文摘

油藏流入预测是一个重要的主题在水文领域,因为它决定了洪水事件。洪水可以最小化的负面影响极大,如果洪水频率提前预测准确。在目前的研究中,一种新的混合模型,引导开发二次响应面试验日常流速及流水量预测。发达引导二次响应面模型与多元线性回归模型相比,一阶响应面模型,二次响应面模型,小波一阶响应面模型、小波二次响应面模型,引导一阶响应面模型。时间序列数据的季风季节(7月1日至9月30日)的2010年杰纳布河流域进行了分析。研究模型测试通过使用性能指标:Nash-Sutcliffe效率系数,平均绝对误差,持久性指数和均方根误差。结果表明,该模型,即。,bootstrap quadratic response surface shows good performance and produces optimum results for daily reservoir inflow prediction than other models used in the study.

1。介绍

大规模降雨高涨的频率在最近时间导致频繁的洪水造成的损失由于最新的区域效应和气候变化1]。加速水循环提高降水事件的强度提高流速及流水量的变化,和这些事件负责频繁的洪水和干旱(2]。研究人员应用许多模型预测流流入包括自回归(AR)、自回归移动平均(ARMA)、自回归移动平均(ARIMA)集成,回归模型、神经模糊模型、概念模型和更复杂的模型基于人工神经网络(ANN) [3- - - - - -7]。安等软计算模型,自适应神经模糊推理系统(简称ANFIS)和随机森林是提出的Seo et al。8河阶段建模。该模型加上变异模式分解(VMD)技术。他们发现VMD技术改进的性能比传统的简单模型。因此,他们指出,VMD-based模型更一致的河流流量建模。金和李9]研究了贝叶斯分析的多重回归分析地区枯水频率。金和汉10]介绍了非线性自回归模型与外源输入和自组织映射(NARX-SOM)洪水预测。

小波分析(WA)是一种有价值的检查方法的变化,漂浮,周期的研究数据。佤邦也高度重视水文领域的(11- - - - - -14]。2台混合动力模型,如小波神经网络(什么时候)和小波自适应神经模糊推理系统(WANFIS)介绍了Seo et al。15对洪水预报)。他们得出的结论是,什么时候和WANFIS模型执行几乎同样和产生可靠的预测结果比传统的模型。Shafaei和基西人16]探索到的性能模型预测每天的河流流速及流水量。什么时候模型描述了优秀的性能比简单的安和支持向量机(SVM)日常流速及流水量预测模型。魏(17]介绍了一种新的算法小波支持向量机(小波支持向量机)呼吁每小时水位的预测。使用不同的组合小波技术对SVM模型,新模型小波支持向量机。高斯应用支持向量机和小波支持向量机模型预测的目的。结果透露,小波支持向量机模型产生更准确的预测结果,为水位预测提供切实可行的解决方案。小波引导人工神经网络(WBANN)模型介绍了可靠的每小时的洪水预报。WBANN和引导人工神经网络(禁止)模型描述更好的结果与传统的安和什么时候模型相比。最高水位,WBANN模型具有良好的结果。WBANN模型的整体性能好与安相比,咒诅和什么时候模型(18]。巴希尔et al。19)开发了一种引导多元线性回归(BMLR)模型对油藏流入预测。开发模型与其他模型相比小波多重线性回归(WMLR),小波引导多元线性回归(WBMLR)和多元线性回归模型(高)。他们得出的结论是,比WMLR BMLR模型产生更好的预测结果,WBMLR,高钙模型。

反应地基模型。二次响应面(QRS)和非线性响应面(NRS)提出的Yu et al。20.]。他们表明,反应地基模型执行与高钙和ANN模型。Keshtegar et al。21)称,5次多项式函数的响应地基模型应用的流水量预测阿斯旺水坝,这个模型会产生令人满意的结果。前面的文献上可用河洪水预测描述缺乏研究混合动力响应面(RS)模型通过引导和小波技术。因此,本研究探讨了混合模型结合日常油藏流入预测的小波和引导技术响应地基模型。本研究的主要目标是开发一种新的混合模型引导二次响应面(BQRS)每日油藏流入预测和比较发达的结果模型和剩余的研究模型:高钙,一阶响应面(福尔斯得到消息),二次响应面(QRS),小波二次响应面(WQRS),小波一阶响应面(WFORS)和引导一阶响应面(BFORS)。

