基于改進(jìn)的馬爾科夫鏈模型的河流徑流預(yù)測研究

劉曉哲

（遼寧省水文局，遼寧沈陽110003）

基于改進(jìn)的馬爾科夫鏈模型的河流徑流預(yù)測研究

劉曉哲

（遼寧省水文局，遼寧沈陽110003）

針對傳統(tǒng)馬爾科夫鏈模型不能考慮各因子權(quán)重的局限，文章引入自相關(guān)系數(shù)作為各因子權(quán)重，對傳統(tǒng)馬爾科夫鏈模型進(jìn)行改進(jìn)，并將改進(jìn)的馬爾科夫鏈模型進(jìn)行徑流預(yù)測。研究結(jié)果表明：改進(jìn)馬爾科夫鏈模型可提高方程的收斂性和預(yù)測精度，改進(jìn)的馬爾科夫鏈模型徑流預(yù)測精度明顯好于傳統(tǒng)馬爾科夫鏈模型的預(yù)測精度，預(yù)測值與實(shí)測值相關(guān)系數(shù)高于傳統(tǒng)馬爾科夫鏈模型。研究成果對于區(qū)域徑流的數(shù)學(xué)模型預(yù)測具有較好的參考價值。

改進(jìn)馬爾科夫鏈模型；傳統(tǒng)馬爾科夫鏈模型；加權(quán)權(quán)重；徑流預(yù)測

馬爾科夫鏈模型可以表述隨機(jī)系列的動態(tài)變化，可通過不同變量之間的狀態(tài)變化的轉(zhuǎn)移概率來預(yù)測系統(tǒng)未來的變化。由于模型具有明確的數(shù)學(xué)意義，當(dāng)前被廣泛用于不同變量的預(yù)測。近些年來，隨著計算技術(shù)的不斷發(fā)展，數(shù)學(xué)模型也不斷地被用于水文序列變量的模擬預(yù)測，并取得一定的研究成果［1-6］。這些數(shù)學(xué)模型包括灰色系統(tǒng)模型、神經(jīng)網(wǎng)絡(luò)模型法以及其他時間序列模型法，但在這些模型中，馬爾科夫鏈模型可以通過不同變量之間的轉(zhuǎn)移概率來反映不同隨機(jī)變量之間的影響程度，可以較好的模擬不同狀態(tài)變量之間的相互聯(lián)系，近些年來，被許多學(xué)者應(yīng)用于水文序列的模擬中，取得較好的預(yù)測模擬成果［7-10］。但這些成果都表明馬爾科夫鏈模型存在收斂精度不高，且未能考慮不同因子之間的權(quán)重，為此有學(xué)者對傳統(tǒng)馬爾科夫鏈模型進(jìn)行改進(jìn)，引入權(quán)重系數(shù)，對各個因子設(shè)定不同的權(quán)重，提高了模型的收斂精度以及變量預(yù)測的精度。但改進(jìn)的馬爾科夫鏈模型只是對降水系列進(jìn)行了模擬，還未在天然徑流進(jìn)行預(yù)測，而天然徑流是水資源評價的重要依據(jù)。為此本文引入改進(jìn)的馬爾科夫鏈模型，結(jié)合水文站還原的天然徑流資料，對比分析改進(jìn)的馬爾科夫鏈模型和傳統(tǒng)的馬爾科夫鏈模型的徑流預(yù)測精度。研究結(jié)果對于數(shù)學(xué)模型在流域徑流中的應(yīng)用研究提供參考價值。

1 加權(quán)馬爾科夫鏈模型原理

1.1 馬爾科夫鏈

馬爾科夫鏈先計算一組隨機(jī)變量序列，｛x，t∈ T｝為隨機(jī)生成的一組隨機(jī)序列，在隨機(jī)序列中，

對于任意時間變量t≥0以及隨機(jī)變量的狀態(tài)值j，i0，i1，i2，i3….it-1，i1∈E。都代表

則表示｛x，t∈T｝為馬爾科夫鏈。通過馬爾科夫鏈的表達(dá)式可以看出，馬爾科夫鏈表示的系統(tǒng)含義是t+s時刻變量的一個狀態(tài)值只和前個t時刻的狀態(tài)相關(guān)，而和t時刻以前的狀態(tài)無任何關(guān)聯(lián)。

傳統(tǒng)的馬爾科夫鏈未能考慮各個變量因子之間的權(quán)重系數(shù)，在收斂計算時存在收斂異常的情況，為此本文引入改進(jìn)的馬爾科夫鏈。改進(jìn)的馬爾科夫鏈主要是通過建立各個因子不同的轉(zhuǎn)移概率權(quán)重，利用標(biāo)準(zhǔn)化的各因子的自相關(guān)系數(shù)作為轉(zhuǎn)移概率權(quán)重，將變量的某一個時刻的狀態(tài)轉(zhuǎn)移概率進(jìn)行加權(quán)，以加權(quán)后的概率作為變量在某個時刻的預(yù)測值。從而預(yù)測該變量標(biāo)準(zhǔn)化因子所處在的變量值。改進(jìn)的馬爾科夫鏈變量的徑流預(yù)測的主要步驟：

