CN103942409A - 基于时序分析-马氏链方法的疏浚槽回淤量预报办法 - Google Patents
基于时序分析-马氏链方法的疏浚槽回淤量预报办法 Download PDFInfo
- Publication number
- CN103942409A CN103942409A CN201410074559.9A CN201410074559A CN103942409A CN 103942409 A CN103942409 A CN 103942409A CN 201410074559 A CN201410074559 A CN 201410074559A CN 103942409 A CN103942409 A CN 103942409A
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- prediction
- markov chain
- water depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于水利工程领域,具体涉及基于时序分析-马氏链方法的疏浚槽回淤量预报办法。该办法包括以下步骤:选定空间离散的原始序列;生成预测值序列;计算原始序列与预测序列的相对残差序列;将相对残差数列划分区间;进行区间的马氏链预测;对水深预测区间取均值得出预测水深值,初始水深值与该水深值作差得出回淤值。本发明通过采用时序分析法与马氏链相结合得到时序分析-马氏链预测法,能够同时反映序列的变化趋势和随机波动性,更符合疏浚槽回淤量序列的实际变化情况。运用该预测法,相对误差率仅为1.04%,与单一时间序列法相比,时序分析—马氏链能提高预测精度97%,且较之灰色理论其预测更符合实测数据。
Description
技术领域
本发明涉及一种疏浚槽回淤量的预测的方法,属于水利工程领域,具体涉及一种采用时序分析-马氏链预测方法进行的疏浚槽回淤量预报的方法。
背景技术
疏浚槽的回淤预测是港口疏浚工程开展的重要依据,由于通航水域无法布置长期观测站、港池和航道疏浚槽水深测量费用高、数据少、实测数据序列短等问题,导致疏浚槽回淤预测可用的数据量小,需要在短序列基础上预测疏浚槽回淤量。
现有时间序列预测法、灰色理论模型回淤量预测法,但由于时间序列ARMA模型较为适合预测长序列,而疏浚槽内地形测量较为困难,故数据序列长度不够,所以模拟情况较差,结果整体偏小,导致疏浚槽整体呈现大尺度冲刷。而灰色理论适用于预测单调增长的序列,疏浚槽回淤量由泥沙沉积量决定,受水流、泥沙含量等一系列因素影响,具有一定的随机性,故模拟情况也不符实际情况。
发明内容
本发明要解决的技术问题是,克服现有技术中的不足,综合比较各种方法的优劣,保留其各自在序列预测中的优势项,采用时序分析-马氏链模型预测疏浚槽的回淤量,通过当前已知的回淤量来预测未来的回淤量,使其既能满足疏浚槽回淤的增长性预测又能考虑回淤的不确定性,使工程回淤预测更具合理性。
为解决技术问题,本发明提供了一种基于时序分析-马氏链方法的疏浚槽回淤量预报办法。
本发明中,需首先获取疏浚工程实测的至少6个月的水深系列值;回淤量以初始的第一个月份水深值与各月份的水深值的差值表示,正值表示淤积,负值表示冲刷。
本发明所述方法包括以下步骤:
步骤一、选定空间离散的原始序列
将疏浚工程实测的至少6个月的水深系列值作为原始序列:
X(0)={x(0)(1),x(0)(2),…,x(0)(m)},X(0)(m)表示第m个月份的原始水深;
步骤二、生成预测值序列
因原始水深序列一般不会符合平稳性增长的要求趋势,故对原始数据序列进行二阶差分后采用时序分析ARMA(p,q)模型进行预测,调节p、q的值生成预测值序列
步骤三、计算原始序列与预测序列的相对残差序列;
计算原始序列与预测值序列的相对残差序列
步骤四、状态区间划分
根据差值区间将相对残差数列划分成S种状态区间,根据状态s=(1,2,…,S)分布情况由马尔科夫链转移概率性质可得n步转移概率矩阵P(n)。为使预测结果更具科学性,选取K0个状态作为当前状态信息,称为K0阶加权马氏链预测法,记阶数k=(1,2,…,K0)。K0的取值根据状态s取得。在数理统计学中,采用以下方式分别求出k阶相关系数rk和k阶权因子wk:
步骤五:进行区间的马氏链预测
原始数据在经过上述阶段的处理后,根据当前状态s计算状态j预测概率,得到有关概率的计算公式如下:
满足若Pj概率最大,则j状态所对应区间为预测的状态区间,将序列中对应月份的预测值代入到状态区间内,最终得到该月份的水深预测区间。
步骤六:对水深预测区间取均值得出预测水深值,初始水深值与该水深值比较作差得出回淤值。
与现有技术相比,本发明的技术效果为:
本发明通过采用时序分析法与马氏链相结合得到时序分析-马氏链预测法,能够同时反映序列的变化趋势和随机波动性,更符合疏浚槽回淤量序列的实际变化情况。运用该预测法,相对误差率仅为1.04%,与单一时间序列法相比,时序分析—马氏链能提高预测精度97%,且较之灰色理论其预测更符合实测数据。