2。材料和方法

2.1。响应面模型

给出了响应变量和预测之间的关系如下: 在哪里 代表的响应变量, 是一个未知的响应函数,误差项是用 ,和 是独立的变量。福尔斯得到消息模型用于定义给出了独立和相关的变量之间的线性关系如下:

福尔斯得到消息模型包括一个叉积。 和 输入变量, 代表反应变量。 代表了未知参数。

QRS模型在数学上的定义是

这个模型包括了额外的两阶项与一阶模型。

2.2。小波分析

佤邦已经得到普及和练习在水文领域近年来引进这种技术在1980年代早期。佤邦分解去除噪音数据的原始时间序列数据,并提供一个可靠的预测水文数据利用的重要信息从不同分辨率的水平。佤族是通过提供一个联合表示时间序列数据的时频域。为了实现目标,分为小波时间序列数据,这些小波扩展和翻译版本的母小波22]。

连续小波变换(CWT)和离散小波变换(DWT)是两种类型的佤邦。CWT分解时间序列数据在所有可能的范围内,和大量的数据生成尽可能在每个规模需要大量计算工作。此外,大量的数据产生了冗余信息,DWT基于二元计算的数据。DWT是简单的处理和计算工作需要低于CWT [23]。基于先前的应用WT在水文领域,DWT证明更好的结果比类(24]。

用离散时间系列数据 ,DWT的定义是

在方程(4), 是一个小波系数。规模参数是用 在位置参数表示 和n是正整数。 代表一个有限的时间序列数据。N在数学上代表数据的总长度,它等于 。整数的范围n是 ,和整数的范围米是 。因此,在特定的时间间隔的时间,一个小波需要产生一个系数在一个巨大的规模 。下一个规模 ,两个小波在一个完整的间隔时间,和两个系数。整个过程一直持续到米符合统一(米= 1)。

在步骤米= 1,规模参数是21。这意味着2m−1或N/ 2的系数需要解释在这个尺度时间序列数据。因此,对于离散信号,小波系数的总数是生成的 ,如果我们精心设计的,它将是1 + 2 + 4 + 8 +………+ 2米−1=N−1 (25]。

2.3。引导方法

引导的重采样技术,非参数统计的一部分。引导是一种数据驱动技术,用于计算几个实现数据集的分布。得到一组引导样品采用密集的重采样与更换。引导技术提供了一个更好的理解可变性和未知的原始时间序列数据分布的平均和最大限度地减少不确定性26]。

考虑观测样本的经验分布。经验分布构成一个分配1 /的概率分布n每个样本概率值。在引导技术,我们代替未知的人口分布与已知的经验分布。引导程序所涉及的步骤如下:(我)准备一个引导程序示例通过生成一个样本经验分布的替代(2)计算估计量的值 这是画引导样品吗(3)重复前两个步骤K的次数

2.4。多元线性回归模型

高钙模型技术用于建模的响应变量和自变量之间的关系。高模型的数学形式给出了矩阵形式如下:

2.5。性能指标
2.5.1。均方根误差

均方根误差(RMSE)表示如下:

2.5.2。平均绝对误差

平均绝对误差(MAE)的平均观测值和预测值之间的区别。梅的范围是从0到∞。

梅的数学表达式如下:

2.5.3。Nash-Sutcliffe效率系数

Nash-Sutcliffe效率系数(研究)是用来评估水文模型的预测能力。它被定义为

研究的范围 为1。密切值为1表示模型的符合很好。

2.5.4。持久性系数

持久性系数表示为(CP)

