CN109284477A - 一种水文序列的丰枯组合概率计算方法及装置 - Google Patents
一种水文序列的丰枯组合概率计算方法及装置 Download PDFInfo
- Publication number
- CN109284477A CN109284477A CN201811148926.XA CN201811148926A CN109284477A CN 109284477 A CN109284477 A CN 109284477A CN 201811148926 A CN201811148926 A CN 201811148926A CN 109284477 A CN109284477 A CN 109284477A
- Authority
- CN
- China
- Prior art keywords
- sequence
- hydrological
- determining
- uniform
- probability distribution
- 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
- 238000004364 calculation method Methods 0.000 title abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 158
- 238000009826 distribution Methods 0.000 claims abstract description 127
- 241000039077 Copula Species 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 8
- 238000011905 homologation Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 38
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Complex Calculations (AREA)
Abstract
本发明实施例提供了一种水文序列的丰枯组合概率计算方法及装置，该方法包括：获取第一非一致性水文序列和第二非一致性水文序列；根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列；根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。本发明实施例计算出的丰枯组合概率的准确率高。
Description
技术领域
本发明涉及水文数据分析技术领域，尤其涉及一种水文序列的丰枯组合概率计算方法及装置。
背景技术
由于降雨与径流、洪峰与洪量、干旱历时与干旱强度、水量与水质等不同水文变量之间具有相关性。
在相关技术中，采用连接Copula函数，对各类水文数据进行分析计算，其中，假设水文数据是独立分布的，满足独立性、平稳性以及一致性等要求。另外，Copula函数可以看作是边缘分布为区间[0,1]上均匀分布的随机向量的联合分布函数。凡是具有相关性的两个或多个变量，无论是互相关或自相关，都可以用Copula函数将不同变量之间的联合分布函数与各自的边缘分布函数相连接，从而描述两个或多个变量之间的相互对应关系。
但是，对于大部分水文现象而言，它们的随机性常常随着时间的推移或者环境的变化等呈现出某种趋势、季节性或者周期性等非均匀的变化，这就造成水文数据呈非一致性的时间序列。例如：1980年以来中国北方各大江河的实测径流量多呈下降趋势，而不是每年的径流量都相近。其中，海河、黄河、辽河、淮河等北方流域地表径流的平均衰减比例分别为47.1％、15.6％、13.3％和8.5％。因此，相关技术中的采用Copula函数对假设独立分布的水文数据进行分析的方法，对非一致性水文数据进行分析将造成分析结果不准确。
由此可知，相关技术中采用Copula函数对水文数据进行分析的方法不适用于非一致性的水文数据。
发明内容
本发明实施例提供一种水文序列的丰枯组合概率计算方法，以解决相关技术中的采用Copula函数对水文数据进行分析的方法不适用于非一致性的水文数据的问题。
为解决以上技术问题，本发明采用如下技术方案：
第一方面，本发明实施例提供了一种水文序列的丰枯组合概率计算方法，包括：
获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据；
根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数；
根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；
根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。
第二方面，本发明实施例还提供了一种水文序列的丰枯组合概率计算装置，包括：
获取模块，用于获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据；
第一确定模块，用于根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数；
第一选取模块，用于根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；
第二确定模块，用于根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。
第三方面，本发明实施例还提供了一种电子设备，包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如上所述的水文序列的丰枯组合概率计算方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的水文序列的丰枯组合概率计算方法的步骤。
在本发明实施例中，获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据；根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据所述第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数；根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。这样，能够通过概率分布模型，分别将两个非一致性的水文序列转化成两个分位数值序列，并可以根据这两个分位数值序列，从多个备选的Copula函数中确定出准确率最高的一个Copula函数，此时，表示该Copula函数能够准确的描述两个非一致性水文序列中的水文数据，并根据这个Copula函数计算出丰枯组合概率，能够提升丰枯组合概率的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种水文序列的丰枯组合概率计算方法之一的流程图；
