基于AM．MCMC算法的贝叶斯概率洪水预报模型.PDFVIP

水 利 学 报 2007年12月 SHUIUXUEBAO 第38卷第12期 文章编号：0559—9350(2007)12一1500—07 基于AM．MCMC算法的贝叶斯概率洪水预报模型 邢贞相1，芮孝芳2，崔海燕1，余美2 (1．东北农业大学水利与建筑学院，黑龙江哈尔滨150030；2．河海大学水文水资源学院，江苏南京210098) 摘要：本文在贝叶斯预报系统的框架下，利用BP网络能描述非线性映射的特性建立了基于BP网络的先验密度和 似然函数的模型。并采用基于自适应采样算法(Ad印tiveMetropolisalgorithm，简称AM)的马尔可夫链蒙特卡罗模拟方 法(MarkovchainMonte carlo，简称McMc)求解流量的后验密度，最后给出流量的概率预报。实例表明，基于AM— McMc的BP贝叶斯概率水文预报的精度高，且能给出预报的方差，使得防洪决策可以考虑预报的不确定性。 关键词：贝叶斯预报系统；自适应；McMc；概率预报 中图分类号：P338 文献标识码：A 现行水文预报模型大多是确定性的。实际上，模型的输入、模型的结构和参数均是不确定的，故模 型输出的预报值也是不确定性的。统计决策理论指出，根据不确定的水文预报做决策时，如果不考虑它 的不确定度，则从期望意义上讲，决策中的价值不一定是非负的，只有在考虑了预报不确定度的决策中， Fo『ecasting svstem，简称BFs)是通过确定性水文模型进行概率预报解决水文预报不确定性的一个理论框架。黄伟 军【10。提出灰色模糊贝叶斯的概念，建议贝叶斯模型的先验分布采用灰色先验、似然函数采用模糊似然 函数。张洪刚¨¨建议采用平稳序歹{j线性AR模型与线性扰动模型(LPM)分别描述先验分布与似然函 数，在一定程序上降低了贝叶斯求解的复杂度。李向阳等¨2。采用神经网络模型来描述先验分布与似然 水文模型的预报值进行亚高斯转换及线性正态假设来获取先验密度与函数的菲线性关系，再采用线性 回归求解转换空间的后验密度，然后将其转换为原始空间的后验密度№1。该法计算的复杂性和线性正 态假设大大影响了其适用性。为此，文献[1]利用神经网络的非线性映射能力来描述贝叶斯先验密度与 似然函数，并对湖南双牌水库的洪水预报进行了实例验证。但其中两点不足：(1)神经的性能很大程度 法必须预先根据经验确定参数的抽样区间和推荐分布，难以保证参数的各态遍历性和算法的快速收敛。 本文提出应用基于自适应算法的马尔可夫蒙特卡罗模拟和基于遗传算法的BP神经网络来研究流域出 口断面流量的概率预报。采用加速遗传算法优化神经网络的初始权值和阈值，可使BP网络很快地收 敛n4o；基于自适应算法的马尔可夫链蒙特卡罗模拟不再依赖于参数的推荐分布，也不受参数的先验区 间的影响，能够保证算法的遍历性和较高的抽样效率。 l 贝叶斯概率预报原理 但设流域出口流量过程为p阶马尔可夫过程。令Q。{QI，Q。，…，Q。。+。}为在预报时刻￡已知的 收藕日期：2007．01．30 基金项目：国家自然科学基金资助项目 作者简介：邢贞相(1976一)。男，黑龙江讷河人，博士，主要从事随机水文预报、水资源系统优化等方面的研究。 E-mIl：xi“gzhe眦iarl90l@163．com 一1500— 万方数据 万方数据 万方数据 万方数据 了各场洪水预报的洪峰值、80％的洪峰置信区间、洪峰误差、确定性系数及峰现时差，在该表中还给出了 新安江模型的预报结果以作比较。从表2可以看出，本文建立的贝叶斯概率预报模型的洪峰误差、确定 贝叶斯概率预报的精度明显高于新安江模型的预报结果，且可以给出计算洪峰的不确定度为防洪提供 后验信息的新安江模型预报结果较差所致，由此也说明后验信息对贝叶斯预报结果的重要性。 000次抽样 程、图4(C)始出了洪峰后验均值迹线、图4(d)给出了洪峰后验方差迹线。从图4(b)看出第1 报的过程线明显比新安江模