（1）通過建立各個變量因子的不同等級的標(biāo)準(zhǔn)以及各因子變化轉(zhuǎn)移的概率系數(shù)，采用標(biāo)準(zhǔn)方差法進(jìn)行不同等級的標(biāo)準(zhǔn)化。通過這種方法來確定徑流預(yù)測不同時刻的狀態(tài)值。因?yàn)樾枰嬎悴煌燃壪碌母饕蜃拥淖兓D(zhuǎn)移的權(quán)重系數(shù)，所以需要對各個因子的概率權(quán)重系數(shù)進(jìn)行相關(guān)計算。

（2）各因子不同相關(guān)系數(shù)及標(biāo)準(zhǔn)。通過對各個影響因子進(jìn)行相關(guān)系數(shù)的計算，相關(guān)系數(shù)計算公式為：

式中，xi表示的第i個時刻的變量狀態(tài)值，在文中表示為徑流值，x-表示為徑流的平均值。

對各個變量因子進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化處理公式為：

式中，m代表的物理意義為模型預(yù)測計算的最大因子數(shù)。

（3）結(jié)合前面2個步驟中不同時刻的計算值作為初始的狀態(tài)值，對應(yīng)各個變量的轉(zhuǎn)移概率加權(quán)權(quán)重系數(shù)，可以推算出下個時刻不同的狀態(tài)變量值，其中K表示的模型計算時段的步長，本文選用年、月2個時間步長。

（4）將處在同一個時間變量的狀態(tài)預(yù)測值和各個因子的權(quán)重進(jìn)行疊加計算，可以表示某個變量在該狀態(tài)下的概率預(yù)測值，表達(dá)式為：

該時刻的計算最大概率值表示預(yù)測時刻對應(yīng)下的狀態(tài)值。

（5）基于模糊數(shù)學(xué)的理論，通過各個狀態(tài)變量不同權(quán)重系數(shù)可以得到各因子的權(quán)重矩陣wi，則得到年徑流的預(yù)測值，表達(dá)式為：

式中，T和B分別表示的變量狀態(tài)的上下邊界。

（6）結(jié)合改進(jìn)的馬爾科夫鏈的游歷和方程穩(wěn)定的特點(diǎn)，可以計算不同狀態(tài)的變量概率值。

2 實(shí)例應(yīng)用

2.1 數(shù)據(jù)說明

選用遼寧二道河子水文站1980～2010年經(jīng)過還原的天然徑流數(shù)據(jù)，運(yùn)用改進(jìn)前后的馬爾科夫鏈進(jìn)行徑流預(yù)測，其中1980～2000年徑流數(shù)據(jù)用于模型訓(xùn)練分析，2000～2010年徑流數(shù)據(jù)用于模型預(yù)測，結(jié)合實(shí)測水文數(shù)據(jù)對比分析改進(jìn)的馬爾科夫鏈模型和傳統(tǒng)馬爾科夫鏈模型預(yù)測精度，模擬的時間尺度分為年尺度和月尺度。

2.2 模擬結(jié)果對比分析

2.2.1 年徑流預(yù)測結(jié)果對比分析

基于改進(jìn)的馬爾科夫鏈和傳統(tǒng)的馬爾科夫鏈分別對遼寧二道河子水文站2000～2010年天然徑流進(jìn)行預(yù)測，并和水文站實(shí)測結(jié)果進(jìn)行對比分析。模擬結(jié)果見表1和圖1。

表1 改進(jìn)的馬爾科夫鏈模型模擬徑流量年尺度預(yù)測對比成果

從表1中可以看出，改進(jìn)的馬爾科夫鏈預(yù)測的徑流和實(shí)測的徑流值誤差5.6%～13.2%之間，相對誤差的平均值為8.29%，而傳統(tǒng)的馬爾科夫鏈預(yù)測的徑流值和實(shí)測的徑流值相對誤差在10.7%～18.1%之間，相對誤差的平均值14.96%，可見改進(jìn)的馬爾科夫鏈提高了徑流預(yù)測的精度。其次從圖1中也可以看出，改進(jìn)的馬爾科夫鏈預(yù)測的年尺度徑流值和實(shí)測的徑流值的相關(guān)系數(shù)為0.8534，而傳統(tǒng)的馬爾科夫鏈預(yù)測的年尺度徑流值和實(shí)測的徑流值的相關(guān)系數(shù)為0.6806，可見在年尺度上改進(jìn)的馬爾科夫鏈預(yù)測的徑流值和實(shí)測的徑流值相關(guān)度更高。

