导读:本文包含了水文时间序列论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,时间,水文,神经网络,小波,相关性,卷积。
水文时间序列论文文献综述
许国艳,朱进,司存友,胡文斌,刘凡[1]（2019）在《基于CNN和MC的水文时间序列预测组合模型》一文中研究指出对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。(本文来源于《计算机与现代化》期刊2019年11期）
程扬,王伟,王晓青[2]（2019）在《水文时间序列预测模型研究进展》一文中研究指出水文时间序列具有确定成分和随机成分,运用有效的数学方法提取序列样本中的各个成分,通过数学建模的思想,模拟和预测时间序列是近年来水文预报的重要发展方向。与以往过程驱动模型不同,近年来水文预报的模型主要是数据驱动模型,这类模型分为传统方法和新方法两大类。前者主要有成因分析和水文统计方法等,后者包括近年来新兴的模糊分析、人工神经网络、灰色系统分析、支持向量机等。对目前运用于时间序列预测的几个代表方法的模型特点、适用范围和不足进行了简要评述,展望了水文时间序列预测模型未来发展,期望能为水文预报工作提供帮助。(本文来源于《人民珠江》期刊2019年07期）
周雨婷[3]（2019）在《WA-ANN模型在水文时间序列长期预报中的应用》一文中研究指出准确高效的水情长期预报能够为水文气象相关部门在防汛抗旱规划决策、水利工程调度运行及水资源开发利用等工作提供科学依据。为建立水文时间序列长期预报模型,探究建模思路与设计方法,本文以上海为研究区域,选取黄浦公园水文站、吴淞水文站、徐家汇气象代表站为研究站点,对年最高水位、年降水量及汛期降水量序列建立基于小波分析(Wavelet analysis,WA)的多类型人工神经网络(Artificial neural network,ANN),即WA-ANN模型,进行水情长期预报研究。该模型首先采用小波分析识别并分离出样本序列中的确定性成分与随机成分,然后对两部分分别建立适用于预测预报的典型ANN,包括BP神经网络、径向基函数(Radial basis function,RBF)神经网络、广义回归神经网络(General regression neural network,GRNN)、小波神经网络(Wavelet neural network,WNN)及Elman神经网络,最后将两部分的预测结果迭加得到样本序列的最终预测结果。结合混沌特性分析、自相关分析、经验公式、试错法及遗传算法等方法设定ANN的网络初始参数,根据平均相对误差、平均绝对误差、均方根误差及合格率等四项评价指标,评价不同类型WA-ANN模型的预测精度与稳定性,验证建模思路与网络设计方法的可行性与合理性,并与其他常用长期预报模型预测效果进行对比。主要研究结论如下:(1)基于小波分析建立ANN在研究区域与站点能够提高水情长期预报精度。相比于标准ANN,WA-ANN模型应用于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报具有更高的精度。(2)结合多方法进行网络设计具有一定合理性与可行性。经黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列验证,结合混沌特性分析与自相关分析确定ANN输入层节点数,通过经验公式、试错法设定ANN隐含层节点数、学习率等初始参数,采用遗传算法选取BP神经网络初始权重与阈值,以此设置模型参数得到的预测结果符合长期水文预报的精度评定规定,预测效果较好。(3)对于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报,ANN较自回归模型AR(p)、单变量一阶灰色模型GM(1,1)及门限自回归模型TAR而言具有更好的适用性,整体预测精度更高。其中,GRNN神经网络在稳定性与精度两方面均有较好表现,是水文样本序列长期预报最适用的神经网络类型,其应用于黄浦公园年最高水位序列、吴淞年最高水位序列及徐家汇年降水量序列预测的平均相对误差分别为3.8%、2.8%、11.8%,合格率分别为93.8%、100%、77.3%,预测效果较好;同时,其应用于徐家汇汛期降水量序列预测的平均相对误差与合格率分别为19.7%、68.2%,仅达到水文长期预报基本精度要求,预测效果有待优化。(本文来源于《南京大学》期刊2019-05-20）
