基于遺傳算法的混合Copula函數(shù)的時段洪量估計

劉立燕　解培中　王穎

摘要：淮河流域下游入江水道，每年雨水充足，容易引發(fā)洪水，對人民生命及財產(chǎn)安全造成威脅，因此對洪水特征變量——洪峰流量與整個洪水過程洪量的估計以及防洪工程的建設提出更高的要求。利用混合Copula函數(shù)將洪峰流量與時段洪量進行聯(lián)合分析，利用基于遺傳算法的優(yōu)化適線法計算出淮河下游入江口的中渡水文站洪峰流量與時段洪量離差平方和最小時的Frank Copula、Clayton Copula、Cumbel Hougaard Copula的函數(shù)組合，在此基礎上根據(jù)洪峰值利用邊緣分布與聯(lián)合分布之間的關系推求出時段洪量，為防洪工程設計提供參考。對中渡水文站實測數(shù)據(jù)的分析結(jié)果表明：采用混合Copula函數(shù)比采用單- Copula函數(shù)更精確，并且混合Copula函數(shù)具有靈活性，能夠較好地擬合兩變量的相關關系。

關鍵詞：水文學;遺傳算法;混合Copula;聯(lián)合分布;中渡水文站;淮河

中圖分類號：TV122+.5

文獻標志碼：A

doi：10.3969/j .issn.1000- 1379.2019.03.012

1 研究背景

洪水是自然界中最危險的自然災害之一.影響的范圍非常大。據(jù)報道，每年洪水引起的損失占自然災害總損失的40%左右。在世界范圍內(nèi)洪水預測已經(jīng)逐漸成為廣泛研究的課題，尤其對于洪水高發(fā)區(qū)的人民來說，準確預測洪水并且提前給予當?shù)鼐用窬媸欠浅Ｓ斜匾摹?/p>

傳統(tǒng)的頻率分析方法都是基于單一特征變量的頻率分析對洪水發(fā)生的概率進行分析，即先假定某一特征變量符合某一分布線型，之后對分布線型中的參數(shù)進行估計[1-3].但單變量頻率分析忽略了同一事件中其他特征變量的影響。為此，進一步提出了多變量頻率分析方法，如Copula函數(shù)頻率分析方法。最近幾十年，Copula函數(shù)在金融、保險、財經(jīng)風險等方面的應用較為廣泛[4-5]。水文現(xiàn)象中的隨機性與上述幾個方面相似，因此Copula函數(shù)在水文研究中的應用應運而生。

Copula函數(shù)是將多個單變量概率分布函數(shù)連接起來的多變量分布函數(shù)，利用Copula分布函數(shù)無需考慮各個單變量的概率分布函數(shù)。首次將Copula函數(shù)應用在水文領域的是De Michele與Salvadoria[6]，之后國內(nèi)外相繼利用Copula函數(shù)進行水文頻率分析。文獻[7]將Copula函數(shù)應用于降水概率的預測中，把年降水均值和年降水極值均值作為兩個研究變量，利用Pearson -Ⅲ型分布推求各變量的邊緣分布，然后通過Copula函數(shù)構建其聯(lián)合分布，對降水情況進行分析;文獻[8]研究了序列長度對Copula函數(shù)擬合效果與不確定度的影響;文獻[9]將歷史洪水考慮在內(nèi)，然后利用Copula函數(shù)進行分析;文獻[10]利用Copula函數(shù)將洪峰流量、洪量、歷時分布進行聯(lián)合，推求出RomaineRiver洪水發(fā)生情況;文獻[II]采用不同類型的Copula函數(shù)對Save River的Litijia觀測站58場洪水進行模擬，結(jié)果表明幾種類型Copula函數(shù)的模擬結(jié)果差別不大;文獻[12]將Copula函數(shù)應用于大壩設計，通過模擬大壩的不同洪水強度對應的回歸周期，為大壩設計提供風險參考;文獻[13]收集分析了加拿大不同氣候區(qū)的21個流域的洪水特征值，并利用ClaytonCopula函數(shù)模擬這21組洪水特征值，分析了氣候變化對洪水的影響。然而上述研究都是針對單- Copula函數(shù)進行分析，并沒有考慮混合Copula函數(shù)的靈活性。在金融領域混合Copula函數(shù)得到廣泛應用，文獻[14]利用混合Copula函數(shù)將不同市場聯(lián)合起來，并利用EM算法求出混合Copula函數(shù)的權重及其相關參數(shù)，結(jié)果表明混合Copula函數(shù)更能夠描述兩者之間的相依結(jié)構;文獻[15]提出了M-Copula-EGARCH -M投資組合模型，結(jié)果表明混合Copula函數(shù)能夠較好地捕捉兩個市場間的關系。文獻[16]首次將混合Copula函數(shù)應用在洪水遭遇問題分析中，利用優(yōu)化適線法確定混合Copula函數(shù)的參數(shù)，分析了長江干流的設計洪峰流量，并驗證了該方法的可行性。