2.2.2 月徑流預(yù)測結(jié)果對比分析

由于徑流在各個月份的值均不同，為此本文結(jié)合改進(jìn)的馬爾科夫鏈對月尺度的徑流值進(jìn)行預(yù)測，也和傳統(tǒng)的馬爾科夫鏈進(jìn)行對比分析，結(jié)果見表2和圖2。

表2 改進(jìn)的馬爾科夫鏈模擬徑流月尺度預(yù)測對比成果

從表2中可以看出，改進(jìn)的馬爾科夫鏈預(yù)測的月尺度徑流和實(shí)測的徑流值相對誤差在6.6%～13.2%之間，相對誤差的平均值為11.2%，而傳統(tǒng)的馬爾科夫鏈預(yù)測的月尺度徑流值和實(shí)測的徑流值相對誤差在14.2%～28.6%之間，相對誤差的平均值20.2%，可見改進(jìn)的馬爾科夫鏈明顯提高了月尺度徑流預(yù)測的精度。其次從圖2中也可以看出，改進(jìn)的馬爾科夫鏈預(yù)測的月尺度徑流值和實(shí)測的徑流值的相關(guān)系數(shù)為0.8477，而傳統(tǒng)的馬爾科夫鏈預(yù)測的年尺度徑流值和實(shí)測的徑流值的相關(guān)系數(shù)為0.6422，可見在月尺度上改進(jìn)的馬爾科夫鏈預(yù)測的徑流值和實(shí)測的徑流值相關(guān)度更高。

圖2 改進(jìn)的馬爾科夫鏈模型徑流預(yù)測月尺度精度對比

3 結(jié)語

本文通過引入加權(quán)系數(shù)，對傳統(tǒng)馬爾科夫鏈模型進(jìn)行改進(jìn)，并應(yīng)用改進(jìn)的馬爾科夫鏈模型進(jìn)行徑流預(yù)測，研究得出以下結(jié)論：

（1）改進(jìn)的馬爾科夫鏈模型解決了傳統(tǒng)馬爾科夫鏈模型不能考慮各因子的權(quán)重的局限，改善模型計算收斂性。

（2）改進(jìn)的馬爾科夫鏈模型在徑流預(yù)測精度上明顯好于傳統(tǒng)馬爾科夫鏈模型，在年尺度徑流模擬相關(guān)系數(shù)提高近0.17，月尺度徑流模擬相關(guān)系數(shù)提高近0.21。

［1］張衛(wèi)東.二維泥沙數(shù)學(xué)模型在唐河倒虹吸工程設(shè)計中的應(yīng)用［J］.水利規(guī)劃與設(shè)計，2010（03）：40-42.

［2］童曄，朱大偉.數(shù)值模擬在平原河網(wǎng)地區(qū)供水規(guī)劃中的應(yīng)用研究［J］.水利規(guī)劃與設(shè)計，2015（01）：16-18.

［3］寇爾丹.基于M IKE21的異型堰模型分析［J］.水利技術(shù)監(jiān)督，2015（03）：63-66+79.

［4］陳文熙.基于一維非恒定流數(shù)學(xué)模型的遼寧省引水隧洞糙率推求研究［J］.水利技術(shù)監(jiān)督，2015（04）：35-38+41.

［5］崔東文.多隱層BP神經(jīng)網(wǎng)絡(luò)模型在徑流預(yù)測中的應(yīng)用［J］.水文，2013（01）：68-73.

［6］于國榮，夏自強(qiáng).混沌時間序列支持向量機(jī)模型及其在徑流預(yù)測中應(yīng)用［J］.水科學(xué)進(jìn)展，2008（01）：116-122.

［7］衛(wèi)曉婧，熊立華，萬民，等.融合馬爾科夫鏈-蒙特卡洛算法的改進(jìn)通用似然不確定性估計方法在流域水文模型中的應(yīng)用［J］.水利學(xué)報，2009（04）：464-473+480.

［8］孫鵬，張強(qiáng)，涂新軍，等.基于馬爾科夫鏈模型的鄱陽湖流域水文氣象干旱研究［J］.湖泊科學(xué)，2015（06）：1177-1186.

［9］孫鵬，張強(qiáng)，白云崗，等.基于馬爾科夫模型的新疆水文氣象干旱研究［J］.地理研究，2014（09）：1647-1657.

［10］李祥，王心源，李玉龍，等.基于灰色-馬爾科夫預(yù)測模型的巢湖流域洪澇災(zāi)害預(yù)測研究［J］.水文，2006（04）：43-46+54.

P338

A

1008-1305（2017）01-0085-03

DO I:10.3969/j.issn.1008-1305.2017.01.026

2015-12-21

劉曉哲（1983年—），男，工程師。