径流序列预测 篇1
受地理位置、气候条件及地形地貌等因素影响,我国的径流在时空分布上极不均匀。受季风气候的影响,降水主要集中在夏季,大部分地区每年汛期连续4个月的降水量占全年降水量的60%~80%。年径流量中连续4个最大月所占的比例占全年径流量的60%~90%。河川径流的年内分布不均匀性不仅影响人类社会系统的安全,改变水资源的供需关系,影响水资源的开发利用,同时也影响自然生态系统的健康,给水资源管理、农业以及水生生态系统带来一系列影响[1]。
辽河是辽宁的母亲河,辽宁的社会经济稳定发展离不开辽河流域水资源的开发利用。辽河流域内有3个子流域,即辽河干流、浑河、太子河。由于自然因素和人类活动的影响,辽河流域水资源年内分配不均匀,加之辽河流域水资源短缺、水污染严重等一系列问题,使辽河流域内的社会经济发展和各部门用水受到很大影响。因此,为合理充分利用辽河流域水资源,为辽河流域水资源的承载力分析及水资源优化配置提供科学依据,探讨流域内径流的年内、年际分配规律是十分必要的。
1 研究资料
本文以辽河干流、浑河、太子河3个子流域为研究区域,依据地域代表性选取辽河干流石佛寺水文站、浑河沈阳水文站、太子河辽阳水文站为分析测站。以各测站1956-2000年还原的月径流量序列为依据,分析径流年内、年际分布及变化规律。
2 径流年内分配特性分析
2.1 不均匀性
采用径流年内分配不均匀系数Cv和径流年内分配完全调节系数Cr衡量径流年内分配的不均匀性[2]。
径流年内分配不均匀系数Cv的计算公式如下:
式中:Ri为各月径流量;R为月平均径流量。Cv值越大,表明年内各月径流量相差越悬殊,径流年内分配越不均匀。
径流年内分配完全调节系数Cr计算公式如下:
年内分配完全调节系数Cr越大表示年内分配越集中。
辽河流域径流年内分配不均匀性计算结果如表1所示。
从表1可以看出:不同计算时段下,辽河干流、浑河、太子河流域径流年内分配均较不均匀,其中辽河干流流域径流年内分配不均匀性最高。3个子流域内,20世纪90年代径流年内分配不均匀性均比70、80年代进一步增强。
2.2 集中程度
采用集中度Cd和集中期D表示径流量的年内分配集中程度[3,4]。集中度和集中期的计算是将一年内各月的径流量作为向量看待,月径流量的大小为向量的长度,所处的月份为向量的方向。从1月到12月每月的方位角θi分别为0°、30°、60°、…、330°,并把每个月的径流量分解为x和y两个方向上的分量,则x和t方向上的向量合成分别为:
径流的合成为:则集中度Cd和集中期D的计算公式如下:
集中度Cd可进一步简化为[5]:
集中期D可简化为[5]:
集中期D表示一年中最大月径流量出现的月份;集中度则反映了集中期径流值占年总径流的比例。
辽河流域径流年内分配集中度和集中期计算结果如表2所示。
从表2计算结果可以看出:辽河干流、浑河、太子河流域径流主要集中在7月中下旬,石佛寺最大月径流占年总径流的60%以上,浑河、太子河流域最大月径流占年总径流的55%以上。
2.3 变化幅度
径流变化幅度的大小对于水利调节和水生生物的生长殖都有重要的影响。可采用相对变化幅度来表示径流变化的幅度,即最大月平均径流量Rmax、最小月平均径流量Rmin与年平均径流量之比。计算公式为[5]:
辽河流域径流年内变化幅度计算结果如表3所示。
从表3计算结果可以看出:辽河流域径流变化幅度比较大,多年平均径流量中,辽河干流最大月平均径流量约是最小月平均径流量的60倍;浑河流域最大月平均径流量约是最小月平均径流量的30倍;太子河流域最大月平均径流量约是最小月平均径流量的倍
3 径流年际分配特性分析
为充分利用年内不同时期径流量,确定不同时期水资源开发利用的策略及管理措施,本文将天然径流资料分成三类系列,即年径流系列、汛期径流系列(6-9月)、非汛期径流序列(10月至次年5月)。分别对各系列径流进行年际特性分析。
3.1 趋势性
本文采用坎德尔(kendall)秩次相关检验法和滑动平均检验法分析辽河流域各分析测站径流序列趋势性。坎德尔(kendall)秩次相关检验法检验的统计量为:
趋势检验分别采用显著水平α=0.1、0.05、0.01。在正态分布表中查出临界值U0.05、U0.025、U0.005,当|U|
从表4可以看出,石佛寺站年径流序列、汛期径流序列、非汛期径流序列整体下降趋势不明显;沈阳站年径流序列、汛期径流序列下降趋势不明显,非汛期径流序列下降趋势相对较显著;辽阳站年径流序列、非汛期径流序列上升趋势不明显,汛期径流序列下降趋势不显著。
滑动平均检验法采用5年滑动平均,各分析测站不同径流序列趋势分析结果如图1-3所示。
从图1-3可以看出,1982年以前各站汛期径流量及年径流量均有明显的下降趋势,而受1985、1986年及1995、1996年等丰水年组的影响,1982年以后各站年径流量、汛期径流量略呈增加趋势。各站年径流序列、汛期径流序列及非汛期径流序列整体趋势变化不显著。
3.2 周期性
流域的年际径流时序性变化是其年际径流情势的主要水文特征,分析流域径流的周期性变化,对于水利规划、水库的调蓄效益设计及对已建水库的调蓄运转等都是十分必要的[9]。本文仍以辽河流域石佛寺水文站、浑河流域沈阳水文站及太子河流域辽阳水文站为例,分析流域径流的周期性。
周期分析的方法很多,如谱分析、谐波分析、方差分析等,其中方差分析应用较多[10]。本文采用方差分析法分析流域径流的周期性。通过不同周期下组间方差与组内方差比值的计算,确定径流存在的周期。
流域内各测站不同周期下计算的方差比如表5所示,绘制各测站不同周期下方差比如图4所示。
当选定信度水平α=0.05时,根据不同周期所对应的自由度,查F值分布表,得Fα值,见表5所示。通过各测站不同周期下方差比与Fα比较可以看出:辽阳站年径流的周期是21 a,而沈阳站和石佛寺站年径流的周期性不显著。但是,从图4各测站不同周期下计算的方差比值大小可以分析出辽河流域年径流约存在10 a、12 a、19 a、21 a的周期性。
4 结语
通过以上分析计算,可以得出以下结果。
(1)辽河流域径流年内分配极不均匀,月径流变化幅度比较大。辽河流域径流主要集中在7月中下旬,其中辽河干流最大月径流可占年总径流的60%以上,浑河、太子河流域最大月径流也占年总径流的55%以上。
(2)辽河流域径流年际变化趋势不显著。1982年以前径流整体呈下降趋势,1982年以后受丰水年组的影响,径流年际变化较大。从1956-2000年,非汛期径流年际变化幅度较小,趋于平稳,而汛期径流及年径流年际变化幅度较大。年径流的大小主要取决于汛期径流的大小。辽河流域年径流周期性变化不显著,从各流域测站不同周期下方差比大小可以看出,辽河流域约存在10 a、12 a、19 a、21 a的周期。
(3)本文通过分析辽河流域径流的年内、年际变化规律,揭示了辽河流域水资源的特点。为合理开发利用辽河流域水资源,制定辽河流域水资源可承载的社会经济发展模式提供了依据。
参考文献
[1]郑红星,刘昌明.黄河源区径流年内分配变化规律分析[J].地理科学进展,2003,22(6):585-590.
[2]王金星,张建云,李岩,等.近50年来中国六大流域径流年内分配变化趋势[J].水科学进展,2008,19(5):656-661.
[3]杨远东.河川径流年内分配的计算方法[J].地理学报,1984,39(2):218-227.
[4]汤奇成,程天文,李秀云.中国河川月径流的集中度和集中期的初步研究[J].地理学报,1982,37(4):383-393.
[5]李艳,陈晓宏,张鹏飞.北江流域径流序列年内分配特征及其趋势分析[J].中山大学学报,2007,46(5):113-116.
[6]徐海量,叶茂,宋郁东,等.塔里木河流域水资源变化的特点与趋势[J].地理学报,2005,60(3):487-494.
[7]李红霞,赵新华,张建军.肯达尔非参数秩次相关检验法用于地面沉降的分析[J].中国给水排水,2007,23(9):67-69.
[8]张学真.城市化对供水河流水文序列的影响分析[J].水利经济,2005,23(1):39-41.
[9]孙志文.谐波、方差、能谱分析方法在河流年际径流周期性分析中的应用[J].兰州大学学报(自然科学版),1982,18(4):142-156.