图2是本发明实施例提供的一种水文序列的丰枯组合概率计算方法之二的流程图；
图3是本发明实施例提供的一种水文序列的丰枯组合概率计算方法之三的流程图；
图4是本发明实施例提供的一种水文序列的丰枯组合概率计算装置的结构图；
图5是本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于，降雨与径流、洪峰与洪量、干旱历时与干旱强度、水量与水质等不同变量之间相关性，且随着时间的推移，环境、人类活动等的改变将造成水文数据的变化，从而造成水文数据的非一致性，本发明提供的水文序列的丰枯组合概率计算方法，用于确定两个非一致性水文序列之间同丰、同枯等组合状态下的组合概率，利用该方法得出的组合概率的准确率高。
请参阅图1，是本发明实施例提供的一种水文序列的丰枯组合概率计算方法之一的流程图。如图1所示，该方法包括以下步骤：
步骤101、获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据。
其中，上述第一非一致性水文序列和第二非一致性水文序列，可以是降雨与径流、洪峰与洪量、干旱历时与干旱强度、水量与水质等具有相关性的两个水文数据。通过本步骤，获取的分析计算的两组非一致性水文序列，为步骤102至步骤104提供基础。
步骤102、根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数。
其中，所述第一目标概率分布模型可以是根据所述第一非一致性水文序列从Weibull分布、Gumbel分布、对数正态分布、Gamma分布等具有时变参数的概率分布模型中选取的对于所述第一非一致性水文序列的准确率最高的一个概率分布模型，其也可以是Weibull分布、Gumbel分布、对数正态分布、Gamma分布等具有时变参数的任意一种概率分布模型。
另外，所述第二目标概率分布模型可以是根据所述第二非一致性水文序列采用同样的方法选取的最适用于所述第二非一致性水文序列的概率分布模型。
当然，所述第一目标概率分布模型可以选取与所述第二目标概率分布模型相同的概率分布模型。
另外，可以采用时间t的三次样条函数，描述所述时变参数，从而使上述目标概率分布模型跟随时间t变化，从而与所述第一非一致性水文序列和所述第二非一致性水文序列更加匹配。
另外，根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列的步骤，可以是将所述第一非一致性水文序列中的水文数据分别代入所述第一目标概率分布模型的概率分布函数中，并分别得出与所述至少两个水文数据一一对应的至少两个第一分位数值，从而由所述至少两个第一分位数值组成的序列，即为第一分位数值序列。
而且，得出所述第二分位数值序列的步骤，与得出所述第一分位数值序列的步骤相同，为避免重复，在此不再赘述。
本步骤中，根据目标概率分布模型和两个非一致性水文序列，确定两个分位数值序列，该分位数值序列用于在步骤103中评价Copula函数与上述两个非一致性水文序列的匹配程度，即准确率，从而选取准确率最高的一个Copula函数，对上述两个非一致性水文序列进行分析与计算，从而使确定的丰枯组合概率更加准确。
步骤103、根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数。
其中，上述至少两个备选连接Copula函数可以包括二元正态Copula函数、二元t-Copula函数、二元Gumbel Copula函数、二元Clayton Copula函数和二元Frank Copula函数等。由于每一种Copula函数的特性不同，需要选取与所述第一分位数值序列和所述第二分位数值序列最匹配的一个Copula函数作为目标Copula函数。
另外，所述第一分位数值序列和所述第二分位数值序列分别能够反映所述第一非一致性水文序列和所述第二非一致性水文序列的特性，利用所述第一分位数值序列和所述第二分位数值序列对Copula函数的准确率进行评价，能够得出与所述第一非一致性水文序列和所述第二非一致性水文序列最匹配的一个Copula函数。
本步骤中，根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数，并在步骤104中利用准确率最高目标Copula函数对所述第一分位数值序列和所述第二分位数值序列进行丰枯组合概率计算，使得出的结果更加准确。
步骤104、根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。
本步骤中，利用步骤103中选取出的准确率最高的Copula函数对上述两个非一致性水文序列进行分析与计算，从而使确定的丰枯组合概率更加准确。
在本发明实施例中，获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据；根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数；根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。这样，能够通过概率分布模型，分别将两个非一致性的水文序列转化成两个分位数值序列，并可以根据这两个分位数值序列，从多个备选的Copula函数中确定出准确率最高的一个Copula函数，此时，表示该Copula函数能够准确的描述两个非一致性水文序列中的水文数据，并根据这个Copula函数计算出丰枯组合概率，能够提升丰枯组合概率的准确率。
请参阅图2，是本发明实施例提供的一种水文序列的丰枯组合概率计算方法之二的流程图。如图2所示，该方法包括以下步骤：
步骤201、获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据。
步骤202、根据所述第一非一致性水文序列，从至少两个备选概率分布模型中选取准确率最高的所述第一目标概率分布模型；和/或，根据所述第二非一致性水文序列，从所述至少两个备选概率分布模型中选取准确率最高的所述第二目标概率分布模型。
其中，准确率最高也可以理解为所述第一目标概率分布模型最能够描述所述第一非一致性水文序列的概率分布特性；和/或所述第二目标概率分布模型最能够描述所述第二非一致性水文序列中的水文数据的概率分布特性。
作为一种可选的实施方式，步骤202中根据所述第一非一致性水文序列，从至少两个备选概率分布模型中选取准确率最高的所述第一目标概率分布模型的步骤可以包括：