在实际工程中,对于结果呈现非单调增长的随机序列的回淤工程,存在数据获取困难,实测数据较少的客观情况,可以采用本发明所述时序分析-马氏链作为回淤预测的模型进行更合理更科学的预测。
附图说明
图1为本发明的实施流程。
具体实施方式:
参考附图,更够更完整更好的理解本发明。
参照附图对本发明的实施例进行说明。
以乐清湾某港口疏浚工程为例,该工程中采用本发明的疏浚槽回淤量预报办法进行预测。根据2009年5月-10月的疏浚槽水深值对2009年11月到2011年5月的疏浚槽水深值进行预测,所得预测值均与2009年5月初始测量值比较作差得到疏浚槽回淤预测值。
具体过程包括以下步骤:
步骤一、选定空间离散的原始序列
根据工程实测2009年5月-10月疏浚槽的水深值,将该系列水深值作为原始数据序列X(0)={x(0)(1),x(0)(2),…,x(0)(m)},X(0)(m)表示第m个月份的原始水深;
步骤二、根据时序分析ARMA(p,q)模型生成预测值序列
因原始水深序列一般不会符合平稳性增长的要求趋势,故对原始数据序列进行二阶差分后采用时序分析ARMA(p,q)模型进行预测,生成预测值序列
时序分析法的基本理论是将一个时间序列{X(t)}由一系列白噪声的线性组合,线性组合的权函数是ARMA模型的Green函数,通过调节p和q的值来调整Green函数,生成预测值数列
步骤三、计算原始序列与预测序列的相对残差序列
计算原始序列与预测值序列的相对残差序列
步骤四、将相对残差数列划分区间
将相对残差数列划分成S种状态区间,根据状态s=(1,2,…,S)分布情况计算一步转移概率矩阵:
pij=P{X(t+1)=j|X(t)=i}称为马尔科夫链{X(t),t∈T}在时刻t的一步转移概率。(i,j∈E,E={1,2,…})
由马尔科夫链转移概率性质(式中0<1≤n)可得n步转移概率矩阵P(n)。本发明将采用加权马尔科夫链预测法,选取K0月状态作为当前状态信息,称为K0阶加权马氏链预测法,记阶数k=(1,2,…,K0)。在计算多阶概率转移矩阵的基础上,计算各阶相关系数,取得各阶的加权平均预测概率,得出预测结果。在数理统计学中,k阶相关系数rk可以采用以下方式获得:
根据k阶相关系数的关系可以得到k阶权因子Wk:
步骤五:进行区间的马氏链预测
原始数据在经过上述阶段的处理后,根据当前状态s计算状态j预测概率,得到了有关概率的计算公式如下:
满足,若Pj概率最大,则j状态所对应区间为预测的状态区间,将序列中对应月份的预测值代入到状态区间内,得到该月份的水深预测区间。
步骤六、取该预测区间的均值得出该月份的预测水深值,2009年5月初始测量值与该月份预测水深值比较作差得到疏浚槽回淤量。
另,又分别采用时序分析模型,灰色理论模型对疏浚槽回淤量进行预测,将三种模型最终预测回淤值进行比较,其分析结果如下
表1三种预测模型误差分析表
预测模型 | 预测回淤值(m) | 实际回淤值(m) | 相对误差率% |
时序分析 | 0.47 | 0.96 | 51.04 |
灰色理论 | 0.33 | 0.96 | 65.62 |
时序分析-马氏链 | 0.97 | 0.96 | 1.04 |
如上所述,对本发明的事例进行了详细的说明,只要从本质上没有脱离本发明的发明点及效果。该发明可以有多种变形,因此,这样的变形例子也都在本发明的保护范内。
Claims (1)
1.基于时序分析-马氏链方法的疏浚槽回淤量预报办法,其特征在于,包括以下步骤:
步骤一、选定空间离散的原始序列
将疏浚工程实测的至少6个月的水深系列值作为原始序列:
X(0)={x(0)(1),x(0)(2),…,x(0)(m)},X(0)(m)表示第m个月份的原始水深;
步骤二、生成预测值序列
采用时序分析ARMA(p,q)模型进行预测,调节p、q的值生成预测值序列
步骤三、计算原始序列与预测序列的相对残差序列
计算原始序列与预测值序列的相对残差序列
步骤四、将相对残差数列划分区间
根据差值区间将相对残差数列划分成S种状态区间,根据状态s=(1,2,…,S)分布情况计算n步转移概率矩阵P(n);
采用K0阶加权马氏链预测法进行区间预测:选取K0个状态作为当前状态信息,记阶数k=(1,2,…,K0);根据状态s取得K0值,并分别求出k阶相关系数和k阶权因子;
步骤五、进行区间的马氏链预测
根据当前状态s计算状态j预测概率,将利用时序分析模型ARMA(p,q)生成的预测值序列中对应时间段的预测值带入状态区间内,最终得到该时间段的水深值预测空间;
步骤六、对水深预测区间取均值得出预测水深值,初始水深值与该水深值作差得出回淤值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410074559.9A CN103942409A (zh) | 2014-03-03 | 2014-03-03 | 基于时序分析-马氏链方法的疏浚槽回淤量预报办法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410074559.9A CN103942409A (zh) | 2014-03-03 | 2014-03-03 | 基于时序分析-马氏链方法的疏浚槽回淤量预报办法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103942409A true CN103942409A (zh) | 2014-07-23 |