时间序列挖掘与预测研究 篇2
关键词：时间序列挖掘；预测；分析
一、时间序列挖掘与预测分析
时间序列模式挖掘作为数据挖掘中最为重要的问题，在现实生活与生产中已经得到了广泛的应用。时间序列即按照时间顺序来获取观测值的方式。在日常生活中，很多数据都是以时间序列出现的，这些数据对于相邻观测值具有依赖性特征，时间序列挖掘与预测模式与依赖性特征有着密切的关系，其研究内容包括相似性搜索、趋势分析、周期模式挖掘、序列模式挖掘等。
1.相似性搜索
相似性搜索即找出数据库中与相关条件相似的数据，在这些序列中，包括子序列匹配与整体序列匹配两种方式。这些序列的应用范围十分广泛，其中，数据变换是核心。数据变换就是从时间域到频率域的分析，一般使用欧式距离来计算，在计算时，需要先确定好变换矩阵，再确定相关计算数据。
在经过DWT以及DFT变化之后，可以使用傅里叶细数来制造出多维索引，再将数据提供给系统，就能够检索出查询序列之间的距离，通过实际距离的查询即可完成后处理工作。在匹配子序列时，将序列分割成为一定长度的片段，每一个片段对应不同的线索，序列可以使用最小边界矩形表示。要想搜索到更长的匹配序列，可以使用多片组装算法进行。
2.趋势分析
趋势分析可以应用在长期或者趋势变化、循环变动或循环变化、季节性变动或者季节性变化、非规则或者随机变化集中类型的数据预测中。这些数据有着季节性、非规则性、循环性以及趋势性特征，能够使用不同的变量进行表示，这样即可帮助人们制订出长期预测或者短期预测。
3.周期模式挖掘
周期模式挖掘即在数据库中寻找重复出现模式的一种预测模式，周期模式能够应用在交通数据、行星轨道数据、能源消耗数据、季节性数据等数据模式的预测中。按照问题类型的不同，周期模式能够分为挖掘全周期模式、挖掘部分周期模式以及挖掘循环模式几种。
二、时间序列预测统计学基础
1.时间序列统计学特征分析
时间序列的统计学特征包括均值函数、自协方差函数与自相关函数三种。
均值函数：对于t而言，时间序列均值函数如下：μt=U[x1]Δ■xf1（x）dx；自协方差函数：y=Cov（xt，xy）ΔE[x1-Ex2（xi-Exi+1）]
2.时间序列平稳性分析
在时间序列分析时，常常存在平稳时间序列，这种平稳定会在时间的推移下出现相应的变化。若时间序列中各项随机变量是一种独立性关系，且存在相同分布，就是独立同分布序列，其常见的序列类型有白噪声序列，白噪声序列和独立同分布序列之间是一种独立的关系。
三、时间序列分段线性表示
在时间序列数据挖掘研究内容中，相似性搜索是其中的重要内容，在进行计算时，需要遵循Keogh度量准则，这能够很好地反映出各项内容，但是在反应时间轴比例时需要额外考虑到周期问题。在进行时间序列相似性搜索时，可以对其进行聚类分析。目前，这种方式已经在各个领域中得到了广泛的使用，如在图像处理、模式识别、数据分析工作中，虽然聚类分析能够应用在时间序列分析中，但是与图像处理、模式识别、数据分析工作相比，时间序列数据量较大，使用该种分析方法会提高计算开销，为了减少开销，就需要对实践序列开展分段线性化处理，该种模式更加适宜应用于普通数据挖掘算法计算中。
目前，时间序列数据多应用在气象数据、金融数据的计算中，这些数据会受到各种因素的影响，存在较大的随机性与偶然性，因此，有学者针对这些计算提出时间序列长记忆性问题。其他研究者也提出了遗传算法、神经网络算法、卡尔曼滤波算法等一系列的计算方法，在使用这些算法来计算复杂系统时，需要建立好相应的模型，使用表征模型特征进行表达。但是，若系统较为复杂，也存在短期波动，使用一个模型很难计算出具体的精度与效率，而丢弃数据也会影响历史数据，降低计算精度，而应用大量例数数据也会影响计算时间与预测效率。为了提升数据计算的精度，就可以使用时序预测方法或者多层次数据分解法，使用平滑因子来拆解序列，这就能够为后续建模的开展奠定好坚实的基础。对于拆解完成的序列，可以使用相应的采样频率，这不仅会提升计算精度，也能够在一定程度上降低计算的复杂性。
总之，时间序列作为一种常用的数据类型，已经在各类数据的分析中得到了广泛的使用。在使用时间序列挖掘与预测方式时，需要针对具体的问题建立好相应的模型，这样才能够达到理想的计算成效。
参考文献：
[1]张德干，郝先臣，徐凌宇，杜庆东，赵海.基于小波理论的数据挖掘方法研究[J].小型微型计算机系统，2001（8）.