水文时间序列

摘要： 针对基于正态分布的检测算法在窗口中出现偏差较大的极端异常值时,检测模型出现不稳定的现象,提出一种基于柯西分布的异常检测算法.通过试验发现,用滑动窗口内的中位数以及中位数绝对偏差来代替均值以及标准差,可以较好地消除滑动窗口内极端异常值对检测算法的影响.探讨了算法中滑动窗口以及置信度的设置,并通过实例对算法进行验证.结果表明,所提算法的检出率在窗口以及置信度设置恰当的情况下保持较高水平.与其他算法对比表明,所提算法对于处理局部波动剧烈的流量时间序列展现出较好的适用性以及鲁棒性.

摘要： 当今随着水文气象条件的改变和人类活动的影响,水文序列也发生了相应的变化.为了研究浏阳河流域径流量的变化情况,利用Mann-Kendall (MK)秩次相关检验法对双江口站和榔梨站的流量进行检验,分析生态环境和人类活动对水文变异的影响.结果 表明,双江口水文站年径流量的变化趋势为先增后减,并且在2008年出现突变;榔梨水文站年径流量的整体变化趋势为下降,但是年径流量变化并不明显,仅2008年、2009年的统计量超过了显著性a=0.05时的临界值.

摘要： 集对分析是一种处理不确定性问题的新方法。在一个水文水资源预测系统中,由于被预测的2个或多个集合因子之间的确定性与不确定性是相互联系、相互影响和相互制约的,并且在一定条件下又可相互转化,因此集对分析法应用联系度(数)模型,通过分析计算模型中的同一度、差异度和对立度及其联系数,生动而又形象地精确刻画水文水资源预测系统中的各种确定或不确定性关系,来实现水文水资源系统中的各种预测。为此,以我国北京市的实测年均降雨量资料为例,结合时间序列预测的集对分析原理和步骤,对年降雨量系列进行分析研究,得出水文时间序列预测集对分析模型是可行且有效的,并且预测精度满意、计算简单、使用方便。

摘要： 为了高效地从海量的水文传感器数据中检测出异常值,提出一种基于SparkR的水文时间序列异常检测方法.首先,对数据进行清洗后,采用滑动窗口配合自回归积分滑动平均模型(ARIMA)在SparkR平台上进行预测;然后,对预测的结果计算置信区间,将在区间范围以外的判定为异常值;最后,基于检测结果,利用K均值算法对原数据进行聚类,同时计算其状态转移概率,对检测出的异常值进行质量评估.以在滁河获取的水文传感器数据为实验数据,分别在运行时间和异常值检测效果这两个方面进行了实验.结果 显示:利用SparkR对百万级数据进行计算时,利用双节点计算的时间要长于单节点;但是对千万级数据进行计算时,双节点比单节点计算时间上更少,最多减少了16.21％,且评估过后的灵敏度由之前的5.24％提高到了92.98％.实验结果表明,在SparkR下,根据水文数据的特点并结合预测检验和聚类校验的方法对千万级水文时间序列进行检测时,能有效提高传统方法的计算效率,并且在灵敏度方面相比传统方法也有显著提升.

摘要： 水文时间序列是时间序列在水文领域的体现,反应了降水、水位、流量等水文要素随时间变化的信息.水文时间序列的相似性研究,对于发现水文规律、防洪调度等有着重要的现实意义.根据动态时间规整算法在水文时间序列的相似性度量中复杂度高、计算量大的问题,提出一种改进的算法,该算法约束了搜索范围,减少大量的重复计算.以滁河金牛湖水库日平均水位作为实验数据,实验证明该改进算法可以有效提高算法的运算效率.