余洋,万定生[4]（2019）在《基于WNN-SVM的水文时间序列预测方法研究》一文中研究指出在面对具有随机性、突变性的复杂时间序列数据(如流量等水文时间序列数据)时,传统单一的模型的预测精度不尽人意,对单一模型的优化不能完全克服其局限性。因此,文中提出一种基于WNN-SVM组合的水文时间序列预测模型。首先对水文时间序列数据作均值归一化处理,然后对预处理后的水文时间序列进行小波分解,将分解后的子序列通过相空间重构的方法使其从低维时间序列向高维转换;根据其分解后的特点,对尺度变换序列采用支持向量机(SVM)进行建模预测,小波变换序列采用小波神经网络(WNN)进行建模预测,再将两者的预测结果进行小波重构,得到原始序列预测值。随后采用屯溪流域1980年至2007年43 996个小时流量数据进行实验验证,结果表明该模型的预测精度高于单一模型,证明了该模型的有效性。(本文来源于《计算机技术与发展》期刊2019年09期）
李云霞,姚建国,万定生,赵群[5]（2019）在《一种水文时间序列异常模式检测方法研究》一文中研究指出时间序列数据是一类常见的多维复杂类型数据,它客观记录了观测系统随时间次序而变化的、在各观测时刻点的重要信息。时间序列数据具有海量性、高维性、复杂性等特点,直接对原始水文时间序列进行异常检测需要花费大量的时间,因此提出一种基于两阶段的水文时间序列异常检测方法。该方法通过分段线性表示方法对原始时间序列进行表示,提取子序列的斜率,极值差和均值叁个特征值来表示原始时间序列。第一阶段在每个子序列为一个叁元组的基础上用层次聚类算法对数据进行聚类,得到聚类结果。第二阶段基于聚类结果计算每一类的异常因子,根据异常因子判定异常模式。为验证该方法的有效性,采用龙门站的实测数据和人工合成数据进行实验检测,取得了较好的效果。(本文来源于《计算机技术与发展》期刊2019年07期）
李娇娇,张洪波,辛琛,李吉程[6]（2019）在《水文时间序列高阶自相关性识别及其对水文分析的影响研究》一文中研究指出以往水文序列分析中,对序列自相关性的研究多集中于一阶自相关性及其处理方法,而对于水文序列的高阶自相关性则鲜有表述。以陕西省典型流域实测年径流序列为研究对象,开展序列高阶自相关性的研究,探讨高阶自相关存在与否的问题。结果表明陕西省渭河、汉江、无定河叁大典型流域中,仅有无定河流域风沙区的韩家峁、横山以及流域出口的白家川水文站的年径流序列检测到了高阶自相关,其余站点的径流序列均不存在高阶自相关性。为了验证高阶自相关性对水文分析的影响,通过BP神经网络预测模型对高阶自相关性的影响进行了评估,结果显示在输入变量中加入合适的高阶变量序列后,可在一定程度上提高模型的预测效果,从侧面验证了高阶自相关性客观存在的假设。同时,研究结果还表明对径流关系不佳的小样本资料地区,考虑高阶自相关性的影响,可有效提升小样本径流资料的展延效果,为区域水文设计的科学性与应用效果提供保障。(本文来源于《人民珠江》期刊2019年02期）
石锦,周脚根,王辉,甘蕾,沈健林[7]（2019）在《点源时间序列数据缺失值的估值不确定性分析——以小流域气象和水文数据为例》一文中研究指出【目的】对普遍存在的时间序列缺失值进行有效估值,进而改善时间序列数据的质量。【方法】以亚热带典型小流域长期定位观测的气象(最低气温、最高气温、太阳辐射)及水文(降水量、地表径流量)数据为样本并利用计算机模拟的方法,比较了线性内插法、K-最近邻插值法、多项式插值法、样条插值法和核密度估值法5种估值方法的性能差异,分析了不同取样时间步长(日和月)及不同数据缺失量(1%、5%、10%、15%、20%)条件下对缺失值进行估值的不确定性。均方根误差(RMSE)、绝对值平均误差(MAE)和Pearson相关系数(r)3个交叉验证指标用于评估5种估值方法的性能优劣。【结果】①5种方法估值性能较好,Pearson相关系数为0.62～0.99(P<0.05),且以核密度估值法和多项式插值法的估值性能为优;②数据缺失量和取样步长增加降低了5种估值方法的估值精度;③数据集的变异系数(CV)与估值评估指标(RMSE、MAE及r)显着相关(P<0.05)。【结论】核密度估值法和多项式插值法的估值结果相对更可靠,变异系数是影响估值不确定性的重要因素。(本文来源于《灌溉排水学报》期刊2019年02期）