将所述第一非一致性水文序列xt(t＝1,2,…,n)，分别代入所述至少两个备选概率分布模型Mj(j＝1,2,…,S)中的备选概率分布模型中，得出所述xt(t＝1,2,…,n)的概率密度函数f(xt|θ1,j(t))，并根据所述f(xt|θ1,j(t))，确定第一对数似然函数
在l1,j取最大值的情况下，确定对应的时变参数等于并确定M1,j的评价指标
在EI1,j取最小值的情况下，确定j的第一取值为X，并确定M1,X为所述xt(t＝1,2,…,n)的目标概率分布模型，以及确定M1,X中的时变参数为
其中，p为惩罚函数，df1,j为所述M1,j中的整体自由度，X为小于或者等于S的正整数；θ1,j(t)为与xt(t＝1,2,…,n)对应的M1,j的时变参数，M1,j为针对xt(t＝1,2,…,n)的备选概率分布模型，且所述Mj(j＝1,2,…,S)包括所述M1,j，θ1,j(t)为时间t的三次样条函数，j取1至S的任意正整数，S为所述至少两个备选概率分布模型的数量，其为大于1的正整数，t取1至n的任意正整数，n为所述xt(t＝1,2,…,n)，其为大于1的正整数；
另外，步骤202中所述根据所述第二非一致性水文序列，从所述至少两个备选概率分布模型中选取准确率最高的所述第二目标概率分布模型的步骤，包括：
将所述第二非一致性水文序列yt(t＝1,2,…,n)，分别代入所述至少两个备选概率分布模型Mj(j＝1,2,…,S)中的备选概率分布模型中，得出所述yt(t＝1,2,…,n)的概率密度函数g(yt|θ2,j(t))，并根据所述g(yt|θ2,j(t))，确定第二对数似然函数
在l2,j取最大值的情况下，确定对应的时变参数等于并确定M2,j的评价指标
在EI2,j取最小值的情况下，确定j的第二取值为Y，并确定M2,Y为所述yt(t＝1,2,…,n)的目标概率分布模型，以及确定M2,Y中的时变参数为
其中，df2,j为所述M2,j中的整体自由度，Y为小于或者等于S的正整数；θ2,j(t)为与yt(t＝1,2,…,n)对应的M2,j的时变参数，M2,j为针对yt(t＝1,2,…,n)的备选概率分布模型，且所述Mj(j＝1,2,…,S)包括所述M2,j，θ2,j(t)为时间t的三次样条函数，n为所述yt(t＝1,2,…,n)中水文数据的数量，其为大于1的正整数。
其中，t＝1，2，…，n表示所述第一非一致性水文序列和所述第二非一致性水文序列中，分别包括与n个时间t一一对应的n个水文数据。
而且，在t＝1时，表示t取第一个时间，而并非表示时间t的值等于1，例如：非一致性水文序列包括1998年至2007年的年径流总量，则与t＝1对应的水文数据为1998年的年径流总量，与t＝2对应的水文数据为1999年的年径流总量，并依此类推，得出与t＝n对应的水文数据为2007年的年径流总量，在此n＝10。
需要说明的是，在确定第一目标概率分布模型的过程中，可以将xt(t＝1,2,…,n)分别代入s个备选概率分布模型中，即M1，j中j的取值为小于或者等于s的任意正整数。从而得出与所述s个备选概率分布模型一一对应的s个评价指标从而通过比较EI1,j的大小，确定数值最小的EI1,j中j的数值等于X，从而确定M1,X为所述第一目标概率分布模型。
例如，S等于5，则依次将xt(t＝1,2,…,n)代入按顺序排列的5个备选概率分布模型中，并得出5个第一对数似然函数，以及对应的5个评价指标。经比较得出排列于第3位的备选概率分布模型对应的评价指标最小，则确定xt(t＝1,2,…,n)的第一目标概率模型为第3个备选概率分布模型，在第一目标概率模型确定的情况下，可以得出该模型的时变参数。
另外，根据所述yt(t＝1,2,…,n)确定所述第二目标概率分布模型的步骤与上述根据xt(t＝1,2,…,n)确定所述第一目标概率分布模型的步骤相同，为避免重复，在此不再赘述。
在本发明实施例中，采用计算公式的方法，根据待计算的非一致性水文序列从多个备选的概率分布模型中选取出准确率最高的一个概率分布模型，其中，提出了评价指标，评价指标的取值越小，即表示对应的概率分布模型的准确率越高，从而通过比较评价指标值的大小，便能够从所述至少两个备选概率分布模型中选取准确率最高的目标概率分布模型。达到简化计算过程的目的。
本步骤中，从所述至少两个备选概率分布模型中选取准确率最高的目标概率分布模型，以在步骤203中采用该准确率最高的目标概率分布模型对所述第一非一致性水文序列和所述第二非一致性水文序列进行计算与分析，达到提升所述水文序列的丰枯组合概率计算方法的准确率的目的
步骤203、根据所述第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据所述第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数。
作为一种可选的实施方式，步骤203包括：
根据所述M1,X，采用以下公式计算与所述xt(t＝1,2,…,n)中的水文数据一一对应的所述第一分位数值序列ut(t＝1,2,…,n)：
其中，为根据所述M1,X确定的所述xt(t＝1,2,…,n)的概率分布函数；
根据所述M2,Y，采用以下公式计算与所述yt(t＝1,2,…,n)中的水文数据一一对应的所述第二分位数值序列vt(t＝1,2,…,n)：
其中，为根据所述M2,Y确定的所述yt(t＝1,2,…,n)的概率分布函数。
需要说明的是，概率分布模型包括概率分布函数和概率密度函数两种形式，其中f(xt|θ1,j(t))和g(yt|θ2,j(t))为概率密度函数，和为与所述f(xt|θ1,j(t))和所述g(yt|θ2,j(t))分别对应的概率分布函数。
在此，仅以为例，表示概率分布函数中的变量为yt(t＝1,2,…,n)，时变参数等于其他概率分布函数与概率密度函数的表现形式与此相同。
另外，在t分别取1，2，…，n时，分别得出n个分位数值，这n个分位数值案时间顺序进行排列，便形成了分位数值序列。
本实施方式中，提供一种计算分位数值序列的计算方法，在计算过程中，仅需将水文序列中的水文数据分别代入计算公式，便能够得出对应的分位数值序列，从而简化了计算过程，提高了所述水文序列丰枯组合概率的计算方法的效率。
步骤204、根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数。
作为一种可选的实施方式，步骤204包括：
采用以下参数估计公式，计算所述至少两个备选Copula函数的参数值
其中，α为备选Copula函数中的参数，c(ut,vt；α)为备选Copula函数的概率密度函数；
根据所述参数值确定分别与所述至少两个备选Copula函数一一对应的Kendall秩相关系数集Kc(c＝1,2,…,cn)和Spearman秩相关系数集Sc(c＝1,2,…,cn)，其中，cn为所述至少两个备选Copula函数的数量，c为小于或者等于所述cn的正整数；