3所示。数据和统计分析

杰纳布河流域是巴基斯坦第二大的河流。杰纳布河流域的流域总面积是67515公里2。杰纳布河流域的基础是在30°- 77°东部和32°至50°北部,它是建立在喜马拉雅山上的地区Lahaul Spiti在喜马偕尔邦,印度。两流交汇的名为“Bhaga”和“钱德拉”形成了杰纳布河流域。杰纳布河河进入巴基斯坦旁遮普平原。杰纳布河流域的河流Jhelum会见Trimmu测量站。河流拉维河和Satluj加入杰纳布河前Punjnad测量站。Marala、Khanki Qadrabad测量站的杰纳布河河中扮演着至关重要的角色在巴基斯坦建造运河连接系统。杰纳布河流域的领土,洪水在季风时节,是一个严重的问题。暴雨在季风季节尤其是在河上游汇水盆地集涌入河杰纳布河的基础。融雪补给7月份平均占总水量的40%。 The geographical location of the three gauging stations under study is represented in Figure1。


图1
图显示的位置与其毗邻的杰纳布河流域。

杰纳布河流域的数据用于本研究构成日常排放数据的三个测量站2005 - 2010年期间(552年数据)季风季节从7月1日到9月30日。原始数据被分成两个数据集。培训开发模型、日常排放数据的三个测量站2005 - 2009年季风季节应用虽然每天排放数据2010年季风季节(7月1日至9月30日)被用于测试目的。开发模型的性能评估通过的测试数据集。

3.1。模型开发

在分析高钙,福尔斯得到消息,QRS WFORS, WQRS, BFORS,和BQRS流速及流水量预测模型,关键的一步是选择适当的输入变量。在这项研究中,相关分析是用来选择输入变量。三个测量站Marala、Khanki Qadrabad彼此之间有很强的关联,但所有这些变量与Trimmu弱相关,Punjnad测量站在表表示1。因此,Marala Khanki测量站选为解释变量,和Qadrabad测量站被选中作为响应变量。Qadrabad测量站是我们预测的网站。在回归模型中两个或两个以上的变量高度相关,然后预测之间存在多重共线性。表2表明Marala预测因子和Khanki偏回归系数符号相反的描述,预测产生相反的相互关系但本协会与原始的事实。预测都有公差值为0.215,表明预测之间存在多重共线性。方差的通货膨胀因素,VIFx1和VIFx2分别对预测大约5。这是另一个证据的存在多重共线性的因素。主成分分析(PCA)在预测中用于解决多重共线性的问题通过互相正交的主成分得分。

表1
输入变量之间的线性相关分析。
表2
共线性统计预测,运用线性回归方程。

使用Mallat DWT算法,每一个测量站的数据分解成subtime系列组件被称为细节和近似(27]。每个组件提供了不同的角色在原始时间序列数据,而这些subtime系列说明不同的行为(28]。许多基本小波的家庭可以利用改变原始信号。母小波的选择取决于数据分析。在每个家庭中,小波的分类是基于数量的消失的时刻。在水文建模中,广泛使用的小波家庭Coiflets,哈雾,symlets, Daubechies。

原始时间序列信号的迭代过程分解成许多分辨率的水平。这个分解过程被称为小波分解树。由于迭代分析过程仍在继续无限期地行为。在实践中,选择合适的层数的分解时间序列数据利用公式如下(29日]:

分解为代表的水平l,N是信号的长度。在这项研究中,分解水平选择的数量是3。图2代表了时间序列数据的分解(Marala、Khanki Qadrabad测量站)第三分辨率水平。


图2
三级分解时间序列信号。

测试提前一天预测,十三个小波福尔斯得到消息模型建立了通过使用哈雾,Daubechies Symlets, Coiflets小波函数具有不同消失的时刻和表3。Sym15小波函数结果在所有性能指标有所提高,这给福尔斯得到消息输入选择小波函数和QRS模型。图3表示模型的发展。