本文在文獻[14-16]的基礎上提出了一種基于遺傳算法的混合Copula函數(shù)的參數(shù)估計方法，并利用洪峰與時段洪量建立混合Copula函數(shù)模型，最后利用該模型以及洪峰邊緣分布函數(shù)估計整個洪水過程的洪量。

2 混合Copula函數(shù)估計方法

2.1 Copula函數(shù)簡介

二維Copula函數(shù)簡述為[17]

2.3 基于遺傳算法的混合Copula函數(shù)的參數(shù)估計

遺傳算法是基于自然選擇和遺傳學概念的隨機優(yōu)化算法，首先產(chǎn)生一個種群，種群中的每個個體代表給定目標函數(shù)的初始解：其次通過適應度函數(shù)來評價各個個體的適應性，并通過適應度來決定當前種群個體遺傳到下一代群體中的機會多少：然后對遺傳到下一代的個體進行選擇、交叉，產(chǎn)生新的種群;最后更新遺傳代數(shù)，直至滿足終止條件。具體步驟如下[19]。

（1）初始化種群。

（2）利用選擇函數(shù)從種群中選擇父輩。

（3）對所選擇的父輩進行交叉，產(chǎn)生下一代個體。

（4）對個體進行突變。

（5）更新遺傳代數(shù)。

（6）當不滿足最大遺傳代數(shù)時，重復執(zhí)行（2）（3）（4）（5）操作。

（7）結(jié)束。

本文利用遺傳算法計算出理論Copula函數(shù)與經(jīng)驗Copula函數(shù)離差平方和（O/S）最小時在式（5）的約束下式（4）中各個參數(shù)的值。具體計算步驟如下。

當選取的γ值較小時，可能不滿足ω1+ω2+ω3=1，適應度函數(shù)已經(jīng)達到極小值點，造成約束條件失去意義，因此γ要盡可能選擇合理，避免不滿足約束條件，且不影響目標函數(shù)的最值選擇。

（3）確定最大遺傳代數(shù)G_m以及交叉概率p_c。確定懲罰因子γ后，通過描繪適應度函數(shù)取得最小值min （f_s）時隨著最大遺傳代數(shù)改變的圖像，選擇合適的最大遺傳代數(shù)：當最大遺傳代數(shù)以及適應度函數(shù)確定之后，通過改變交叉頻率繼續(xù)對所求函數(shù)進行優(yōu)化，進一步描繪min （f_s）與不同交叉概率之間的圖像，選擇合適的交叉概率，保證優(yōu)化值為最小值。

（4）利用選定的遺傳算法的參數(shù)計算出混合Copula函數(shù)的各個參數(shù)值。

2.4 混合Copula函數(shù)的估計步驟[22]

首先利用混合Copula函數(shù)將兩變量X、Y的邊緣分布函數(shù)連接起來，構建X、Y的聯(lián)合分布函數(shù)：其次在已知t+l時X_t+1的條件下，基于混合Copula函數(shù)建立Y的邊緣分布與聯(lián)合分布的關系式：最后計算因變量Y在t+l時的值Y_t+1。具體步驟如下。