计算xt(t＝1,2,…,n)和yt(t＝1,2,…,n)之间的Kendall秩相关系数K0和Spearman秩相关系数S0；
根据以下公式，计算相关系数距离评价指标集CDc：
CDc＝|Kc-K0|+|Sc-S0|(c＝1,2,…,cn)
确定与所述CDc的最小值对应的备选Copula函数为所述目标Copula函数。
其中，在CDc取最小值的情况下，表示与该CDc对应的Copula函数的准确率最高。
另外，Copula函数的种类很多，本实施例根据水文分析计算的特点，将二元正态Copula函数、二元t-Copula函数、二元Gumbel Copula函数、二元Clayton Copula函数和二元Frank Copula函数等常用的Copula函数作为二元Copula联合分布函数计算的备选模型。二元正态Copula函数和二元Frank Copula函数适合于具有对称尾部，并且尾部渐近独立的二维随机向量；二元t-Copula函数适合于具有对称尾部，并且尾部相关的二维随机向量；二元Gumbel Copula函数适合于具有非对称尾部，并且上尾相关、下尾渐近独立的二维随机向量；二元Clayton Copula函数适合于具有非对称尾部，并且下尾相关、上尾渐近独立的二维随机向量。如下表1所示，其列出了二元正态Copula函数、二元t-Copula函数、二元GumbelCopula函数、二元Clayton Copula函数和二元Frank Copula函数这5类二元Copula相关结构函数的表达式和相关性度量。
表1
在表1中，u、v表示边缘分布，θ表示Copula函数的相关参数，用于描述变量之间的相关性，Φ-1表示标准正态分布的分布函数的逆函数，表示自由度为k的一元t分布的分布函数的逆函数，k为t分布的自由度。其中，为Debye函数。对于二元Gumbel Copula函数和Clayton Copula函数，由于没有求Spearman秩相关系数的解析表达式，可以在蒙特卡罗模拟的基础上，利用多项式拟合计算Spearman秩相关系数。
本实施方式中，选取准确率最高的一个备选Copula函数作为目标Copula函数，从而在步骤205中，利用准确率最高的目标Copula函数确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率，提升了所述水文序列丰枯组合概率的计算方法的准确性。
步骤205、根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。
作为一种可选的实施方式，步骤205包括：
确定第一频率值P0和第二频率值P1，其中，0≤P0<1，P0<P1≤1，年径流量频率小于P0的年份为丰水年，年径流量频率大于P1的年份为枯水年，年径流量频率大于P0且小于P1的年份为平水年，其中，所述年径流量频率根据ut和vt确定；
根据所述P0、所述P1、所述xt(t＝1,2,…,n)、所述yt(t＝1,2,…,n)以及所述目标Copula函数，确定所述丰枯组合概率。
其中，所述根据所述P0、所述P1、所述xt(t＝1,2,…,n)、所述yt(t＝1,2,…,n)以及所述目标Copula函数，确定所述丰枯组合概率的步骤，包括：
根据以下公式，计算与所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的丰枯组合状态一一对应的丰枯组合概率：
其中，C0为所述目标Copula函数的概率分布函数，其表达式为Prob1为所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同丰概率，Prob2所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同枯概率，Prob3为所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同平概率，Prob4为所述xt(t＝1,2,…,n)为丰水年且所述yt(t＝1,2,…,n)为枯水年的概率，Prob5为所述xt(t＝1,2,…,n)为平水年且所述yt(t＝1,2,…,n)为枯水年的概率，Prob6为所述xt(t＝1,2,…,n)为丰水年且所述yt(t＝1,2,…,n)为平水年的概率。
其中，由于分位数是指小于等于某个值的概率，而年径流量频率为大于或者等于某个值的概率，因此所述年径流量频率可以根据所述第一分位数值序列和所述第二分位数值序列中包含的分位数值确定，例如：第一非一致性水文序列中的年径流量频率分别等于1-ut(t＝1,2,…,n)；第二非一致性水文序列中的年径流量频率分别等于1-vt(t＝1,2,…,n)。
另外，以为例，表示所述目标Copula中的参数分别为1-P1、1-P1以及表示第一分位数值序列中的分位数值小于或者等于1-P1，第二分位数值序列中的分位数值小于或者等于1-P1，且参数α的取值为
本实施方式中，提供一种计算丰枯组合概率的计算公式，将所述xt(t＝1,2,…,n)、所述yt(t＝1,2,…,n)代入上述公式，便能够得出与同丰、同枯、同平等丰枯组合状态一一对应的组合概率，从而简化了计算过程。
本发明实施例中，在利用概率模型分别确定分位数值序列之前，对多个备选概率模型进行筛选，从而选取出准确率最高的一个作为对应的非一致性水文序列的目标概率模型，以提升计算出的分位数值序列的准确率，达到提升所述水文序列的丰枯组合概率计算方法的准确率的效果。
请参阅图3，是本发明实施例提供的一种水文序列丰枯组合概率的计算方法之三的流程图，如图3所示，该方法包括：
步骤301、根据非一致性水文序列，确定优选模型的概率密度，计算与各水文数据一一对应的分位数值。
其中，上述优选模型的概率密度也可以称之为如图1和图2中的目标概率分布模型，该模型具有概率密度函数。
步骤302、根据分位数值序列在多个预设连接Copula函数中确定出目标Copula函数。
其中，选取的目标Copula函数的准确率最高。
另外，分位数值序列为由步骤301中计算出的多个分位数值按照时间顺序排列而得出的分位数值序列。
步骤303、利用目标Copula函数的分布函数，依据水文丰枯标准，计算两组非一致性水文序列之间的组合概率。
其中，水文丰枯标准可以与上一实施例中步骤205的具体实施方式相同。
本发明实施例提供的水文序列丰枯组合概率的计算方法之三，的有益效果与图1和图2所示方法实施例中的有益效果相同，为避免重复，在此不再赘述。
请参阅图4，本发明实施例还提供一种水文序列的丰枯组合概率计算装置，如图4所示，该装置400包括：
获取模块401，用于获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据；