表3
许多WFORS模型的性能通过使用几个母小波函数。

图3
流程图说明了各种模型的发展。
3.2。WFORS和WQRS模型

混合模型WFORS和WQRS DWT的联合开发的技术与传统响应面模型福尔斯得到消息和QRS。以下步骤进行WFORS和WQRS的发展。

原始时间序列数据分解为小波组件利用DWT方法通过选择一个最佳的分解级别。

在第二步中,有效的小波组件提供输入数据的传统福尔斯得到消息和QRS模型。

3.3。BFORS和BQRS模型

BFORS BQRS混合模型,这些模型是由两个引导技术与福尔斯得到消息和QRS模型。

4所示。结果与讨论

统计值高,福尔斯得到消息,QRS WFORS, WQRS, BFORS,和BQRS模型等不同的性能指标分析了无,RMSE,梅,CP调查并显示在表中4杰纳布河流域。

表4
演出的许多预测模型1到3天交货时间为测试数据集2010(9月7月1日至31日)的杰纳布河流域。

本文的主要目的是观察两种方法的适用性:小波和引导。这些技术结合反应的基于模型预测河流流流入。首先,原始的观测时间序列数据作为输入高钙,福尔斯得到消息,QRS模型。第二,数据被分解利用DWT技术和采用适当的分解子系列作为输入福尔斯得到消息和QRS模型制定WFORS和WQRS模型,分别。第三,引导技术应用和结果作为输入用于福尔斯得到消息和QRS模型来产生两个新模型BFORS和BQRS。可以从结果显示,DWT方法说明了小波模型的显著提高结果如WFORS和WQRS,高钙,福尔斯得到消息,和QRS模型使用原始数据集,但这些模型相比(WFORS和WQRS)模型涉及引导技术(BFORS BQRS),小波模型的性能恶化。该模型BQRS结果优秀的RMSE = 0.0079 m3/ s,分析了无= 0.9927,CP = 0.9961,美= 0.0021 m3提前一天预测/ s。第二和第三天提前预测,BQRS模型比其余的模型讨论了性能优越。相比,所有提出的模型测试期间,BQRS模型证明了良好的预测和可靠的结果为所有三天前的预测。

图4代表了未来1 d 3 d QRS-based模型的预测性能杰纳布河流域。所有数据描述观察到的放电和放电使用散点图预测测试段数据集。BQRS模型估计接近观察排水与其他模型相比在研究中使用。是观察BQRS模型将峰值流速及流水量的预测误差最小化,和它的值是接近预测线。同样,数据5和6显示FORS-based模型和高模型,分别为1 d 3 d提前预测。已经观察到整体BQRS模型改进的结果。

(一)
(一)
(b)
(b)
(c)
(c)
图4
散点图QRS-based模型观察到的流水量与预测河流一至三天杰纳布河流域的交货时间:(a) 1 d交货时间;(b) 2 d交货时间;(c) 3 d交货时间。
(一)
(一)
(b)
(b)
(c)
(c)
图5
散点图FORS-based模型观察到的流水量与预测河流一至三天杰纳布河流域的交货时间:(a) 1 d交货时间;(b) 2 d交货时间;(c) 3 d交货时间。
(一)
(一)
(b)
(b)
(c)
(c)
图6
散点图的高钙模型观察水流与预测河流一至三天杰纳布河流域的交货时间:(a) 1 d交货时间;(b) 2 d交货时间;(c) 3 d交货时间。

5。结论

本文研究探讨了两种不同类型的混合模型的可预测性:小波响应面模型和bootstrap-based响应面模型。观察到的时间序列数据分解成子系列采用DWT和选择有效成分提供输入模型。小波技术将信号分解成多层组件采用多分辨率分析。预测时间序列数据的小波结合反应地基模型对小波函数的选择是发现敏感。小波函数sym15找到更好的与其他相比小波函数。整体性能指定小波模型结果改进的模型相比,使用原始时间序列数据:高钙,福尔斯得到消息,QRS。引导技术用于最小化时间序列数据的不确定性。可以看出默认引导重新取样的数量是不适当的。仔细Bootstrap-based应增强预测模型。少量的引导重新取样适合日常杰纳布河流域水库流入预测。 The bootstrap technique applies to the original time series data to formulate bootstrap-based models: BFORS and BQRS. This study illustrates that the BQRS model is a suitable method for modeling reservoir inflow prediction.

数据可用性

复制这项工作的结果,数据可从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。