Family
ID=51190077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410074559.9A Pending CN103942409A (zh) | 2014-03-03 | 2014-03-03 | 基于时序分析-马氏链方法的疏浚槽回淤量预报办法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942409A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202847A (zh) * | 2015-04-30 | 2016-12-07 | 青岛海信医疗设备股份有限公司 | 一种就诊预测方法 |
CN108898256A (zh) * | 2018-07-04 | 2018-11-27 | 上海市水利工程设计研究院有限公司 | 淤泥质潮汐河口促淤工程淤积效果预报方法 |
CN111428915A (zh) * | 2020-03-10 | 2020-07-17 | 上海河口海岸科学研究中心 | 一种基于大数据的江河入海口深水航道回淤量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867118A (zh) * | 2012-08-30 | 2013-01-09 | 重庆汉光电子工程有限责任公司 | 不确定时间序列中不确定频繁模式的确定方法 |
CN103276687A (zh) * | 2013-05-31 | 2013-09-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种拦砂坝后泥石流回淤形态测算方法及应用 |
CN103397615A (zh) * | 2013-07-05 | 2013-11-20 | 河海大学 | 一种环抱式港区建设期防淤减淤的设计方法 |
-
2014
- 2014-03-03 CN CN201410074559.9A patent/CN103942409A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867118A (zh) * | 2012-08-30 | 2013-01-09 | 重庆汉光电子工程有限责任公司 | 不确定时间序列中不确定频繁模式的确定方法 |
CN103276687A (zh) * | 2013-05-31 | 2013-09-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种拦砂坝后泥石流回淤形态测算方法及应用 |
CN103397615A (zh) * | 2013-07-05 | 2013-11-20 | 河海大学 | 一种环抱式港区建设期防淤减淤的设计方法 |
Non-Patent Citations (4)
Title |
---|
卢雅倩: "大型海湾疏浚槽回淤分析与预测", 《万方数据》 * |
孙志林等: "港口吞吐量的马氏链-时序分析预测", 《浙江大学学报(工学版)》 * |
沈永梅等: "马氏链点值预测方法和时序分析预测方法的统计试验研究", 《统计与决策》 * |
陈义中等: "上海外高桥码头邻近水域泥沙疏浚影响数值模拟研究", 《上海环境科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202847A (zh) * | 2015-04-30 | 2016-12-07 | 青岛海信医疗设备股份有限公司 | 一种就诊预测方法 |
CN106202847B (zh) * | 2015-04-30 | 2018-11-30 | 青岛海信医疗设备股份有限公司 | 一种就诊预测方法 |
CN108898256A (zh) * | 2018-07-04 | 2018-11-27 | 上海市水利工程设计研究院有限公司 | 淤泥质潮汐河口促淤工程淤积效果预报方法 |
CN111428915A (zh) * | 2020-03-10 | 2020-07-17 | 上海河口海岸科学研究中心 | 一种基于大数据的江河入海口深水航道回淤量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shivhare et al. | A comparison of SWAT model calibration techniques for hydrological modeling in the Ganga river watershed | |