第一确定模块402，用于根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数；
第一选取模块403，用于根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；
第二确定模块404，用于根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。
可选的，所述装置400还包括：
第二选取模块，根据所述第一非一致性水文序列，从至少两个备选概率分布模型中选取准确率最高的所述第一目标概率分布模型；和/或，根据所述第二非一致性水文序列，从所述至少两个备选概率分布模型中选取准确率最高的所述第二目标概率分布模型。
可选的，所述第二选取模块包括：
第一代入单元，用于将所述第一非一致性水文序列xt(t＝1,2,…,n)，分别代入所述至少两个备选概率分布模型Mj(j＝1,2,…,S)中的备选概率分布模型中，得出所述xt(t＝1,2,…,n)的概率密度函数f(xt|θ1,j(t))，并根据所述f(xt|θ1,j(t))，确定第一对数似然函数
第一确定单元，用于在l1,j取最大值的情况下，确定对应的时变参数等于并确定M1,j的评价指标
第二确定单元，用于在EI1,j取最小值的情况下，确定j的第一取值为X，并确定M1,X为所述xt(t＝1,2,…,n)的目标概率分布模型，以及确定M1,X中的时变参数为
其中，p为惩罚函数，df1,j为所述M1,j中的整体自由度，X为小于或者等于S的正整数；θ1,j(t)为与xt(t＝1,2,…,n)对应的M1,j的时变参数，M1,j为针对xt(t＝1,2,…,n)的备选概率分布模型，且所述Mj(j＝1,2,…,S)包括所述M1,j，θ1,j(t)为时间t的三次样条函数，j取1至S的任意正整数，S为所述至少两个备选概率分布模型的数量，其为大于1的正整数，t取1至n的任意正整数，n为所述xt(t＝1,2,…,n)，其为大于1的正整数。
和/或，
所述第二选取模块包括：
第二代入单元，用于将所述第二非一致性水文序列yt(t＝1,2,…,n)，分别代入所述至少两个备选概率分布模型Mj(j＝1,2,…,S)中的备选概率分布模型中，得出所述yt(t＝1,2,…,n)的概率密度函数g(yt|θ2,j(t))，并根据所述g(yt|θ2,j(t))，确定第二对数似然函数
第四确定单元，用于在l2,j取最大值的情况下，确定对应的时变参数等于并确定M2,j的评价指标
第五确定单元，用于在EI2,j取最小值的情况下，确定j的第二取值为Y，并确定M2,Y为所述yt(t＝1,2,…,n)的目标概率分布模型，以及确定M2,Y中的时变参数为
其中，df2,j为所述M2,j中的整体自由度，Y为小于或者等于S的正整数；θ2,j(t)为与yt(t＝1,2,…,n)对应的M2,j的时变参数，M2,j为针对yt(t＝1,2,…,n)的备选概率分布模型，且所述Mj(j＝1,2,…,S)包括所述M2,j，θ2,j(t)为时间t的三次样条函数，n为所述yt(t＝1,2,…,n)中水文数据的数量，其为大于1的正整数。
可选的，所述第一确定模块402包括：
第一计算单元，用于根据所述M1,X，采用以下公式计算与所述xt(t＝1,2,…,n)中的水文数据一一对应的所述第一分位数值序列ut(t＝1,2,…,n)：
其中，为根据所述M1,X确定的所述xt(t＝1,2,…,n)的概率分布函数；
第二计算单元，用于根据所述M2,Y，采用以下公式计算与所述yt(t＝1,2,…,n)中的水文数据一一对应的所述第二分位数值序列vt(t＝1,2,…,n)：
其中，为根据所述M2,Y确定的所述yt(t＝1,2,…,n)的概率分布函数。
可选的，所述第一选取模块403包括：
第三计算单元，用于采用以下参数估计公式，计算所述至少两个备选Copula函数的参数值
其中，α为备选Copula函数中的参数，c(ut,vt；α)为备选Copula函数的概率密度函数；
第四确定单元，用于根据所述参数值确定分别与所述至少两个备选Copula函数一一对应的Kendall秩相关系数集Kc(c＝1,2,…,cn)和Spearman秩相关系数集Sc(c＝1,2,…,cn)，其中，cn为所述至少两个备选Copula函数的数量，c为小于或者等于所述cn的正整数；
第四计算单元，用于计算xt(t＝1,2,…,n)和yt(t＝1,2,…,n)之间的Kendall秩相关系数K0和Spearman秩相关系数S0；
第五计算单元，用于根据以下公式，计算相关系数距离评价指标集CDc：
CDc＝|Kc-K0|+|Sc-S0|(c＝1,2,…,cn)
第五确定单元，用于确定与所述CDc的最小值对应的备选Copula函数为所述目标Copula函数。
可选的，所述第二确定模块404包括：
第六确定单元，用于确定第一频率值P0和第二频率值P1，其中，0≤P0<1，P0<P1≤1，年径流量频率小于P0的年份为丰水年，年径流量频率大于P1的年份为枯水年，年径流量频率大于P0且小于P1的年份为平水年，其中，所述年径流量频率根据ut和vt确定；
第七确定单元，用于根据所述P0、所述P1、所述xt(t＝1,2,…,n)、所述yt(t＝1,2,…,n)以及所述目标Copula函数，确定所述丰枯组合概率。
可选的，所述第七确定单元包括：
计算子单元，用于根据以下公式，计算与所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的丰枯组合状态一一对应的丰枯组合概率：
其中，C0为所述目标Copula函数的概率分布函数，其表达式为Prob1为所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同丰概率，Prob2所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同枯概率，Prob3为所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同平概率，Prob4为所述xt(t＝1,2,…,n)为丰水年且所述yt(t＝1,2,…,n)为枯水年的概率，Prob5为所述xt(t＝1,2,…,n)为平水年且所述yt(t＝1,2,…,n)为枯水年的概率，Prob6为所述xt(t＝1,2,…,n)为丰水年且所述yt(t＝1,2,…,n)为平水年的概率。
本发明实施例提供的水文序列的丰枯组合概率计算装置，能够实现如图1至图3所示方法实施例中的各个过程，并取得相同的有益效果，为避免重复，在此不再赘述。
