第一次全国水里普查数据分析系统建设方案.pptVIP

　　采用了带自回归误差的回归模型，选用了Yule-Walker估计的方法，最大迭代次数设为5000，对于回归模型采用了拟合自回归模型，其中的自回归阶数设为900。 　　产生的预测结果误差范围在±0.1内的数据占所有预测数据的92.27%。 一段预测结果局部放大图 　　图中红线是实测值，虚线是预测结果。可以看出预测结果比较准确 四、实施内容（数据挖掘） 四、实施内容（数据挖掘） 3、降雨量与入湖流量关系挖掘 对太湖湖西地区降雨量与太湖入湖流量关系的挖掘旨在建立以过去对降雨量与和入湖流量观测为基础的模型，用以预测未来的降雨量与和入湖流量数据，分析太湖地区水文环境的变迁。 四、实施内容（数据挖掘） 3、降雨量与入湖流量关系挖掘 本项目通过使用SAS EM分别建立了线性回归模型和神经网络模型来对水文数据进行数据挖掘。神经网络有良好的学习特性，它会通过一定的学习过程来发现数据中蕴藏的规律。线性回归分析适用于大样本发展趋势预测。 提出了两种模型, 对比模型1和模型2可以发现，使用增量数据后模型的拟合程度大大提高。 四、实施内容（数据挖掘） 模型1预测结果 从图中可以看出，使用模型1得到的预测值和实际值在波峰处仍有所差异，而且时间有一定的滞后。 模型2预测结果 对比模型1和模型2可以发现，使用增量数据后模型的拟合程度大大提高 四、实施内容（数据挖掘） 四、实施内容（数据挖掘） 两种模型预测结果对比 注：模型1是基于神经网络的流量预测模型； 　　模型2是基于神经网络的流量增量预测模型 四、实施内容（数据挖掘） 4、时间序列相似性分析研究与应用 水文时间序列的相似性查找是水文数据挖掘的重要方面，可用于雨洪过程预测、环境演变分析、水文过程规律分析等方面。最为直接的应用是回答防汛指挥中经常会问到的“当前水文过程相当于历史上哪一时期的同类过程”等问题。 四、实施内容（数据挖掘） 以沙颖河为例，基于特征点分段的水文时间序列相似分析 沙颖河基于特征点分段的水文时间序列相似分析 漯河站与何口站1957年汛期降雨量相似曲线 漯河站与何口站1989年汛期降雨量相似曲线图 漯河站点1989与1995年汛期降雨量相似曲线图 漯河站1989年与何口站1978年汛期降雨量相似曲线图 四、实施内容（数据挖掘） 太湖5站水位相似分析 1991年5月~六月和1996年以及1975年相似 四、实施内容（数据挖掘） 5、水文时间序列关联规则挖掘研究与应用 为了解决水文时间序列中关联规则的挖掘问题，实现水文分析中水位流量关系曲线的生成，本文通过改进的聚类过程，对连续的数值属性进行离散化，使得问题转化成布尔型关联规则的发现。应用已经很成熟的布尔型关联规则的方法产生水文时间序列中水位和流量的关联规则，同时联系实际情况对产生的关联规则进行优化。根据优化的关联规则产生数据，得到相应的水位－流量的曲线，并且把原始的曲线拟合得到更加符合水文时间序列中数据变化的水位－流量曲线。对长江流域宜昌站点1997年－2006年8月份水位和流量的数据进行关联规则发现，验证方法的可行性和有效性。 四、实施内容（数据挖掘） 水位－流量的曲线图以及经关联规则优化后新的水位－流量的曲线图 四、实施内容（数据挖掘） 6、太湖水位周期分析 太湖水位的趋势分析在太湖防洪调度中具有非常重要的作用，可对太湖未来水位的趋势预报，为防洪调度提供预案，避免大洪水对太湖周围地区造成巨大的危害。 使用线性回归和非线性回归方法对太湖环湖5站历史水位数据进行拟合，分析太湖历史水位的趋势变化。 对太湖环湖5站的水位数据进行频谱分析，分析其变化的周期。 使用ARIMA模型对太湖环湖5站历史水位数据进行建模，并对模型进行评估，最后预测水位的未来变化趋势。 四、实施内容（数据挖掘） 太湖月均水位频谱密度图 　　12个月变化周期；25个月左右还有个次周期，但由于数据长度有限，不能肯定除1年外的其他周期。 太湖月均水位建模和预测的结果 四、实施内容（数据挖掘） 表2给出了2007年1月-6月太湖月平均水位的预报相对误差 年月 预测值（m） 实际值（m） 相对误差 2007年1月 3.0530 3.0291 0.008 2007年2月 3.0650 2.9609 0.035 2007年3月 3.0857 3.0566 0.010 2007年4月 3.0997 3.0855 0.005 2007年5月 3.0747 3.0381 0.012 2007年6月 3.1273 3.0943 0.011 2007年7月 3.4394 2007年8月 3.3673 2007年9月 3.3832 2007年10月 3.2971 2007年11月 3.1759 2007年12月 3.0980 可以看出ARIMA模型在短期内预测