考虑藤结构优选的时变C藤非一致性径流预报预测方法和系统技术方案

本发明专利技术公开了一种考虑藤结构优选的时变C藤非一致性径流预报预测方法和系统，该方法包括如下步骤：构建备选分布函数集合，并采用KS检验方法选取各径流序列最合适的分布函数；构建广义可加模型，模拟径流序列的时变频率分布；采用基于偏秩Kendall系数的相关度检验法确定各径流序列的C藤Copula维度；通过顺序最大生成树法推求C藤Copula的最优藤结构，再基于C藤Copula的条件分位数函数构建径流模拟模型。本发明专利技术克服了预测因子与径流之间的因重复信息产生的干扰项，而且考虑了径流要素的时变性，提高了模拟结果的准确性和可靠性。提高了模拟结果的准确性和可靠性。提高了模拟结果的准确性和可靠性。

【技术实现步骤摘要】
考虑藤结构优选的时变C藤非一致性径流预报预测方法和系统


[0001]本专利技术涉及径流预测技术，尤其是一种考虑藤结构优选的时变C藤非一致性径流预报预测方法。

技术介绍

[0002]径流预报在水资源规划管理，防洪调度、航运、水环境以及实现经济可持续发展等综合效益方面起着非常重要的作用，其准确性是决定由此做出的调度方案的最优性的关键因素。
[0003]水文系统是一个复杂的系统，水文要素的时空变化具有高度的非线性特点。现有径流预报模型主要采用蒙特卡洛法，神经网络法等数据处理方法降低预报模型误差。在现有技术中，预测因子间的相关性产生的重复干扰信息与径流要素的时变性未被充分考虑，导致预测结果可靠性不足，进一步影响相关方案的有效性。
[0004]另外，在径流预报中需要对大量随机变量的相关度分析，一般采用Copula函数将多个随机变量的边缘分布耦合起来，从而描述变量之间的相关性。藤Copula函数作为一种高维Copula函数，通过二维Copula堆砌而成，由于多维函数计算困难，目前而对多维Copula函数研究和应用较少。

