复权马尔可夫链及其在怒江水沙预测中的应用

针对传统马尔可夫链及其改进的预测方法只能进行状态预测的局限,根据相依随机变量的特点,在以传统马尔可夫链预测方法求得各状态预测概率的基础上,进一步以状态预测概率为权重与状态平均值加权求和,实现了马尔可夫链预测方法从状态预测到数值预测的关键性改进。利用我国西南国际大河怒江干流道街坝水文站1957-2010年径流和1964-2010年悬移质输沙序列为分析期,2011-2015年径流和悬移质输沙为验证期,对所建立的复权马尔可夫链预测方法步骤进行验证表明,复权马尔可夫链预测方法具有较高的数值预测精度,能够满足随机时间序列短期数值预测的需要。     

生命旋回——权马尔可夫链模型在径流预测中的应用

针对生命旋回模型无法反映径流序列随机性特点,将其与权马尔可夫链结合,提出了一种新的径流短期预报模型———生命旋回———权马尔可夫链预测模型。该模型用生命旋回模型模拟预测径流量序列的趋势项,用权马尔可夫链模型来对径流残差序列进行修正。将生命旋回———权马尔可夫链模型用于黄河唐乃亥水文站径流预测中,平均预测精度达到92.46%,合格率为100%,表明该模型预测精度较高,模型实用可行。     

基于加权灰色-马尔可夫链模型的城市需水预测

城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m³和79 818.34万m³,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。     

加权马尔可夫链在开都河径流预测中的应用

基于径流过程不确定性、不精确性的特点,可利用资料系列的均方差方法把径流序列分为不同的状态,在此基础上用加权马尔可夫模型预测径流状态,并根据级别特征值预测径流量.在开都河的实例应用表明:将加权马尔可夫链方法应用于径流量预测是可行的,预测精度较高.     

考虑模糊区域的灰色马尔可夫链应用于防洪堤水平位移预测

应用灰色系统理论和模糊数学的方法,建立了马尔可夫链式预测模型.利用某防洪堤观测资料,预测堤段变形.将灰色马尔科夫链和考虑模糊区域的灰色马尔可夫链所算预测值对比,说明考虑模糊区域的灰色马尔可夫链模型比一般的灰色马尔科夫链更加优越.     

改进隐马尔可夫模型在日降雨发生模拟中的应用

一般的隐马尔可夫模型(HMM)无法有效地在观察和隐藏过程中纳入季节性变量。将一般的隐半马尔可夫模型(HSMM)加以改进,允许马氏链状态的任意停留时间分布。应用R函数,建立了包含季节性的停留时间分布的HMM模型,模拟了河北省各城市日降雨的发生。模拟结果表明,特别是在隐藏的马氏链中,该模型可以有效地在观察过程和隐藏过程中纳入季节性变量;普通HMM模型的状态预测、解码和模型检验的公式和方法也同样适用于该模型。     

基于残差灰色-马尔可夫链的生活用水量预测研究

针对传统GM(1,1)模型在用水量预测方面对非增长序列预测精度差、出现过拟合等问题,采用结合马尔可夫链修正的残差灰色模型预测生活用水量。首先在传统灰色理论预测的基础上,建立了改进残差灰色预测模型:对残差绝对值建立灰色模型,再结合马尔可夫状态转移矩阵判断残差预测值在tn时的正负号,对灰色预测值进行修正。将模型运用于河南省2007—2018年生活用水量预测,结果表明,传统灰色预测模型与改进残差灰色预测模型的平均相对误差分别为4.14%、2.04%,改进残差灰色预测模型的精度等级为"良";同时,改进后模型的后验方差也小于传统模型。这表明改进模型比传统灰色预测模型有更高的精度,拥有更好的可靠性,可以为用水量预测提供新的方法。     

基于隶属度修正的加权马尔可夫链的降水预测

应用Fisher最优分割法将榆林地区1951—2015年的年降水序列划分为9个状态,采用规范化的各阶自相关系数为权重,建立了加权马尔可夫链模型。以属于同一状态的所有降水量的均值作为聚类中心,应用模糊C均值聚类(Fuzzy C-Means,FCM)算法中的隶属函数计算隶属度,以隶属度向量作为预测时的初始状态向量。该模型逐年预测了榆林市2006—2015年的降水状态,结果全部与实际情况一致。基于马尔可夫链的预测结果,采用模糊集中的级别特征值理论分别预测了2006—2015年的降水量,所有预测结果的相对误差都在10%以内,初步表明基于隶属度修正的加权马尔可夫链模型是合理可行的。     

基于马尔可夫链的流沙河流域降水预测

降水预测对流域水资源开发利用与管理决策具有重要意义。利用勐海站1958~2016年降水量资料,结合马尔可夫链对西双版纳流沙河该流域降水进行短期预测。结果表明,2015年和2016年验证期预测丰枯状态与实际完全吻合,马尔可夫链在该流域降水预测中具有较高的精度;2017~2020年预测期降水丰枯状态分别为平水、偏枯、平水、偏枯,该时段降水量总体偏少。     