请参阅图5，本发明实施例还提供一种电子设备，包括：收发机501、处理器502、存储器503、总线接口以及存储在存储器503上并可在处理器501上运行的计算机程序，收发机501用于接收第一非一致性水文序列和第二非一致性水文序列，处理器501执行所述计算机程序，并根据接收到的收第一非一致性水文序列和第二非一致性水文序列以及预先存储于存储器503上的第一目标概率分布模型、第二目标概率分布模型和至少两个备选连接Copula函数，从所述至少两个备选连接Copula函数中选取准确率最高的目标Copula函数，并根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。从而实现如上所述的水文序列的丰枯组合概率计算方法的步骤。取得与上述方法实施例中相同的有益效果，为避免重复，在此不再赘述。
本发明实施例还提供一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的水文序列的丰枯组合概率计算方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述水文序列的丰枯组合概率计算方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种水文序列的丰枯组合概率计算方法，其特征在于，包括：
获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据；
根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数；
根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；
根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。
2.根据权利要求1所述的水文序列的丰枯组合概率计算方法，其特征在于，所述根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列的步骤之前，所述方法还包括：
根据所述第一非一致性水文序列，从至少两个备选概率分布模型中选取准确率最高的所述第一目标概率分布模型；和/或，根据所述第二非一致性水文序列，从所述至少两个备选概率分布模型中选取准确率最高的所述第二目标概率分布模型。
3.根据权利要求2所述的水文序列的丰枯组合概率计算方法，其特征在于，所述根据所述第一非一致性水文序列，从至少两个备选概率分布模型中选取准确率最高的所述第一目标概率分布模型的步骤，包括：
将所述第一非一致性水文序列xt(t＝1,2,…,n)分别代入所述至少两个备选概率分布模型Mj(j＝1,2,…,S)中的备选概率分布模型中，得出所述xt(t＝1,2,…,n)的概率密度函数f(xt|θ1,j(t))，并根据所述f(xt|θ1,j(t))，确定第一对数似然函数
在l1,j取最大值的情况下，确定对应的时变参数等于并确定M1,j的评价指标
在EI1,j取最小值的情况下，确定j的第一取值为X，并确定M1,X为所述xt(t＝1,2,…,n)的目标概率分布模型，以及确定M1,X中的时变参数为
其中，p为惩罚函数，df1,j为所述M1,j中的整体自由度，X为小于或者等于S的正整数；θ1,j(t)为与xt(t＝1,2,…,n)对应的M1,j的时变参数，M1,j为针对xt(t＝1,2,…,n)的备选概率分布模型，且所述Mj(j＝1,2,…,S)包括所述M1,j，θ1,j(t)为时间t的三次样条函数，j取1至S的任意正整数，S为所述至少两个备选概率分布模型的数量，其为大于1的正整数，t取1至n的任意正整数，n为所述xt(t＝1,2,…,n)，其为大于1的正整数；
所述根据所述第二非一致性水文序列，从所述至少两个备选概率分布模型中选取准确率最高的所述第二目标概率分布模型的步骤，包括：
将所述第二非一致性水文序列yt(t＝1,2,…,n)，分别代入所述至少两个备选概率分布模型Mj(j＝1,2,…,S)中的备选概率分布模型中，得出所述yt(t＝1,2,…,n)的概率密度函数g(yt|θ2,j(t))，并根据所述g(yt|θ2,j(t))，确定第二对数似然函数
在l2,j取最大值的情况下，确定对应的时变参数等于并确定M2,j的评价指标
在EI2,j取最小值的情况下，确定j的第二取值为Y，并确定M2,Y为所述yt(t＝1,2,…,n)的目标概率分布模型，以及确定M2,Y中的时变参数为
其中，df2,j为所述M2,j中的整体自由度，Y为小于或者等于S的正整数；θ2,j(t)为与yt(t＝1,2,…,n)对应的M2,j的时变参数，M2,j为针对yt(t＝1,2,…,n)的备选概率分布模型，且所述Mj(j＝1,2,…,S)包括所述M2,j，θ2,j(t)为时间t的三次样条函数，n为所述yt(t＝1,2,…,n)中水文数据的数量，其为大于1的正整数。
4.根据权利要求3所述的水文序列的丰枯组合概率计算方法，其特征在于，所述根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列的步骤，包括：
根据所述M1,X，采用以下公式计算与所述xt(t＝1,2,…,n)中的水文数据一一对应的所述第一分位数值序列ut(t＝1,2,…,n)：
其中，为根据所述M1,X确定的所述xt(t＝1,2,…,n)的概率分布函数；
根据所述M2,Y，采用以下公式计算与所述yt(t＝1,2,…,n)中的水文数据一一对应的所述第二分位数值序列vt(t＝1,2,…,n)：
其中，为根据所述M2,Y确定的所述yt(t＝1,2,…,n)的概率分布函数。
5.根据权利要求4所述的水文序列的丰枯组合概率计算方法，其特征在于，所述根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数的步骤，包括：
采用以下参数估计公式，计算所述至少两个备选Copula函数的参数值
其中，α为备选Copula函数中的参数，c(ut，vt；α)为备选Copula函数的概率密度函数；
根据所述参数值确定分别与所述至少两个备选Copula函数一一对应的Kendall秩相关系数集Kc(c＝1,2,…,cn)和Spearman秩相关系数集Sc(c＝1,2,…,cn)，其中，cn为所述至少两个备选Copula函数的数量，c为小于或者等于所述cn的正整数；
计算xt(t＝1，2，…，n)和yt(t＝1,2,…,n)之间的Kendall秩相关系数K0和Spearman秩相关系数S0；
根据以下公式，计算相关系数距离评价指标集CDc：
CDc＝|Kc-K0|+|Sc-S0|(c＝1,2,…,cn)
确定与所述CDc的最小值对应的备选Copula函数为所述目标Copula函数。
6.根据权利要求5所述的水文序列的丰枯组合概率计算方法，其特征在于，所述根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率的步骤，包括：
