论述马尔可夫模型的降水预测方法.doc

随机过程与随机信号处理课程论文

论述马尔可夫模型的降水预测方法

摘要：预测是人们对未知事物或不确定事物行为与状态作出主观的判断。中长期降水量的预测是气象科学的一个难点问题,也是水文学中的一个重要问题。今年来，针对降水预测的随机过程多采用随机过程中的马尔可夫链。本文总结了降水预测的马尔可夫预测的多种方法和模型，对其中的各种方法的马尔可夫链进行了比较和分析，得出了一些有用的结论。

关键字：降水预测，随机过程，马尔可夫链，模拟

前言：大气降水是自然界水循环的一个重要环节。尤其在干旱半干旱地区,降水是水资源的主要补给来源,降水量的大小,决定着该地区水资源的丰富程度。因此,在水资源预测、水文预报中经常需要对降水量进行预报。然而,由于气象条件的变异性、多样性和复杂性,降水过程存在着大量的不确定性与随机性,因此到目前为止还难以通过物理成因来确定出未来某一时段降水量的准确数值。在实际的降水预测中，有时不必预测出某一年的降水量，仅需预测出某个时段内降水的状况既可满足工作需要。因此，预测的范围相应扩大，精度相应提高。因此对降水的预测可采用随机过程的马尔可夫链来实现。

用随机过程中马尔可夫链进行预测是一种较为广泛的预测方法。它可用来预测未来某时间发生的变化,如预测运输物资需求量、运输市场等等。马尔可夫链,就是一种随机时间序列,它表示若已知系统的现在状态,则系统未来状态的规律就可确定,而不管系统如何过渡到现在的状态。我们在现实生活中,有很多情况具有这种属性,如生物群体的生长与死亡,一群体增加一个还是减少一个个体,它只与当前该生物群体大小有关,而与过去生物群体大小无关。]

本文针对降水预测过程中采用马尔可夫链进行模拟进行了综述和总结。主要的方法有利用传统的马尔可夫链的方法模拟；有采用加权的马尔可夫链模拟来进行预测；还有基于模糊马尔可夫链状模型预测的方法；还有通过聚类分析建立降水序列的分级标准来采用滑动平均的马尔可夫链模型来预测降水量；从这些方法中我们可以看出，马尔可夫链对降水预测有着重要的理论指导意义。

1.随机过程基本原理

我们知道，随机变量的特点是，每次试验结果都是一个实现不可预知的，但为确定的量。而在实际中遇到的许多物理现象，实验所得到的结果是一个随时间变化的随机变量，且用一个或多个随机变量我们有时无法描述很多这种现象的的全部统计规律，这种情况下把随时间变化的随机变量的总体叫做随机过程。对随机过程的定义如下：

但“齐次性”一般都不满足。另外该法没有考虑到对应各阶(各种步长)马尔可夫链的绝对分布在预测中所起的作用,因此没有能充分利用已知数据资料的信息。而对于叠加马尔可夫链预测方法,尽管应用了各阶(各种步长)马尔可夫链的绝对分布叠加来预测状态,但没有考虑到各阶马尔可夫链对应的绝对概率在叠加中所起的作用,即认为各阶马尔可夫链的绝对概率所起的作用是相同的,这显然是不科学的,事实上满足马尔可夫性的相依时间序列,其各阶自相关性是不一致的。一列相依的随机变量,其各阶自相关系数刻画了各种滞时的状态间的相关关系的强弱。因此,可考虑先分别依其前面若干时段的指标值的状态进行预测,然后,按前面各年与该年相依关系的强弱进行加权求和,充分合理地利用信息进行预测,这就是加权马尔可夫链预测的基本思想。传统的马尔可夫链预测方法与加权马尔可夫链预测方法都没有对指标值序列进行马尔可夫性检验,这是一个缺陷。本研究提出的加权马尔可夫链预测方法弥补了这个缺陷,具体方法如下:

(1)计算指标值序列的均值、均方差,建立指标值的分级标准,确定马尔可夫链的状态空间。可根据资料序列的长短及具体问题的要求进行。可以样本均方差为标准[5～7]也可用有序聚类的方法建立分级标准[7]将指标进行分级。确定马尔可夫链的状态空间E={1,2,?,m}。

(2)按所建立的分级标准,确定资料序列各时段指标值所对应的状态。

(3)对所得结果进行统计,可得到不同步长马尔可夫链的转移概率矩阵,它决定了指标值状态转移过程的概率法则。

(4)马尔可夫性检验。

(5)计算各阶自相关系数rk,k∈E(E为所研究序列的状态空间)。

式中:rk为第k阶滞时的自相关系数;xl为第l时段的指标值;x为指标均值;n为指标序列的长度。对各阶自相关系数规范化,即

将wk作为各种滞时(步长)的马尔可夫链的权重(m为按时间需要计算到的最大阶数)。

(6)分别以前面若干时段的指标值为初始状态,结合其相

应的各阶转移概率矩阵即可预测出该时段的状态概率P(k)i,i∈E,k为滞时(步长)，k=1,2,…m.

(7)将同一状态的各预测概率加权和作为指标值处于该状态的预测概率,即

所对应