3 實例分析

淮河流域下游人江水道，汛期雨水充足，容易引發(fā)洪水，對人民生命及財產(chǎn)安全造成威脅，因此對洪水特征變量——洪峰流量與整個洪水過程的洪量估計以及防洪工程建設提出更高的要求。以淮河流域下游中渡水文站1962-2014年的洪峰流量與整個洪水過程的3d洪量作為研究對象，令洪峰流量為自變量X，3d洪量為因變量y。選取1962-2010年的洪峰流量與時段洪量進行聯(lián)合分析計算并建立模型，通過建立的模型，以2011-2014年洪峰流量為自變量，推求相對應的時段洪量，作為檢驗模型的依據(jù)。

首先依據(jù)1962-2010年的洪峰流量與時段洪量數(shù)據(jù)，利用核函數(shù)法估計出洪峰流量與時段洪量的邊緣分布值，各個變量的邊緣分布見圖1、圖2。

其次確定遺傳算法的適應度函數(shù)的懲罰因子γ、最大遺傳代數(shù)G_m以及交叉概率p_c。

把估計的1962-2010年的洪峰流量與整個洪水過程的洪量的邊緣分布值作為研究對象。當不考慮交叉頻率時，選擇最大遺傳代數(shù)G_m分別為30 - 100、200和300時，不同的懲罰因子γ對應的ω1、ω2、ω3見表2。

由表2可知，當懲罰因子大于等于2 000時，ω1+ω2 +ω3=1恒成立，因此選擇懲罰因子γ為2 000。當適應度函數(shù)確定后，圖3描繪了適應度函數(shù)取最小值時與最大遺傳代數(shù)之間的關系。

由圖3可知當最大遺傳代數(shù)為100時，適應度函數(shù)值較小，且隨著最大遺傳代數(shù)的增加，適應度函數(shù)的最小值基本保持不變，因此選擇最大遺傳代數(shù)為100。

當最大遺傳代數(shù)以及適應度函數(shù)值確定之后，通過改變交叉頻率繼續(xù)對所求函數(shù)進行優(yōu)化，保證優(yōu)化值為最小值。圖4為交叉概率與適應函數(shù)最小值的關系，根據(jù)圖4，選擇交叉概率為0.7。

利用選定的遺傳算法參數(shù)進行混合Copula函數(shù)參數(shù)的確定。單一 Copula函數(shù)的參數(shù)與利用遺傳算法估計的混合Copula函數(shù)的參數(shù)以及OLS擬合檢驗值見表3。

由表3可以得出混合Copula函數(shù)的擬合效果較好，另一方面可以觀察出洪峰流量與時段洪量的上尾相關性較強。圖5描繪了混合Copula函數(shù)概率密度。

由圖5可知，混合Copula函數(shù)的形狀具有明顯的不對稱性，呈現(xiàn)J形，具有上尾高、下尾低的特點，可以看出水文極值洪峰流量和洪量具有較好的上尾相關性。

最后利用2011-2014年的洪峰流量值，確定各個邊緣分布的概率。以2011年洪峰流量為例，中渡水文站測得的洪峰流量X2011=2 510 m³/s，得F（X2011）=0.520 0.將其代人式（7）得

由圖6可以看出兩函數(shù)的交叉點為（x，y）=（ 0.534 0，0.518 2），即此時V= 0.534 0。

此時利用MATLAB中的ginput（）[]，從圖2中觀察可知，當V=F（y）= 0.534 0時，對應的Y值為5.306。實際時段洪量為5.478億m³，誤差為-3. 1%。為了進一步分析混合Copula函數(shù)的性能與估計能力，利用單一的Copula函數(shù)進行估計，計算過程同理可得。2011-2014年的實測整個洪水過程的洪量與利用各模型估計出的整個洪水過程的洪量，相對誤差與平均相對誤差（歷年誤差的絕對值的平均值）見表4。

4 結(jié)語

混合Copula函數(shù)具有較好的靈活性，能夠更好地描繪洪峰流量與整個洪水過程的洪量的相互關系：利用洪峰流量與時段洪量之間的相互關系，在已知洪峰流量的情況下利用混合Copula函數(shù)可以更好地估計整個洪水過程的洪量。但是本文利用遺傳算法對混合Copula函數(shù)的參數(shù)進行估計時，由于遺傳算法的特性，可能陷入局部最優(yōu)，因此應該合理調(diào)整遺傳代數(shù)以及選擇概率。同時，對于懲罰參數(shù)的選擇應該多次嘗試，避免計算出來的值不滿足約束條件。

參考文獻：

[1]鮑振鑫，水文頻率分析適線法參數(shù)估計研究[D].南京：南京水利科學研究院，2010：33-48.