确定第一频率值P0和第二频率值P1，其中，0≤P0<1，P0<P1≤1，年径流量频率小于P0的年份为丰水年，年径流量频率大于P1的年份为枯水年，年径流量频率大于P0且小于P1的年份为平水年，其中，所述年径流量频率根据ut和vt确定；
根据所述P0、所述P1、所述xt(t＝1,2,…,n)、所述yt(t＝1,2,…,n)以及所述目标Copula函数，确定所述丰枯组合概率。
7.根据权利要求6所述的水文序列的丰枯组合概率计算方法，其特征在于，所述根据所述P0、所述P1、所述xt(t＝1,2,…,n)、所述yt(t＝1,2,…,n)以及所述目标Copula函数，确定所述丰枯组合概率的步骤，包括：
根据以下公式，计算与所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的丰枯组合状态一一对应的丰枯组合概率：
其中，C0为所述目标Copula函数的概率分布函数，其表达式为Prob1为所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同丰概率，Prob2所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同枯概率，Prob3为所述xt(t＝1,2,…,n)和所述yt(t＝1,2,…,n)的同平概率，Prob4为所述xt(t＝1,2,…,n)为丰水年且所述yt(t＝1,2,…,n)为枯水年的概率，Prob5为所述xt(t＝1,2,…,n)为平水年且所述yt(t＝1,2,…,n)为枯水年的概率，Prob6为所述xt(t＝1,2,…,n)为丰水年且所述yt(t＝1,2,…,n)为平水年的概率。
8.一种水文序列的丰枯组合概率计算装置，其特征在于，包括：
获取模块，用于获取第一非一致性水文序列和第二非一致性水文序列，其中，所述第一非一致性水文序列和所述第二非一致性水文序列分别包括至少两个水文数据；
第一确定模块，用于根据第一目标概率分布模型和所述第一非一致性水文序列确定第一分位数值序列，根据第二目标概率分布模型和所述第二非一致性水文序列确定第二分位数值序列，其中，所述第一目标概率分布模型和所述第二目标概率分布模型包括时变参数；
第一选取模块，用于根据所述第一分位数值序列和所述第二分位数值序列，从至少两个备选连接Copula函数中选取准确率最高的目标Copula函数；
第二确定模块，用于根据所述目标Copula函数，确定与所述第一非一致性水文序列和所述第二非一致性水文序列的丰枯组合状态一一对应的丰枯组合概率。
9.一种电子设备，包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的水文序列的丰枯组合概率计算方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的水文序列的丰枯组合概率计算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811148926.XA CN109284477A (zh) | 2018-09-29 | 2018-09-29 | 一种水文序列的丰枯组合概率计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811148926.XA CN109284477A (zh) | 2018-09-29 | 2018-09-29 | 一种水文序列的丰枯组合概率计算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109284477A true CN109284477A (zh) | 2019-01-29 |
Family
ID=65182278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811148926.XA Pending CN109284477A (zh) | 2018-09-29 | 2018-09-29 | 一种水文序列的丰枯组合概率计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284477A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829000A (zh) * | 2019-02-13 | 2019-05-31 | 中国水利水电科学研究院 | 一种河川年径流量数据的一致性处理方法及装置 |
| CN110135114A (zh) * | 2019-06-06 | 2019-08-16 | 中国水利水电科学研究院 | 河流设计最低通航水位的确定方法和装置 |
| CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
| CN111914436A (zh) * | 2020-08-20 | 2020-11-10 | 中国水利水电科学研究院 | 一种水文设计值区间结果输出方法、装置及电子设备 |
| CN112149893A (zh) * | 2020-09-17 | 2020-12-29 | 中国水利水电科学研究院 | 一种设计洪水值预测方法和装置 |
| CN113052455A (zh) * | 2021-03-22 | 2021-06-29 | 广西电网有限责任公司 | 一种流域径流水文条件精细化评价的方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106598918A (zh) * | 2016-12-19 | 2017-04-26 | 武汉大学 | 基于分位数回归的非一致性设计洪水计算方法 |
| CN107491643A (zh) * | 2017-08-18 | 2017-12-19 | 中国水利水电科学研究院 | 一种确定设计洪峰流量的方法、装置及系统 |
-
2018
- 2018-09-29 CN CN201811148926.XA patent/CN109284477A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106598918A (zh) * | 2016-12-19 | 2017-04-26 | 武汉大学 | 基于分位数回归的非一致性设计洪水计算方法 |
| CN107491643A (zh) * | 2017-08-18 | 2017-12-19 | 中国水利水电科学研究院 | 一种确定设计洪峰流量的方法、装置及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 谭森明: "基于协变量的非一致性洪水频率分析", 《中国优秀硕士学位论文全文数据库（月刊）》 * |
