇將預(yù)測結(jié)果以圖像或表格的形式輸出，并根據(jù)用戶請求進行誤差分析； 所述再學(xué)習模塊啟用再學(xué)習機制，修正模型參數(shù)，重新建立ARIMA模型。
5.根據(jù)權(quán)利要求4所述的一種感潮河段水文序列交互式模擬預(yù)測系統(tǒng)，其特征在于，所述歷史數(shù)據(jù)的預(yù)處理包括平穩(wěn)性檢驗、正態(tài)性檢驗、零均值性檢驗和趨勢性檢驗。
6.根據(jù)權(quán)利要求4所述的一種感潮河段水文序列交互式模擬預(yù)測系統(tǒng)，其特征在于，所述臨界區(qū)間是計算差分后的實時數(shù)據(jù)的均值和標準差，然后確定的發(fā)生小概率事件的臨界區(qū)間，目的是根據(jù)概率統(tǒng)計理論來判斷數(shù)據(jù)是否為小概率事件。
【文檔編號】G06F19/00GK103745094SQ201310727104
【公開日】2014年4月23日 申請日期:2013年12月25日 優(yōu)先權(quán)日:2013年12月25日
【發(fā)明者】吳玲莉, 張瑋, 吳騰 申請人:河海大學(xué)