摘要： 随着水利信息化的深入开展，如何从海量的水利数据中提取有用的知识和信息变得越来越迫切。本文介绍了针对水文时间序列数据的几个典型数据挖掘应用研究，主要包括：水文相似性检索，基于相似性匹配的洪峰传播时间估计，水位-流量关联规则发现以及异常检测。

摘要： 由于气候因素和下垫面因素的综合影响,水文时间序列表现出复杂的非线性,包括确定性成分和随机成分,如月径流序列、日均流量序列等。这些预报对象如果不加处理直接用AR(p)建模进行预测误差较大。介绍了通过对非干稳序列提取周期项和趋势项后的余差序列建立AR(p)模型进行水文中长期预报的组合预测方法,并以嘉陵江北碚站7月最大洪峰流量序列为例对组合模型进行验证,结果比较满意。

摘要： 从统计学角度对水文时间序列的多个跳跃点进行了分析,先采用Lee-Heghinan法、两类有序聚类法和图解分析法初步识别跳跃点的个数和位置,再采用多类有序聚类分析法、秩和检验法和游程检验法确定跳跃点,为结合成因分析法最终确定跳跃点提供了统计依据.

摘要： 水文序列具有高度非线性、非平稳性,针对传统水文时间序列趋势提取时需要对数据进行假设和预处理,导致趋势提取准确率受到影响的问题,本文提出以时频分析理论为基础的经验模态分解法进行水文序列趋势提取.先用仿真信号验证了方法可行性,然后将其应用于湟水河流域民和站实测年径流量趋势提取中,将趋势提取结果与传统Mann-Kendall非参数检验法所得结果进行对比.仿真及实例分析结果表明:经验模态分解法能对水文序列进行自适应分解,无需假设和预处理,相比传统分析方法能更准确地提取水文序列趋势.

摘要： 混沌和支持向量机理论为研究复杂多变的非线性水文时间序列开辟了新的途径。给出了应用支持向量机回归原理的混沌时间序列非线性的预测建模的思路、特点及关键参数的选取。根据重构相空间理论对月径流过程进行相空间的重构,探讨了支持向量机混沌时间序列非线性预测模型在月径流预测中的应用,在支持向量机建模过程中引入了经向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文数据序列.且有较好的预测精度。

摘要： 混沌理论为研究复杂多变的非线性水文时间序列开辟了新的途径,但目前多限于水文系统的混沌特性研究,应用于水文预报的还比较鲜见.本文在相空间重构的基础上,提出了反演水文系统动力模式,据此进一步建立相空间自记忆预报模型的方法,并应用于月径流量预报.实例研究表明,该模型能很好地处理复杂的水文数据序列,可显著提高预报精度.

摘要： 水文时间序列各种组分的划分、检验、提取和表示，是研究水文序列机制的重要内容，也是进行水文序列模拟和预报的重要基础。在诸多不同类型问题的研究中，信息熵和最大熵原理(POME)都发挥了重要作用，并显现出广阔的应用前景。在对水文序列组分分析的基础上，探讨了运用基于POME的MEM1谱估计，应用组分分解预报方法，对黄河花园口(秦厂)站月径流序列加以预报。

摘要： 为了高效地从海量的水文传感器数据中检测出异常值,提出了一种基于SparkR的水文时间序列异常检测方法.对数据进行清洗后,采用滑动窗口配合自回归积分滑动平均模型在SparkR平台上进行预测,然后对预测的结果计算置信区间,在区间范围以外的,将其判定为异常值.基于检测结果,利用K均值算法对原数据进行聚类,同时计算其状态转移概率,对检测出的异常值进行质量评估.以在滁河获取的水文传感器数据为实验数据,分别在运行时间和异常值检测效果这两个方面进行了实验.结果表明:利用SparkR,对百万级数据进行计算时,利用双节点计算的时间要长于单节点,但是对千万级数据进行计算时,双节点比单节点在计算时间上更优,最多减少了16.21％,且评估过后的灵敏度由之前的5.24％提高到了92.98％.实验结果表明在大数据平台下,根据水文数据的特点并结合预测检验和聚类校验的方法,对千万级水文时间序列进行检测时,提高了传统方法的计算效率,并且在灵敏度方面相较于传统方法也有显著提升.

