对水域的径流预测一直都是船舶航运安全管理中的重要环节,预测的准确程度受到多种不确定性因素的影响,而目前国际上通用的预测方法都基于相关向量回归模型,该模型的准确性与其中的不确定变化量具有非线性的关系[1-2]。本文首先建立径流的自回归分析模型,然后建立了相对稳定的非线性矩阵,对径流的变量关系进行预测,并基于历史数据对该模型的预测准确度进行仿真。
1 径流向量自回归模型的建立下面建立径流的多变量随机模型。首先确定一般的相关向量平稳函数:
${Y_t}=({Y_{1t}}, {Y_{2t}}, \cdots, {Y_{mt}})'{\rm{ }}t=0, \pm 1, \pm 2, \cdots \cdots。$ |
其中
$ \boldsymbol \varGamma(k)={\mathop{\rm cov}}({Y_t}, {Y_{t - k}})=E[({Y_t}-\mu)({Y_{t-k}}-\mu)']。 $ | (2) |
与k相关。设矩阵
$ \boldsymbol\varGamma(k)={\left({\begin{array}{*{20}{c}} {{\gamma _{11}}}&{{\gamma _{12}}}&\cdots &{{\gamma _{1m}}}\\ {{\gamma _{21}}}&{{\gamma _{22}}}&\cdots &{{\gamma _{2m}}}\\ \vdots &\vdots &\vdots &\vdots \\ {{\gamma _{m1}}}&{{\gamma _{m2}}}&\cdots &{{\gamma _{mm}}} \end{array}} \right)_k}。 $ | (3) |
得到相关序列
$ {\gamma _{ij}}(k)={\gamma _{ji}}(- k)\;\Gamma(k)=\Gamma '(- k)。 $ | (4) |
设
$ \begin{array}{l} {f_{{Y_t}}}(\omega)=\frac{1}{{2{\rm{\pi }} }}\sum\limits_{k=- \infty }^{+\infty } {\Gamma(k)} {e^{ - i\omega k}}=\\[14pt] \;\;\;\;\;\;\;\;\;\;\frac{1}{{2{\rm{\pi }} }}\{ {\Gamma _0}+\sum\limits_{k=1}^\infty {[\Gamma(k)} {e^{-i\omega k}}+\Gamma(k)'{e^{i\omega k}}]\}。\end{array} $ | (5) |
则
设
$ \hat \varOmega=\hat \Gamma(0)+\sum\limits_{k=1}^M {(1 - \frac{k}{{M+1}})[\hat \Gamma(k)}+\hat \Gamma '(k)], $ | (6) |
为Ω的一致估计式。
设径流的估计式为单稳定的过程,则其中应加入干扰的白噪声过程WN向量。对两者建立统一的线性过程函数,从而能够增强预测的准确程度[3-4]。共有4种过程,其预测向量的实现过程如下:
1)
2)VMA(1)过程,回归模型为
3)
$ {Y_t}={\phi _1}{Y_{t - 1}}+\cdots+{\phi _p}{Y_{t - p}}+{\varepsilon _t}+{\theta _1}{\varepsilon _{t - 1}}+\cdots+{\theta _q}{\varepsilon _{t - q}}。 $ | (7) |
式中,
4)
$ {Y_t}=\mu+{\varepsilon _t}+\sum\limits_{j=1}^\infty {{\theta _j}{\varepsilon _{t - j}}} \;{\varepsilon _t} \sim WN(0, \Omega)\;E{Y_t}=\mu。 $ | (8) |
计算得到
$ \boldsymbol\varGamma(k)=\sum\limits_{j=0}^\infty {{\theta _{j+k}}} \Omega {\theta _j}, {\rm{ }}k=0, 1, 2, \cdots。 $ | (9) |
因此,
下面对VMA过程建立冲击函数
$ {Y_t}={\varepsilon _t}+\sum\limits_{j=1}^\infty {{\theta _j}{\varepsilon _{t - j}}}, {\varepsilon _t} \sim WN(0, \varOmega)。 $ | (10) |
由于
下面对上述相关向量回归模型中的随机过程建立不确定状态空间[5-6]。因此,对状态空间的模型进行确定。
