[發明專利]一種基于小波變換和聯合概率分布的水文預報方法

在審

• 申請號: 201910394865.3
• 申請日: 2019-05-13
• 公開（公告）號: CN110263293A
• 公開（公告）日: 2019-09-20
• 發明（設計）人: 劉智勇;林凱榮;陳曉宏;黃利燕
• 申請（專利權）人: 中山大學
• 主分類號: G06F17/14
• 分類號: G06F17/14;G06F17/18
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明提供一種基于小波變換和聯合概率分布的水文預報方法。一種基于小波變換和聯合概率分布的水文預報方法，其中，包括如下步驟：S1.提取預測變量和被預測變量；S2.利用小波分析方法將預測變量分解為不同時間尺度的子時間序列；S3.計算多個預測變量的子時間序列與被預報變量的聯合概率分布函數；S4.構建被預測變量和預測變量子時間序列的條件概率分布方程；將小波分析和聯合概率分布函數進行集成，從而構建新型的基于小波變換和聯合概率分布水文預報方法以適應變化環境下水文預測需求。本發明提供的水文預報方法與傳統水文預報方法對比，預報效果更優。

技術領域

本發明涉及水文預報技術領域，更具體地，涉及一種基于小波變換和聯合概率分布的水文預報方法。

背景技術

水文預報是水文科學研究中極為重要和棘手的問題之一。提高水文預報的準確性和可靠性，可實現為防汛和水資源管理決策提供更加準確可靠的依據。而探索無資料或資料匱乏區域水文模擬的新方法，提高其預報精度，更是為當前水文預報的研究核心之一。

隨著水利、氣象、遙感、計算機等專業的發展，水文預報也經歷了快速的發展，預報精度也不斷的提高。傳統的數據驅動模型方法包括多元線性回歸模型、成因分析方法、時間序列分析方法等。其中，時間序列分析方法是基于隨機理論，將水文時間序列看成為隨機成分和確定性成分等項組成，通過對各項模擬并疊加得到水文預報的結果，目前比較常用方法有自回歸模型(Autoregressive,AR)、馬爾可夫鏈等。后來，進一步發展為自回歸滑動平均(ARMA)模型、分數階差分自動回歸滑動平均模型等各類不同形式的自回歸模型。隨著技術的進步特別是計算機技術的不斷發展，不少國內外學者也不斷發展和提出了新的水文預報理論和預報模型，如模糊分析法、ARMA(Auto-Regressive and Moving Average)模型、灰色系統模型、神經網絡模型(Artificial Neural Network，ANN)、支持向量機模型(SupportVector Regression，SVR)等。但是上述這些模型在對無資料或資料匱乏區域水文模擬預報時，預報精度仍然需要提高。

發明內容

本發明為實現上述目的，提供一種基于小波變換和聯合概率分布的水文預報方法。本發明與常規的預報模型對比，能夠實現更優的水文預報。

為解決上述技術問題，本發明采用的技術方案是：一種基于小波變換和聯合概率分布的水文預報方法，其中，包括如下步驟：

S1.對于某水文變量的時間序列Q_t，提取1個時間lag(如1小時、1日、1月、1年等)、2個時間lag、3個時間lag或更長的n個時間lag的時間序列Q_t-1、Q_t-2、Q_t-3或Q_t-n，作為初始的預測變量，而原始的水文變量時間序列Q_t作為被預測變量的時間序列；

S2.利用小波變換的分解功能，把預測變量Q_t-1、Q_t-2、Q_t-3或Q_t-n各自分解為高頻和低頻多個不同時間尺度的子序列sub series，這些子序列sub series將作為以下基于Vinecopula的預報方法的輸入因子；

S3.基于Vine copula聯合高維分布函數，構建所有的輸入因子以及被預測變量Q_t之間的聯合概率分布函數；

S4.基于構建的聯合概率分布函數，進一步求解被預測變量和預測變量之間的條件分布函數模型，利用該模型實現對被預測變量的預報，并對預報效果進行評估。

進一步的，所述步驟S1中，所述水文變量分為不同種類的水文氣象變量和不同時間尺度的水文氣象變量，所述不同種類的水文氣象變量包括降水、徑流、水位及土壤濕度，所述不同時間尺度的水文氣象變量的時間尺度包括小時、日、月、年。