艾锐峰,程杰,欧阳军,孙云鹏[8]（2018）在《试验海区水文参数时间序列的多周期重构预测方法》一文中研究指出针对水文参数时间序列的预测问题,在多尺度影响因素分析的基础上,提出了一种新的基于多周期重构的预测方法。首先利用小波变换和滑动平均计算对原始时间序列进行若干周期的分解;对分解序列分别进行自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)建模,由模型进行递推预测;再将预测结果反向重构实现对原始序列未来值的预测。运用此方法,对烟台海区某海洋浮标站的温度测量数据进行了分析。分析结果表明,此方法相比直接在原始序列上进行ARIMA建模与预测,预测准确度得到提升,可用于对试验海区水文参数序列的处理,为试验决策提供支撑。(本文来源于《舰船电子工程》期刊2018年10期）
涂异,汪金能,朱曲平,安雪玮,梅艺[9]（2018）在《应用PSO-KELM模型预测水文时间序列》一文中研究指出水文时间序列预测对于水文水利决策有着重要的意义。鉴于水文时间序列的复杂性,提出了一种水文时间序列的混合核PSO-KELM预测模型:将极限学习机(extreme learning machine,ELM)模型应用于水文时序预测研究,基于多核学习思想,构造由径向基核函数和多项式核函数加权构成的混合核函数,其综合了径向基核函数和多项式核函数的优点,并通过粒子群算法(particle swarm optimization,PSO)对模型的参数进行寻优,避免了人工操作造成的繁琐性和主观性。兰州站年径流量和金沟河流域年径流量实测数据被用来验证新模型合理性。通过两个算例表明:新模型能够获取比BP模型、RBF模型更好的结果。(本文来源于《中国农村水利水电》期刊2018年07期）
赖金燕,黄建儒[10]（2018）在《水文时间序列的小波神经网络工具箱预测》一文中研究指出小波分析是傅里叶分析发展史上的里程碑式进展,具有同时揭示信号在时域和频域局部变化特征的能力,被誉为数学的"显微镜"。本文将小波分析与BP网络有机结合,提出一种小波神经网络工具箱预测水文序列的新方法,对水文时间序列进行趋势预测,并与传统的BP和RBF网络预测结果比较,实验表明小波网络工具箱预测模型对数据具有很强的适应能力,预测精确,潜在优势明显。(本文来源于《科技视界》期刊2018年16期）
水文时间序列论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
水文时间序列具有确定成分和随机成分,运用有效的数学方法提取序列样本中的各个成分,通过数学建模的思想,模拟和预测时间序列是近年来水文预报的重要发展方向。与以往过程驱动模型不同,近年来水文预报的模型主要是数据驱动模型,这类模型分为传统方法和新方法两大类。前者主要有成因分析和水文统计方法等,后者包括近年来新兴的模糊分析、人工神经网络、灰色系统分析、支持向量机等。对目前运用于时间序列预测的几个代表方法的模型特点、适用范围和不足进行了简要评述,展望了水文时间序列预测模型未来发展,期望能为水文预报工作提供帮助。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
水文时间序列论文参考文献
[1].许国艳,朱进,司存友,胡文斌,刘凡.基于CNN和MC的水文时间序列预测组合模型[J].计算机与现代化.2019
[2].程扬,王伟,王晓青.水文时间序列预测模型研究进展[J].人民珠江.2019
[3].周雨婷.WA-ANN模型在水文时间序列长期预报中的应用[D].南京大学.2019
[4].余洋,万定生.基于WNN-SVM的水文时间序列预测方法研究[J].计算机技术与发展.2019
[5].李云霞,姚建国,万定生,赵群.一种水文时间序列异常模式检测方法研究[J].计算机技术与发展.2019
[6].李娇娇,张洪波,辛琛,李吉程.水文时间序列高阶自相关性识别及其对水文分析的影响研究[J].人民珠江.2019
[7].石锦,周脚根,王辉,甘蕾,沈健林.点源时间序列数据缺失值的估值不确定性分析——以小流域气象和水文数据为例[J].灌溉排水学报.2019
[8].艾锐峰,程杰,欧阳军,孙云鹏.试验海区水文参数时间序列的多周期重构预测方法[J].舰船电子工程.2018
[9].涂异,汪金能,朱曲平,安雪玮,梅艺.应用PSO-KELM模型预测水文时间序列[J].中国农村水利水电.2018
[10].赖金燕,黄建儒.水文时间序列的小波神经网络工具箱预测[J].科技视界.2018
论文知识图