设系统中
$ \begin{array}{l} {Z_{t+1}}={F_t}{Z_t}+{u_t}\;\;{\mu _t} \sim WN(0, {\varOmega _\mu }),\\ {Y_t}={H_t}{Z_t}+{v_t}\;\;{v_t} \sim WN(0, {\varOmega _\nu }),\end{array} $ | (11) |
式中,
通过卡尔曼滤波算法对径流状态的变量进行过滤处理,首先以
$\begin{array}{l}\! {Z_{t+1\left| t \right.}}={{E(}}{Z_{t+1}}{\rm{|}}{I_t}{\rm{), }}{Y_{t+1\left| t \right.}}={{E(}}{{\rm{Y}}_{t+1}}{\rm{|}}{I_t}{\rm{)}},\\ \!\! {\varOmega _z}(t \!+\! 1\left| t \right.)\!=\! Var{\rm{(}}{{\rm{Z}}_{t+1}}{\rm{|}}{I_t}{\rm{)}}\;{\varOmega _y}(t+1\left| t \right.)\!=\! Var{\rm{(}}{{\rm{Y}}_{t+1}}{\rm{|}}{I_t}{\rm{)}}。\end{array}$ |
因此,在
$ {Z_{t\left| t \right.}}={{E(}}{Z_t}{\rm{|}}{I_t}{\rm{)}}\;{\varOmega _z}(t\left| t \right.)=Var{\rm{(}}{{\rm{Z}}_t}{\rm{|}}{I_t}{\rm{)}}\;t=1, \cdots, T。 $ | (13) |
式(13)为在
图 1为某河流的5天洪水径流预测值与实测值。该预测算法采用了本文提出的相关向量回归模型,从第一天的预测曲线可以看出,其与实测值的不确定误差很小。随着天数的增多,该河流的径流预测值与实测值不确定性误差渐渐扩大,5天的量化不确定误差值分别为0.04 m,0.07 m,0.13 m,0.19 m和0.30 m。
本文对船舶航道的径流模型进行研究,设计了基于相关向量回归模型的预测算法,从冲击响应的仿真来看,此预测算法的误差控制在非常小的范围内,应用效果良好。
[1] | 仕玉治, 彭勇, 周惠成. 基于相关向量机的中长期径流预报模型研究[J]. 大连理工大学学报, 2012 (1): 79–84. |
[2] | 徐莹, 王嘉阳, 苏华英. 基于遗传算法的支持向量机在径流中长期预报中的应用[J]. 水利与建筑工程学报, 2014 (5): 42–45, 72. |
[3] | 李继伟, 纪昌明, 张新明, 等. 基于支持向量机的水电站中长期径流组合预报[J]. 水电能源科学, 2013 (11): 13–16. |
[4] | ZHENG J, SONG Z, GE Z. Probabilistic learning of partial least squares regression model:Theory and industrial applications[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 158 : 80–90. DOI: 10.1016/j.chemolab.2016.08.014 |
[5] | CORDIOLI M, PIRONI C, DE MUNARI E, et al. Combining land use regression models and fixed site monitoring to reconstruct spatiotemporal variability of NO 2 concentrations over a wide geographical area[J]. Science of The Total Environment, 2017, 574 : 1075–1084. DOI: 10.1016/j.scitotenv.2016.09.089 |
[6] | YABUUCHI Y, KAWURA T, WATADA J. Analysis of the relation between health statistics and eating habits in Japanese prefectures using fuzzy robust regression model[J]. Computers in Biology and Medicine, 2016, 72 : 256–262. DOI: 10.1016/j.compbiomed.2016.01.010 |