技术实现思路

[0005]专利技术目的：本专利技术的目的在于针对现有技术的缺点，提供一种考虑藤结构优选的时变C藤非一致性径流预报预测模型，在去除预测因子重复干扰信息的同时，考虑了径流要素的时变性，通过筛选最优C藤Copula藤结构建立基于条件分位数函数的径流模拟模型。模型适用于气候变化条件下季节性月径流预报预测，该模型能够提高预报精度，提升流域水资源规划调度方案的有效性。
[0006]技术方案：考虑藤结构优选的时变C藤非一致性径流预报预测方法，包括如下步骤：步骤S1、采集径流序列数据，针对径流分布特征构建备选分布函数集合，并采用KS检验方法选取各径流序列最合适的分布函数；步骤S2、构建广义可加模型，模拟径流序列的时变频率分布；步骤S3、采用基于偏秩Kendall系数的相关度检验法确定各径流序列的C藤Copula维度；通过顺序最大生成树法推求C藤Copula的最优藤结构，再基于C藤Copula的条件分位数函数构建径流模拟模型，通过径流模拟模型对径流进行预报。
[0007]根据本申请的一个方面，所述步骤S1进一步为：步骤S11、根据径流偏态分布特征，挑选边际分布函数作为备选分布函数，所述边际分布函数包括正太分布、正态分布、威布尔分布、对数正态分布、伽马分布以及三参数伽马分布；
步骤S12、采用KS检验法判断各备选分布函数的检验统计量是否大于临界值，若否，则径流数据样本符合该备选分布函数对应的分布；步骤S13、依序采用通过KS检验的备选分布函数计算不同气候因子的拟合度，并降序排列，获得该径流序列对应的最合适的分布函数。
[0008]根据本申请的一个方面，所述步骤S2进一步为：S21、采集径流序列数据，并读取径流序列中的观测值；基于所述观测值构建时变分布函数参数矩阵；S22、构建时变分布函数参数矩阵、相应解释变量和随机效应项之间的函数关系g（
·
），以描述径流序列的时变频率分布；；F
k
为解释变量矩阵，；φ
k
为I
k
长度的回归参数向量；θ
k
=（θ
1k
，θ
2k
，
…
，θ
nk
）
T
；θ=（α
T
、β
T
、ε
T
）；α、β、ε分别表示形状、尺度和位置；；；I
k
+J
k
=k；h
jk
（
·
）为分布参数对于影响变量E
jk
的关系函数，n、j、k为自然数。
[0009]根据本申请的一个方面，所述步骤S3中，采用基于偏秩Kendall系数的相关度检验法确定各径流序列的C藤Copula维度的过程进一步为：步骤S31、计算各个备选协变量与月径流序列的偏秩Kendall相关系数，该偏秩Kendall相关系数用于度量备选协变量与月径流序列之间的相关性；步骤S32、选取置信水平在阈值以上的备选协变量作为该月径流的协变量；在计算相关性时减去由于相关性导致的重复信息；步骤S33、消除先前预测因子的影响，并进一步筛选出合理的预测因子；C藤Copula函数的变量为预测因子及当月径流，其维度为变量个数。
[0010]根据本申请的一个方面，所述步骤S3中，通过顺序最大生成树法推求C藤Copula的最优藤结构的过程进一步为：步骤S3a、最大生成树法确定各个数层的二维Copula组合；步骤S3b、计算出该藤结构的最大权重和，在所有藤结构中挑选权重和最大的一个。
[0011]根据本申请的一个方面，所述步骤S3b进一步为：步骤S3b1、针对存在的各个藤结构，计算其第一个数层的最大权重和；步骤S3b2、确定第二个数层的节点，再依次计算至最后一个数层，在所有藤结构中挑选权重和最大的一个。
[0012]根据本申请的一个方面，所述步骤S3中，基于C藤Copula的条件分位数函数构建径
流模拟模型的过程进一步为：步骤S3i、采集每一径流序列的各个协变量并按照预定的顺序排列；步骤S3ii、将径流和协变量排列在最优藤结构中的对应节点，步骤S3iii、构建多维Copula函数，模拟基于协变量的径流条件分布结构；不同径流基于其协变量的条件藤Copula有不同的藤结构。
[0013]根据本申请的另一个方面，一种考虑藤结构优选的时变C藤非一致性径流预报预测系统，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现任一项技术方案所述的考虑藤结构优选的时变C藤非一致性径流预报预测方法。
[0014]有益效果：本专利技术采用基于偏秩Kendall系数的相关度检验法确定各月径流C藤Copula维度及筛选无重复信息的预测因子组合，采用KS检验法挑选最合适月径流密度的分布函数拟合模型，建立广义可加时变模型模拟时变分布，利用顺序最大生成树法将预测因子科学严谨地与C藤Copula月径流预报模型耦合，并构建基于C藤Copula的条件分位数函数的月径流模拟模型。
附图说明
[0015]图1为本专利技术的整体流程图。
[0016]图2为本专利技术步骤S1的流程图。
[0017]图3为本专利技术步骤S2的流程图。
[0018]图4为本专利技术步骤S3部分过程的流程图。
具体实施方式
[0019]如图1所示，考虑藤结构优选的时变C藤非一致性径流预报预测方法，包括如下步骤：步骤S1、采集径流序列数据，针对径流分布特征构建备选分布函数集合，并采用KS检验方法选取各径流序列最合适的分布函数；步骤S2、构建广义可加模型，模拟径流序列的时变频率分布；步骤S3、采用基于偏秩Kendall系数的相关度检验法确定各径流序列的C藤Copula维度；通过顺序最大生成树法推求C藤Copula的最优藤结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑藤结构优选的时变C藤非一致性径流预报预测方法，其特征在于，包括如下步骤：步骤S1、采集径流序列数据，针对径流分布特征构建备选分布函数集合，并采用KS检验方法选取各径流序列最合适的分布函数；步骤S2、构建广义可加模型，模拟径流序列的时变频率分布；步骤S3、采用基于偏秩Kendall系数的相关度检验法确定各径流序列的C藤Copula维度；通过顺序最大生成树法推求C藤Copula的最优藤结构，再基于C藤Copula的条件分位数函数构建径流模拟模型，通过径流模拟模型对径流进行预报。2.如权利要求1所述的考虑藤结构优选的时变C藤非一致性径流预报预测方法，其特征在于，所述步骤S1进一步为：步骤S11、根据径流偏态分布特征，挑选边际分布函数作为备选分布函数，所述边际分布函数包括正太分布、正态分布、威布尔分布、对数正态分布、伽马分布以及三参数伽马分布；步骤S12、采用KS检验法判断各备选分布函数的检验统计量是否大于临界值，若否，则径流数据样本符合该备选分布函数对应的分布；步骤S13、依序采用通过KS检验的备选分布函数计算不同气候因子的拟合度，并降序排列，获得该径流序列对应的最合适的分布函数。3.如权利要求2所述的考虑藤结构优选的时变C藤非一致性径流预报预测方法，其特征在于，所述步骤S2进一步为：S21、采集径流序列数据，并读取径流序列中的观测值；基于所述观测值构建时变分布函数参数矩阵；S22、构建时变分布函数参数矩阵、相应解释变量和随机效应项之间的函数关系g（
·
），以描述径流序列的时变频率分布；；F
k
为解释变量矩阵，；φ
k
为I
k
长度的回归参数向量；θ
k
=（θ
1k
，θ
2k
，
…
，θ
nk
）
T
；θ=（α
T
、β
T
、ε
T
）；α、β、ε分别表示形状、尺度和位置；；；I
k
+J
k
=k；h
jk
（
·
）为分布参数对于影响变量...

【专利技术属性】
技术研发人员：董增川，黄跃群，李卓铮，王文卓，杨家亮，邵逸卿，梁凤国，
申请(专利权)人：湖南省水利发展投资有限公司湖南省水利水电勘测设计规划研究总院有限公司，
类型：发明
国别省市：