| 鲁帆等: "基于核密度估计和Copula函数的降水径流丰枯组合概率研究", 《中国水利水电科学研究院学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829000A (zh) * | 2019-02-13 | 2019-05-31 | 中国水利水电科学研究院 | 一种河川年径流量数据的一致性处理方法及装置 |
| CN109829000B (zh) * | 2019-02-13 | 2020-12-22 | 中国水利水电科学研究院 | 一种河川年径流量数据的一致性处理方法及装置 |
| CN110135114A (zh) * | 2019-06-06 | 2019-08-16 | 中国水利水电科学研究院 | 河流设计最低通航水位的确定方法和装置 |
| CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
| CN111797129B (zh) * | 2020-06-01 | 2024-01-26 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
| CN111914436A (zh) * | 2020-08-20 | 2020-11-10 | 中国水利水电科学研究院 | 一种水文设计值区间结果输出方法、装置及电子设备 |
| CN111914436B (zh) * | 2020-08-20 | 2024-03-19 | 中国水利水电科学研究院 | 一种水文设计值区间结果输出方法、装置及电子设备 |
| CN112149893A (zh) * | 2020-09-17 | 2020-12-29 | 中国水利水电科学研究院 | 一种设计洪水值预测方法和装置 |
| CN113052455A (zh) * | 2021-03-22 | 2021-06-29 | 广西电网有限责任公司 | 一种流域径流水文条件精细化评价的方法及装置 |
| CN113052455B (zh) * | 2021-03-22 | 2024-04-19 | 广西电网有限责任公司 | 一种流域径流水文条件精细化评价的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284477A (zh) | 一种水文序列的丰枯组合概率计算方法及装置 | |
| Talagala et al. | Meta-learning how to forecast time series | |
| Nerantzaki et al. | Assessing extremes in hydroclimatology: A review on probabilistic methods | |
| Robbins et al. | Mean shift testing in correlated data | |
| CN110321518B (zh) | 一种判定水文时间序列趋势类型的方法 | |
| CN112231786B (zh) | 一种评估仿真模型有效性的通用评估方法及系统 | |
| CN104102836A (zh) | 一种电力系统快速抗差状态估计方法 | |
| Bazil et al. | A global parallel model based design of experiments method to minimize model output uncertainty | |
| Harris | A simulation method for the macro-meteorological wind speed and the implications for extreme value analysis | |
| Dufour et al. | Exact inference and optimal invariant estimation for the stability parameter of symmetric α-stable distributions | |
| CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
| CN113465734B (zh) | 一种结构振动的实时估计方法 | |
| Caballero‐Megido et al. | Comparison of methods for threshold selection for extreme sea levels | |
| CN108197347B (zh) | 连续不规则区域采样点的地理空间分布均匀度检测方法 | |
| Fernandez et al. | Improved estimation of weibull parameters considering unreliability uncertainties | |
| CN109829000B (zh) | 一种河川年径流量数据的一致性处理方法及装置 | |
| CN109870146B (zh) | 一种气候变化情景下的洪水频率计算方法和装置 | |
| CN111651427A (zh) | 一种基于gamlss模型的非一致性水文频率计算方法 | |
| CN105488351A (zh) | 一种生成移动心电信号的噪声模型的方法 | |
| CN109145258B (zh) | 基于非线性拟合的威布尔分布参数置信区间估计方法 | |
| Brochero et al. | Simplifying a hydrological ensemble prediction system with a backward greedy selection of members–Part 2: Generalization in time and space | |
| CN107562695B (zh) | 一种配电变压器的负载数据处理方法及装置 | |
| Sampson et al. | A Monte Carlo evaluation of the stock synthesis assessment program | |
| CN106557614B (zh) | 一种基于Halphen IB分布的洪水频率分析方法 | |
| Mehtätalo | Localizing a predicted diameter distribution using sample information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |
|
| RJ01 | Rejection of invention patent application after publication |