学位论文 > 优秀研究生学位论文题录展示

水文时间序列数据挖掘算法研究与应用

作　者: 吴佳文
导　师: 王丽学
学　校: 沈阳农业大学
专　业: 农业水土工程
关键词: 水文时间序列数据挖掘相似性度量分类
分类号: P333
类　型: 博士论文
年　份: 2011年
下　载: 120次
引　用: 0次
阅　读: 论文下载

内容摘要

水文时间序列数据挖掘是数据挖掘技术在水文领域的应用,它根据水文领域的数据特点和信息需求,选用高效的数据挖掘算法,从大量的水文数据中提取有用的信息和知识,为解决水文领域的突出问题提供新的分析方法和科学的决策支持。目前水文时间序列数据挖掘算法研究与应用还处于起步阶段,本文在对数据挖掘技术和水文时间序列数据特点深入分析的基础上,重点研究了应用数据挖掘技术进行水文时间序列模式描述、相似性度量、分类与预测等算法,并通过实测水文资料进行验证和评测。论文主要研究内容与成果如下：1.以水文时间序列局部极值点和形态特征为切入点,提出了一种基于要素特征的水文时间序列模式描述方法。解决了由于短期波动频繁、局部极值点多、数据点对应时刻不均匀等原因造成的分段描述算法不适用的难题。实验表明,这一方法简单、高效,适用性强。2.提出了一种改进动态时间扭曲距离公式——自适应分段动态时间扭曲(ASDTW)距离公式,从而构成了基于要素特征的水文时间序列相似性度量的完整算法,实验表明,该方法无论是对模式趋势的总体把握情况,还是与原始时间序列的拟合误差情况,均具有独特的优势,比较适合水文时间序列的数据特点。3.探索了利用数据挖掘算法进行水文时间序列分类问题。根据水文时间序列数据的特点,对模型树和基于实例学习算法进行改进。将支持向量回归与模型树等算法相融合,应用于等时隔的水文过程数据挖掘；从样本集提取、干扰样本处理和属性加权三个方向,对传统的基于实例学习算法进行改进,并与自适应分段动态时间扭曲(ASDTW)距离公式相结合,建立了不等时隔的水文要素摘录系列数据挖掘模型。4.选择一水文站流域作为实验区域,将基于支持向量回归的模型树算法进行了具体应用,建立了数据挖掘预测模型,并与新安江模型进行了对比分析,它具有输入数据少、过程简单、维护工作量小等优点,且精度能够得到保证。5.针对水文数据库水文要素摘录系列,利用改进实例学习算法,从数据准备开始、经数据预处理、初始实例集、样本集选取、属性权重赋值、相似属性度量,最终建立起水文要素摘录系列数据挖掘模型,通过与传统的降雨径流经验相关法进行比较分析,水文要素摘录系列数据挖掘模型具有操作简单、计算快、维护简单、成果可靠的优点,具有实用价值。本文主要创新点：在动态扭曲(DTW)距离基础上,适应水文时间序列数据特点,提出了自适应分段动态时间扭曲(ASDTW)距离公式,并与改进的基于实例学习算法相结合,解决了水文要素摘录系列数据挖掘问题；首次将支持向量回归与模型树等算法相融合应用于逐日径流预报,丰富了水文时间序列数据挖掘技术手段。

全文目录

摘要  12-14
Abstract  14-16
第一章绪论  16-33
  1.1 本课题研究的目的与意义  16-17
    1.1.1 研究背景  16-17
    1.1.2 研究目的与意义  17
  1.2 本课题国内外研究现状与评述  17-31
    1.2.1 数据挖掘技术概述  17-19
    1.2.2 水文时间序列数据挖掘主要研究方向和关键问题  19-21
    1.2.3 模式描述方法研究现状及分析  21-25
    1.2.4 相似性度量研究现状及分析  25-26
    1.2.5 分类算法研究现状及分析  26-31
  1.3 本文主要研究内容和创新点  31-33
    1.3.1 主要研究内容  31-32
    1.3.2 本文的创新点  32-33
第二章水文时间序列相关概念和数据挖掘基础算法介绍  33-43
  2.1 引言  33
  2.2 水文时间序列  33
  2.3 模式描述  33-34
  2.4 相似性度量  34-36
    2.4.1 欧氏距离  35
    2.4.2 动态时间扭曲距离  35-36
  2.5 分类学习算法  36-42
    2.5.1 分类学习的定义  36-37
    2.5.2 分类学习算法的种类  37
    2.5.3 分类学习过程  37-38
    2.5.4 分类模型的评价标准与方法  38-42
  2.6 本章小结  42-43
第三章基于要素特征的水文相似性度量算法研究  43-60
  3.1 引言  43-44
  3.2 基于特征点的水文时间序列模式描述  44-47
    3.2.1 模式描述的概念  44
    3.2.2 分段线性化的模式描述方法  44-45
    3.2.3 水文时间序列的特征点  45-46
    3.2.4 特征点定义  46-47
    3.2.5 基于特征点的水文时间序列的模式描述算法  47
  3.3 基于要素特征的水文时间序列相似性度量  47-51
    3.3.1 传统的DTW算法  47-49
    3.3.2 自适应分段动态时间扭曲(ASDTW)算法  49-51
  3.4 实验研究  51-59
    3.4.1 实验目的及环境  51-52
    3.4.2 运算效率的评测  52-54
    3.4.3 度量准确率的评测  54-59
  3.5 本章小结  59-60
第四章水文时间序列分类算法研究  60-79
  4.1 引言  60-61
  4.2 模型树分类  61-72
    4.2.1 经典的模型树算法  61-65
    4.2.2 基于支持向量回归的模型树算法  65-72
  4.3 基于实例学习的分类  72-78
    4.3.1 经典的基于实例学习算法  72-73
    4.3.2 改进基于实例学习算法  73-78
  4.4 本章小结  78-79
第五章逐日水文过程数据挖掘模型  79-91
  5.1 引言  79-80
  5.2 研究区概况  80-81
  5.3 研究区水文资料情况  81-82
  5.4 研究目标与方法  82
  5.5 数据预处理  82-84
    5.5.1 数据集成  82-83
    5.5.2 数据选择  83
    5.5.3 数据净化  83
    5.5.4 数据转换  83-84
  5.6 研究区降雨径流特性分析  84-86
  5.7 实验过程及对比分析  86-90
    5.7.1 新安江模型的应用分析  86-87
    5.7.2 模型树算法的应用与分析  87-90
  5.8 本章小结  90-91
第六章水文要素摘录系列数据挖掘模型  91-104
  6.1 引言  91-93
  6.2 研究区概况  93
  6.3 研究区资料  93-94
  6.4 研究目标与方法  94
  6.5 实验过程及对比分析  94-102
    6.5.1 传统的洪水预报方法——降雨径流经验相关法  94-97
    6.5.2 基于数据挖掘的洪水预报模型  97-102
  6.6 本章小结  102-104
第七章结论与展望  104-106
  7.1 结论  104-105
  7.2 展望  105-106
参考文献  106-112
致谢  112-113
攻读学位期间发表的学术论文  113

水文时间序列数据挖掘算法研究与应用

内容摘要

全文目录

相似论文