基于最近邻抽样回归模型的水文水资源预测.pdfVIP

基于最近邻抽样回归模型的水文水资源预测 程云 东南大学经济管理学院，南京（211189) E-mail ：chengyun0823@126.com 摘 要：介绍了最近邻抽样回归模型(NNBR)进行单因子和多因子预测建模的基本思想和算法. 该模型概念清晰,结构简单,不需对研究对象的相依形式和概率分布形式作假定,也不需估计太多 的参数,是一类数据驱动的非参数预测模型,具有潜在的优势. 通过水文水资源中的两个实例进 行了预测应用,结果表明,预测效果较好，并与BP 网络进行了对比. 关键词：最近邻抽样回归模型，BP 网络，水文水资源，预测 中图分类号：C8-N945-TV 1．引言 国内外常用的水文水资源预测预报方法有三类：确定性预报方法、随机水文模型预报方法 和确定与随机相耦合的预报方法[1].这些传统预报方法一般假定水文水资源系统是线性的，而真 实水文水资源系统是高维、非线性、非正态的，故上述方法预测效果不尽如人意.究其原因，除 了水文水资源系统具有不确定性和随机性外，还存在着灰色性、模糊性、非线性和混沌性，因 而一些新预报方法，如灰色系统预测法[2] [3] [4] 、模糊系统预测模型 、人工神经网络模型 、水文混 沌预测模型[5]等运用而生.这些新理论、新方法预测精度有一定提高，但它们仍然没有摆脱“假定 －拟合－预测”这种模式.近20年来发展了一种探索性的数据分析方法——投影寻踪技术[6]，能较 好地解决非线性、非正态问题，且预测效果较好，但该技术数学理论较复杂，编程困难.为了准 确、客观地预测水文变量的变化，本文引用了最近邻抽样回归模型[7] (nearest neighbor bootstrapping regressive model,简称NNBR).该模型避免了对研究对象的相依形式和概率分布形式 作某种假定，是一类基于数据驱动的、不需识别参数的非参数模型.根据研究对象不同，将NNBR 模型分为单因子NNBR模型和多因子NNBR模型两种形式. 2 ．NNBR模型 2. 1 模型原理及算法 2.1.1 单因子NNBR模型 已知单变量时间序列 , 依赖于前 个相邻历史值 .定义 {X t }n X t P X t −1 ,X t −2 ,Λ ,X t −P ，称 为特征向量， 为 的后续值(t P +1,P +2,Λ ,n) . Dt (X t −1 ,X t −2 ,Λ ,X t −P ) Dt X t Dt 已知当前特征向量 ，如何预测其后续值 呢?最近邻预测的基本思 Di (X i−1 , X i−2 ,Λ , X i−P ) X i 想是：在已有的特征向量 (t P +1,P +2,Λ , n) 中，总有K 个与当前特征向量 最近邻(最 D D t i 相似),从而在Dt 中可得到K 个最近邻特征向量，记为D1(i) , D2(i) ,Λ ,DK (i) ,其对应的后续值分别 为 .最近邻是根据 与 间的欧氏距离来判断，距离越小， 与 越近 X 1(i) ,X 2(i) ,Λ ,X K (i) Di Dt Di Dt 邻，欧氏距离计算见式(1). 个最近邻特征向量