Taghi Sattari et al. | M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey | |
Ahmadi et al. | Adaptive reservoir operation rules under climatic change | |
Coccia et al. | Recent developments in predictive uncertainty assessment based on the model conditional processor approach | |
CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
Shi et al. | Evaluation of hybrid forecasting approaches for wind speed and power generation time series | |
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN110457651B (zh) | 一种利用数据同化改进的滑坡位移预测方法 | |
Kumar et al. | Artificial neural network model for rainfall-runoff-A case study | |
Riahi-Madvar et al. | Uncertainty analysis in bed load transport prediction of gravel bed rivers by ANN and ANFIS | |
CN105447594A (zh) | 一种基于指数平滑的电力系统灰色负荷预测方法 | |
Liu et al. | A two-stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based hydrologic forecasts | |
Buijsman et al. | Optimizing internal wave drag in a forward barotropic model with semidiurnal tides | |
CN106355003B (zh) | 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统 | |
CN103886218A (zh) | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 | |
Xu et al. | Comparison of three global optimization algorithms for calibration of the Xinanjiang model parameters | |
Deng et al. | Estimation of nonfluctuating reservoir inflow from water level observations using methods based on flow continuity | |
Doroudi et al. | Estimation of Daily Suspended Sediment Load Using a Novel Hybrid Support Vector Regression Model Incorporated with Observer‐Teacher‐Learner‐Based Optimization Method | |
CN109933877B (zh) | 代数多重网格三维变分数据同化方法 | |
MacPherson et al. | A stochastic extreme sea level model for the German Baltic Sea coast | |
CN103942409A (zh) | 基于时序分析-马氏链方法的疏浚槽回淤量预报办法 | |
Lin et al. | Rainfall prediction using innovative grey model with the dynamic index | |
CN112381334A (zh) | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 | |
Atashi et al. | Distributed Muskingum model with a Whale Optimization Algorithm for river flood routing | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140723 |
|
RJ01 | Rejection of invention patent application after publication |