基于加权马尔可夫链的降水预测应用研究

介绍了加权马尔可夫链的预测方法与模型，以川中丘陵区简阳市为例，根据1974～2003年的降水量资料，采用均值-方差法对年降水量进行了状态分级，应用加权马尔可夫链对该地区的早涝状态进行预测和分析。结果表明：该方法客观、准确、可靠、简便，为区域降水的中短期预测提供了新的解决途径。     

考虑不同状态划分方法的马尔科夫链入库径流预测

针对传统马尔科夫链方法状态划分单一的缺点,考虑入库径流的分布特性、丰枯状态划分的模糊性及径流年内分布的不均匀性,分别采用均值-标准差法、频率法、模糊法及模糊-集对法对入库径流进行状态划分,采用一步预测与多步加权预测相结合的方式对大渡河瀑布沟水库入库径流情势进行预测,探究不同状态划分方法及预测方法对马尔科夫链径流预测结果的影响。研究表明:考虑径流年内分布的状态划分结果更为合理,常规马尔科夫链方法对径流预测准确性的影响明显。研究结果可为今后应用马尔可夫模型开展径流预测提供科学依据。     

土石坝渗压水位极值预测

渗压水位极值预测是监控土石坝安全的主要途径之一,目前用于渗压水位极值预测方法需给出正确的自变量。渗压水位极值最主要的影响因素是上游水位,当渗压水位极值与上游水位相关性弱时,预测模型准确度低。提出一种仅考虑测值序列、不考虑自变量的渗压水位极值预测及评价方法。该方法基于最大Lyapunov指数建立预测模型,利用马氏链的遍历性和平稳分布对该无自变量模型进行评价。算例表明:对于与自变量相关性弱的渗压水位极值,预测模型的预测效果优于常规方法,误差评估模型评价合理。基于混沌理论和随机过程的预测模型及评价方法能形成一套精度较高、实用性强的序列预测及评价方法,覆盖常规预测方法的弱能力区域,可用于建立自变量不明确的测值序列预测模型。     

基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

基于含水层渗透系数研究的云-Markov模型：建立与应用

渗透系数的精度对地下水流和溶质运移有重要影响，传统方法在计算渗透系数的过程中均存在一些局限性。本文建立了一种新的云-Markov模型对渗透系数进行预测：利用云模型中的多条件多规则不确定推理技术，根据样品的粒径分布对渗透系数进行预测，并对其进行误差分析；在此基础上利用权Markov链对预测误差的随机性进行模拟，进而根据此模拟值对云模型的预测结果进行校正，将校正后的预测值作为云-Markov模型最终的计算结果输出，即完成对一个样品渗透系数的预测。将该模型应用于华北平原典型区冲洪积扇含水层参数研究，计算结果表明：与渗透系数的实测值相比，云模型的误差相对数介于0.996~1.178间，通过权Markov误差校正后，云-Markov模型的误差相对数为1.021~1.134，预测精度较最初的云模型有了一定的提高。故与传统模型相比，云-Markov模型基本可以应用于含水层渗透系数的计算。     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

多阶段递进式预测模型在基坑变形中的应用研究

为实现对基坑变形的高精度预测,提高预测结果的稳定性,采用支持向量机、BP神经网络及GM(1,1)作为基础预测模型,并建立了对应各模型参数优化的一阶递进预测模型。以一阶递进预测结果为基础,构建了多种定权与非定权的二阶组合预测模型;以马尔可夫链理论为基础,建立了三阶递进的误差修正模型,实现了对基坑变形的多阶段递进式预测。结果表明:通过各阶段的递进预测,预测精度及稳定性都有了很大的提高,验证了递进预测思路的有效性和可行性。通过对基坑变形的递进式预测研究,以期为基坑的变形提供一种新的思路。     

Evaluation of Drought Condition in Arid and Semi- Arid Regions,Using RDI Index

Investigation of drought event has a great importance in the natural resources management and planning water resources management. One strategy to manage drought is to predict drought conditions by probabilistic tools. In this study climate data of 11 synoptic stations in south of Iran during 1980–2014 were used to estimate of seasonal drought based on RDI index. To prediction of drought (from 2015 to 2020) and analysis of changes trend of it, time series model, first-order Markov Chain model and parametric and non- parametric statistical methods were used. Results showed that MA (5), MA (10), AR (12) and AR (15) were the best time series models that fitted in data of all stations. According to results of prediction of drought classes, classes with normal and moderate dry condition had allocated the most frequency of seasonal drought classes from 2015 to 2020 based on time series model and Markov Chain method. Analysis of changes trend of drought classes showed that based on observed data (1980–2014) and predicted data (1980–2020) changes trend of drought classes in all stations had increasing trend based on parametric and non- parametric statistical methods but increasing trend in about 27% of stations include: Bandar Abbas, Bandar Lengeh, Jask and Shiraz had significant level of 5%. Finally result showed that the study area in 2020 compared to 2014 will be drier.