[2]周川，陳元芳，魏琳，等，適線法在洪水超定量系列頻率分析中的應用研究[J].水電能源科學，2011，29（3）：48-50.

[3] 趙璧奎，王麗萍，李繼清，等，不連續(xù)系列的P-m型曲線計算機適線法探討[J].水電能源科學，2012，30（3）：64-67.

[4]AAS K，CZADO C，F(xiàn)RICESSI A，et al.Pair-Copula Con-structions of Multiple Dependence [J]. InsuranceMathematics&Economics， 2009， 44（2）：182-198.

[5] TSUKAHARA H.Semiparametric Estimation in Copula Models[J]. Canadian Journal of Statistics， 2005， 33（3）：357-375.

[6]MICHACLE D C，SALVADORI G.A Ceneralized Pareto In-tensityduration Model of Storm Rainfallexploiting 2- Copulas[J]. Journal of G eophysical Research Atospheres， 2003， 108（D2）：171-181.

[7] 倪增華，劉合香，羅彥麗，等.Copula函數(shù)在廣西洪澇災害的降水概率預測中的應用[J].氣象研究與應用，2014，35（2）：32-39.

[8] 童心.Copula函數(shù)與信息熵理論在洪水多元分析和徑流隨機模擬中的研究[D].南京：南京大學，2015：36.

[9] L1 T，GUO S，CHE N L，et aI.Bivariate Flood Frequency A—nalysis with Historical Information Based on Copula[J].Joumal of Hydrologic Engineering-ASCE， 2013， 18（8）：1018-1030.

[10]PARENT E，F(xiàn)AVRE A C，BERNIER J，et aI.Copula Modelsfor Frequency Analysis What can be Leamed from a Bayes-ian Perspective[J].Advanced in Water Resources， 2014， 63（2）：91-103.

[11]SRAJ M，BEZAK N，BRILLY M.Bivariate Flood FrequencyAnalysis Using the Copula Function：a Case Study of theLitija Station on the Sava River[J].Hydrological Processes，2015，29（2）：225-238.

[12]REQUENA A I，MEDIERO L，GARROTE LA Bivariate RetumPeriod Based on Copulas for Hydrologic Dam Design Accountingfor Reservoir Routing in Risk Estimation[J].Hydrology andEarth System Sciences ，2013， 17（8）：3023-3088.

[13] JEONC D， SUSHAMA L，KHALIQ M N， et al.A Copula-Based Multivariate Analysis of Canadian RCM ProjectedChanges to Flood Characteristics for Northeastem Canada[J] .Climate Dynamics， 2014， 42（ 7-8）：2045 - 2066.

[14] 馬梅，盧俊香，杜艷麗，混合Copula模型選擇及其應用[J].價值工程，2017，36（1）：191-194.

[15] 申建平，基于M-Copula函數(shù)的投資組合和相關風險研究[D].重慶：重慶大學，2014：144-166.

[16] 王占海，陳元芳，黃琴，等.M-Copula函數(shù)在洪水遭遇中的應用研究[J].水電能源科學，2009， 27（1）：69-73.

[17] NELSEN R B.An Introduction to Copulas[M].Cermany：Springer Publishing Company， Incorporated， 2010：315.

[18] 韋艷華，張世英，郭焱，金融市場相關程度與相關模式的研究[J].系統(tǒng)工程學報，2004， 19（4）：355-362.

[19]BODENHOFER U.Cenetic Algorithms： Theory and Appli-cations[J].Lecture Notes， 1993： 1-3.

[20]Ozgur Yeniay. Penalty Function Methods for Constraint Op-timization with Cenetic Algorithms[J].Mathematical&Computational Applications， 2005，10（1）：45 - 56.

[21]王文圣，水文學不確定性分析方法[M].北京：科學出版社，2011：110-125.

[22] 陳晶，王文圣.Copula預測方法及其在年徑流預測中的應用[J].水力發(fā)電學報，2015， 34（4）：16-21.