摘要： 洪水是一种严重自然灾害，应用传统水文频率分析方法对其分析时结果存在不确定性，因此相应设计洪水结果存在较大风险。本文应用贝叶斯理论，建立改进水文频率分析方法以分析设计洪水的风险性。实例分析表明，水文线型参数不确定性是客观存在，应用贝叶斯方法可以求得参数及设计洪水的后验分布、后验分布特征值和各置信区间，最终实现对设计洪水值不确定性的定量描述，同时客观分析设计洪水结果的风险性。相比传统水文频率计算方法，该方法可得到“频率值”的概率预报结果，因此更加合理客观。

摘要： 洪水是一种严重自然灾害，应用传统水文频率分析方法对其分析时结果存在不确定性，因此相应设计洪水结果存在较大风险。本文应用贝叶斯理论，建立改进水文频率分析方法以分析设计洪水的风险性。实例分析表明，水文线型参数不确定性是客观存在，应用贝叶斯方法可以求得参数及设计洪水的后验分布、后验分布特征值和各置信区间，最终实现对设计洪水值不确定性的定量描述，同时客观分析设计洪水结果的风险性。相比传统水文频率计算方法，该方法可得到“频率值”的概率预报结果，因此更加合理客观。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 特征量提取装置(100)具有：数据取得部(110)，其取得时间序列数据作为输入时间序列数据(D1)；多滤波器应用部(120)，其具有多个数字滤波器，对数据取得部(110)取得的输入时间序列数据(D1)应用各数字滤波器，按照每个数字滤波器输出应用后的包含时间序列特征或频率特征的时间序列数据即滤波器响应时间序列数据(D5)；以及特征量提取部(130)，其针对多滤波器应用部(120)输出的多个滤波器响应时间序列数据(D5)，按照每个滤波器响应时间序列数据(D5)提取特征量，输出提取出的特征量作为特征量数据(D2)。

摘要： 时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 本发明公开了一种基于时间序列分解和LSTM的时间序列数据预测方法，包括：步骤一、采集时间序列数据，并对其进行预处理，获得满足建立预测模型数据需求的时间序列样本集，进行训练集和测试集的划分，得到第一训练集与第一测试集；步骤二、基于LSTM建立用于趋势分量和余项预测的第一神经网络，通过第一训练集进行训练与调参，将训练好的第一神经网络模型对第一训练集进行预测，获得第一训练集的趋势分量和余项的预测结果，进一步处理成第二训练集；步骤三、基于ANN建立第二神经网络，通过第二训练集进行训练和调参；步骤四、将训练好的第一神经网络和第二神经网络模型对测试集进行联合预测，获得拟合的时间序列数据预测结果。

摘要： 本发明提供了一种时间序列数据聚类模型建立方法及时间序列数据聚类方法，涉及数据聚类技术领域。本发明所述的时间序列数据聚类模型建立方法，包括：获取原始时间序列数据，将所述原始时间序列数据输入到深度神经网络中进行训练，得到所述原始时间序列数据的最终特征表示；根据所述最终特征表示通过对比学习对时间序列样本进行聚类，根据交叉熵调参直至训练完成，以建立时间序列数据聚类模型。本发明所述的技术方案，能够实现针对时间序列数据特点的高效特征表示，有效解决当前已有算法存在的特征提取表达能力不足、相似数据之间结构信息挖掘不充分的问题，提高了时间序列数据聚类的准确性。

摘要： 本发明属于人工智能时间序列预测技术领域，具体为一种提升时间序列预测系统预测时间序列效果的方法。本发明基于时间序列预测损失上的理论分析，设计新的时间序列预测算法，该算法建模历史数据模式与未来数据模式上的差异，提出两步走的训练方式，一方面保证模型对历史数据的记忆不会轻易消失，另一方面保证在未来数据上有较好的预测效果。理论分析与实验验证表明，在时间序列预测任务中，本发明预测方法相比于其他方法，可以有效缓解由于数据随时间的变化即概念漂移而导致的模型老化问题；可以进一步提升模型的预测准确率。本发明能够广泛应用于各类基于实数值的时间序列预测任务，提升任务在未来数据点上的预测准确度。

摘要： 本申请公开了人工智能领域中的一种时间序列预测模型的训练方法、时间序列预测方法及装置。该时间序列预测模型的训练方法包括：将源域的第一时间序列和目标域的第二时间序列输入第一预测模型中，通过第一预测模型中的特征编码器生成第一时间序列的特征和第二时间序列的特征；将第一时间序列的特征和第二时间序列的特征输入领域判别器中，对领域判别器与特征编码器进行对抗训练，且基于目标域的样本集对第一预测模型进行调优，得到目标预测模型。本申请的方法能够提高目标预测模型的准确性，避免出现过拟合和负迁移。