一種基于分類的水文序列非一致性診斷方法技術

本發明專利技術涉及一種基于分類的水文序列非一致性診斷方法，包括步驟：收集統計信息；進行水文時間序列方差的非一致性診斷；進行水文時間序列均值的非一致性診斷；判斷水文時間序列是否一致。本發明專利技術所述的方法根據水文非一致性的定義，并根據變化參數的不同將水文非一致進行分類，然后采用針對變化參數選擇不同統計方法進行診斷，避免了由于檢驗對象和檢驗目的的模糊造成多種統計方法診斷對象的重復、結果的不統一，以及不確定性，因此該技術方法相對而言比較先進。本發明專利技術適用于任意水文時間序列。本發明專利技術所述方法技術方法通用，易于推廣應用。

A method of non consistent diagnosis of hydrological sequence based on Classification

The invention relates to a non consistency diagnosis method, based on the classification of hydrological sequence includes the following steps: the collection of statistical information; non consistency diagnosis of hydrological time series variance; non consistency diagnosis of hydrological time series mean hydrological time series is consistent with the judgment. The method of the invention according to the definition of hydrological inconsistency, and according to the change of parameters of different hydrological non-uniform classification, and then the changes in the parameters of different statistical methods for diagnosis, to avoid disunity due to fuzzy test object and test objective caused by repetition, results of various statistical methods of diagnostic object, and the uncertainty, so the technology is relatively advanced. The invention is applicable to any hydrologic time series. The method, the technique and the method of the invention are general and easy to popularize and apply.

【技術實現步驟摘要】
一種基于分類的水文序列非一致性診斷方法
本專利技術涉及一種基于分類的水文序列非一致性診斷方法，是一種基于水文實測數據的統計檢驗方法，是一種基于非一致性分類的診斷方法。
技術介紹
關于水文非一致性診斷，目前技術主要有以下幾種。一種是對水文時間序列趨勢和突變點的統計檢驗，根據檢驗結果對流域水文要素進行定量評價。此類診斷方法很多，代表檢驗方法有Man-Kendall檢驗，Hurst系數，Pettitt檢驗，Spearman秩次相關法。第二種則是集成多種統計檢驗方法，對單一時間序列進行趨勢和突變點的多重統計檢驗，以確定該水文變量的真實變化，以水文變異診斷系統為代表，將診斷過程分為：初步診斷、詳細診斷、綜合診斷三個步驟，初步診斷設計過程線法、滑動平均法和Hurst系數法，詳細診斷則分為趨勢和跳躍診斷，涉及到14種統計方法，而綜合診斷則是將趨勢和跳躍診斷的結果綜合起來進行分析評價。最后結合實際水文調查分析，對變異形式和結論進行確認，從而得到最終的變異診斷結果。第三種是基于波譜分析等統計手段，對時間序列進行周期的主觀判斷，主要方法有小波分析法，連續譜分析法，周期圖法等等。以上幾種現存的對水文序列非一致性診斷方法都不同程度存在若干不足。對水文序列的單項檢驗，缺陷源于不同的統計方法的基本假設不同，這些方法主要通過判斷序列是否發生趨勢或跳躍變化來判定序列是否一致，其本質均為對水文序列樣本均值是否發生顯著變化的假設檢驗。不同方法間計算精度不一，檢驗結果不一致，檢驗出的跳躍點不唯一。非一致診斷系統雖綜合了多種統計方法，試圖通過多種診斷方法的結果對檢驗結果的可靠性進行提升，但計算過程繁瑣，計算結果的可靠性也并沒有在單種檢驗方法的基礎上有顯著的提高。以上方法的不足在于：根據時間序列的一致性的定義：序列樣本的均值和方差均不隨時間發生變化，傳統檢驗方法僅對樣本的均值進行了檢驗，而忽略了方差的變化。這對判斷時間序列的一致與否至關重要。
技術實現思路
為了克服現有技術的問題，本專利技術根據時間序列的一致性定義，對水文時間序列的非一致性進行了分類，并提出了一種基于均值非一致和方差非一致兩種類型的水文序列非一致性診斷方法。所述方法具有在任意水文時間序列上應用的能力，并具有能夠診斷出要素屬于何種非一致性的能力。本專利技術的目的是這樣實現的：一種基于分類的水文序列非一致性診斷方法，其特征在于，包括如下步驟：收集統計信息的步驟：收集需要進行分析的水文要素的時間序列，樣本容量至少為30；進行水文時間序列方差非一致性診斷的步驟：假設估計變量由以下回歸組成：（1）其中；作如下假設：:，:。構造增廣迪基-富勒（AugmentedDickey-Fuller,ADF）檢驗統計量：，其中，是統計量ρ的標準差；在序列存在單位根的情況下，統計量不符合t-分布，隨著樣本容量的增大，τ統計量收斂于標準維納過程的泛函，并且可以用蒙特卡洛方法模擬得出，在模型的右邊加入滯后項：，以緩解項的自相關問題。ADF檢驗基于最小二乘（OLS）回歸式假設估計變量由以下回歸組成：（2）其中：t為時間，。檢驗隨機過程{}是否具有單位根，即為檢驗是否顯著,小于0，而零假設為存在一個單位根，備擇假設為不存在單位根，若顯著,小于0，則零假設被拒絕。ADF檢驗為單邊檢驗，當顯著性水平取為時，記為顯著水平為時的分位值，則時，拒絕原假設，認為序列不存在單位根，否則接受原假設，認為序列存在單位根，方差有顯著變化。進行水文時間序列均值的非一致性診斷的步驟：對序列x1，x2，…，xn，先確定所有對偶值(xi,xj)，(j>i)，中的xi<xj的出現個數(設為p)；順序的(i,j)子集是：(i=1，j=2，3，4，…，n)，(i=2，j=3，4，5，…，n)，…，(i=n-1，j=n)；如果按順序前進的值全部大于前一值，這是一種上升趨勢，p為(n-1)+(n-2)+…+1，系為等差級數，則總和為n(n-1)/2。如果順序全部倒過來，則p=0,即為下降趨勢。由此可知，對無趨勢的序列，p的數學期望為；此檢驗的統計量為：（3）其中：；；當n>10時，U收斂于標準化正態分布；原假設為無趨勢，當給定顯著水平α后，在正態分布表中查出臨界值Uα/2；當時，接受原假設，即均值未發生顯著變化；當時，拒絕原假設，即均值發生顯著變化；判斷水文時間序列是否一致的步驟：當均值和方差均不存在顯著變化時，該水文時間序列為一致；否則為非一致。本專利技術產生的有益效果是：本專利技術所述的方法根據水文非一致性的定義，并根據變化參數的不同將水文非一致進行分類，然后采用針對變化參數選擇不同統計方法進行診斷，避免了由于檢驗對象和檢驗目的的模糊造成多種統計方法診斷對象的重復、結果的不統一，以及不確定性，因此該技術方法相對而言比較先進。本專利技術適用于任意水文時間序列。本專利技術所述方法技術方法通用，易于推廣應用。附圖說明下面結合附圖和實施例對本專利技術作進一步說明。圖1是本專利技術的實施例所述方法的流程圖。具體實施方式實施例：本實施例是一種基于分類的水文序列非一致性診斷方法。一致性概念對水文單序列的非一致性進行分類，并根據非一致性分類為水文單序列的非一致性研究提供了可靠的診斷方法。本實施例的基本原理是：根據水文非一致性的定義：水文時間序列不再符合獨立同分布假設，均值或方差或兩者均隨時間發生改變，由此可以通過檢驗時間序列的均值和方差是否發生顯著變化，來確定時間序列是否發生非一致性。均值變化表現在時間序列隨時間有一個確定的趨勢變化，而方差變化表現在時間序列的離散度改變。逆向分析，具有去趨勢以后平穩的時間序列一定含有趨勢成分，而經過一階差分以后平穩的時間序列其原來的方差一定隨時間變化，但其均值的變化與否則不確定。但通過這兩種處理，可以根據均值或方差的改變將非一致性分為兩類，一類是均值的非一致性，另一類是方差的非一致性。根據分類，采用Kendall秩次相關檢驗對均值的非一致進行診斷，采用單位根檢驗對方差的非一致進行診斷，排除兩種非一致即可確認該序列為一致，否則為非一致，并且診斷出該序列屬于哪一種非一致類型。本實施例所述的方法可以編制為計算機程序，運行在PC機或其他通用計算機中。本實施例所述方法的步驟如下：收集統計信息的步驟：收集需要進行分析的水文要素的時間序列，樣本容量至少為30；進行水文時間序列方差的非一致性診斷的步驟：選用單位根檢驗對方差的非一致進行檢驗，用以診斷方差是否發生顯著變化。采用單位根檢驗中的增廣迪基-富勒檢驗(AugmentedDickey-Fuller,ADF）進行方差的非一致診斷：假設估計變量由以下回歸組成：（4）其中；作如下假設：:，:。構造增廣迪基-富勒（AugmentedDickey-Fuller,ADF）檢驗統計量：，其中，是統計量ρ的標準差；在序列存在單位根的情況下，統計量不符合t-分布，隨著樣本容量的增大，τ統計量收斂于標準維納過程的泛函，并且可以用蒙特卡洛方法模擬得出，在模型的右邊加入滯后項：，以緩解項的自相關問題。ADF檢驗基于最小二乘（OLS）回歸式假設估計變量由以下回歸組成：（5）其中：t為時間，。檢驗隨機過程{}是否具有單位根，即為檢驗是否顯著,小于0，而零假設為存在一個單位根，備擇假設為不存在單位根，若顯著,小于0，則零假設本文檔來自技高網...

