基于小波分析的月径流ARIMA 预测方法.pdf

第 3O卷 第 4期 水 电 自动化与大 坝监 测 V01．3O No．4 2006年 8月 20日 HydropowerAutomationandDam Monitoring Aug．20，2006 77 基于小波分析的月径流 ARIMA预测方法 刘晓安 ，王金文 ，王海伟 (1．华中科技大学水电与数字化工程学院，湖北省武汉市 430074) (2．长江水利委员会水政水资源局 ，湖北省武汉市430010) 摘要 ：将一种基于小波分析的 自回归滑动平均求和 (ARIMA)模型用于月径流的预测。首先利用 小波变换 良好的局部化特性 ，将月径流序列分解成不 同时间尺度上的子序列；然后对各个子序列利 用ARIMA模型进行预测 。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA 模型的预测结果进行 比较 ，结果表明引入小波变换提高了月径流预报精度。 关键词：月径流预报 ；小波分析 ；ARIMA模型 中图分类号 ：P338 0 引言 通过伸缩平移而生成 的一族 函数 { ．(￡))为母小 波 (￡)生成的小波，称为子小波或子波，其表达式 水文序列是 由多个成分组成的序列，如何将合 为： 成序列中的各种成分划分出来，并用适当的模型描 6 述这些成分，是研究水文序列 的重要 内容 ]。现有 ， (￡)一、／ll． f 1口≠0，b∈R (2) 口l ＼ “ ／ 的水文预报方法分为过程驱动模型方法和数据驱动 式中 ：n为尺度因子 ；b为平移因子 。 模型方法两大类 。其 中，数据驱动模型以回归模 小波变换分为连续和离散 2种，在使用小波变 型 最为常用。近年来，由于神经网络模型、非线性 换重构信号的过程 中，常采用离散化处理。尽管在 时间序列分析模型、模糊数学方法和灰色系统模型 径流分析和预测中使用的数据是历史径流的离散时 等的引进，数据驱动模型在水文预报中受到了广泛 间序列，但这里的离散化不是习惯上的时间离散化， 的关注[3]。小波分析是近年来 起的一种新的信号 是针对连续的尺度参数 n和连续的平移参数b的。 分析处理技术 ，它在时域和频域上同时具有 良好的 通常采用二进制动态采样网络，n和b的离散化公 局部化特征，能对不同的频率成分采用逐渐精细的 式分别取 口一2j和b一2Jk(k∈z)，其对应的二进制 采样步长，聚集到信号的任意细节，在处理非平稳时 小波变换公式为： 间序列中体现出很大的优越性 。 (￡)一 2一 (2一t一 忌) (3) ， 本文将小波变 换和 自回归滑 动平 均求 和