【技術保護點】
一種基于分類的水文序列非一致性診斷方法，其特征在于，包括如下步驟：收集統計信息的步驟：收集需要進行分析的水文要素的時間序列，樣本容量至少為30；進行水文時間序列方差的非一致性診斷的步驟：假設估計變量由以下回歸組成：

【技術特征摘要】
1.一種基于分類的水文序列非一致性診斷方法，其特征在于，包括如下步驟：收集統計信息的步驟：收集需要進行分析的水文要素的時間序列，樣本容量至少為30；進行水文時間序列方差的非一致性診斷的步驟：假設估計變量由以下回歸組成：（1）其中；作如下假設：:，:；構造增廣迪基-富勒檢驗統計量：，其中，是統計量ρ的標準差；在序列存在單位根的情況下，統計量不符合t-分布，隨著樣本容量的增大，τ統計量收斂于標準維納過程的泛函，并且可以用蒙特卡洛方法模擬得出，在模型的右邊加入滯后項：，以緩解項的自相關問題；ADF檢驗基于最小二乘（OLS）回歸式假設估計變量由以下回歸組成：（2）其中：t為時間，；檢驗隨機過程{}是否具有單位根，即為檢驗是否顯著,小于0，而零假設為存在一個單位根，備擇假設為不存在單位根，若顯著,小于0，則零假設被拒絕；ADF檢驗為單邊檢驗，當顯著性水平取為時，記為顯著水平為時的分位值，則時，拒絕原假設，認為序列不存在單位根，否則接受原假設，認為序...

【專利技術屬性】
技術研發人員：王建華，李海紅，翟家齊，趙勇，章數語，何凡，王麗珍，朱永楠，王慶明，顧艷玲，
申請(專利權)人：中國水利水電科學研究院，
類型：發明
國別省市：北京,11