数据挖掘技术在水文预报与水库调度中的应用研究

论文摘要

数据挖掘作为知识发现过程中的重要步骤,是从大型数据库及数据仓库中提取未知的、有价值的和可操作性的关系、模式和趋势用于决策支持的过程。我国目前在防洪领域存在着大量水文数据、水库调度数据和预报成果数据,如何充分有效地利用各种智能算法对这些数据进行分析与挖掘,以形成相应的水文预报、水库调度模型进行准确的预报、合理的调度,是一项具有重要的意义的工作。本文结合数据挖掘中的聚类、分类、关联分析等方法特点,着重探讨了在水文预报、水库调度、组合预报中的应用。同时为了使数据更高效地进行挖掘分析,对水文数据仓库的结构与应用进行探讨与设计,将其与各种数据挖掘应用形成一个水文数据挖掘体系。研究内容和成果概述如下: （1） 针对以数据挖掘为基础的预报与调度的特点,结合我国的防洪减灾实际,建立面向预报、调度等不同主题的水文数据仓库的结构模型,并对其结构、功能、数据存储模型和实现技术进行研究,从而对海量水文信息进行管理与分析,为以数据挖掘为基础的预报、调度体系提供数据支持和提高挖掘效率。随后建立包括数据层、组织层、挖掘层和决策层的水文数据挖掘体系,各层承担着水文数据挖掘不同阶段的任务,从数据预处理、数据挖掘到知识表达,形成了一个完整的系统体系。 （2） 以水文预报中实践性很强的河道洪水传播为例探讨基于数据挖掘的水文预报模型。利用水文数据仓库对流域河道洪水数据进行数据预处理,同时利用T-S模糊推理模型提出一种根据上游各支流条件模糊推理下游流量的方法,针对模糊推理中随着推理条件增多而形成的“维数灾”问题,利用数据挖掘的关联规则分析方法确定历史数据中频繁出现的上游条件组合（即推理规则）,将洪水传播中的低流量组合和极少出现的组合规则进行合并或删减,然后利用优化模型分析历史数据确定的规则集在模糊推理中的参数,最终形成基于模糊推理与关联规则分析的洪水传播模型,提高了高流量条件下的预报精度。 （3） 不同的水文预报模型有着不同的特点,很难有适用各种情况的“全能预报模型”。针对这一问题,提出了基于多目标模糊优选的组合预报模型,将多种模型预报结果的洪峰、峰现时间、流量过程的相对误差作为模糊优选的指标,通过对历史预报数据的模式识别分析,得到各种预报模型在不同情况下的适用度,然后在实时预报中根据条件及各种模型的适用度进行组合预报,得到比单个预报模型更合理的预报结果。 （4） 针对目前水库调度技术中的分类调度、扩大调度信息源等研究热点,提出一种利用数据挖掘技术分析历史水文数据与历史调度数据,从而生成调度规则的方法:决策树水库调度模型,该模型将生成的调度结果以调度树的形式表达。作为数据挖掘的结

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 数据挖掘技术综述
• 1.2.1 数据挖掘概述
• 1.2.2 数据挖掘的步骤
• 1.2.3 数据挖掘方法的分类
• 1.3 水文预报与水库调度
• 1.3.1 水文预报模型简介
• 1.3.2 水库调度方法简介
• 1.4 基于数据挖掘的预报调度方法研究现状
• 1.4.1 水文数据挖掘前的数据预处理
• 1.4.2 以数据挖掘为基础的水文预报
• 1.4.3 时间序列分析
• 1.4.4 水库调度中数据挖掘技术的应用
• 1.4.5 现状特点
• 1.5 水文预报及水库调度的发展趋势
• 1.6 本文主要研究内容
• 2 水文数据仓库及水文数据挖掘体系
• 2.1 引言
• 2.2 数据仓库的基本概念
• 2.2.1 数据仓库的定义
• 2.2.2 关系型数据库与数据仓库的区别
• 2.2.3 数据仓库的体系结构
• 2.2.4 数据仓库的数据模型
• 2.3 面向预报调度主题的水文数据仓库
• 2.3.1 水文数据仓库建模体系
• 2.3.2 面向预报的数据仓库
• 2.3.3 面向调度的数据仓库
• 2.3.4 面向决策分析的数据仓库
• 2.4 水文数据挖掘体系模型
• 2.5 基于大流域或跨流域水文数据仓库的研究实例
• 2.5.1 问题描述
• 2.5.2 数据模型
• 2.5.3 数据管理
• 2.5.4 数据分析
• 2.5.5 实现途径
• 2.5.6 应用
• 2.5.7 分析与结论
• 2.6 小结
• 3 基于模糊推理和关联规则分析的河道洪水预报模型
• 3.1 引言
• 3.2 河道洪水预报方法
• 3.3 基于关联规则分析的模糊推理规则确定方法
• 3.3.1 模糊推理
• 3.3.2 关联规则分析
• 3.3.3 基于关联规则分析的模糊推理规则确定方法
• 3.4 基于模糊推理的河道洪水预报模型
• 3.4.1 模型结构
• 3.4.2 数据预处理
• 3.4.3 推理规则的确定
• 3.4.4 规则参数的确定
• 3.4.5 模糊推理求解
• 3.4.6 基于成因分析的扩展
• 3.5 研究实例
• 3.6 小结
• 4 基于多目标模糊优选的分类多模型水文组合预报方法
• 4.1 数据融合概述
• 4.1.1 数据融合的概念
• 4.1.2 数据融合的原理
• 4.1.3 数据融合的分类
• 4.1.4 数据融合的主要技术方法
• 4.2 组合预报技术
• 4.2.1 组合预报技术
• 4.2.2 分类预报技术
• 4.2.3 河道洪水分类组合预报
• 4.3 多种河道洪水预报模型
• 4.3.1 马斯京干法
• 4.3.2 神经网络法
• 4.3.3 模糊推理法
• 4.3.4 其它方法
• 4.4 多模型组合河道洪水预报
• 4.4.1 模型结构
• 4.4.2 多目标模糊优选
• 4.4.3 预报方案优选
• 4.5 研究实例
• 4.6 小结
• 5 决策树技术在水库调度中的应用研究
• 5.1 引言
• 5.2 水库调度
• 5.2.1 概述
• 5.2.2 水库调度的研究热点
• 5.2.3 水库调度存在的问题
• 5.3 决策树模型
• 5.4 基于决策树的水库调度模型
• 5.4.1 以数据挖掘为基础的水库调度体系
• 5.4.2 流域分析及数据预处理
• 5.4.3 决策树调度模型结构
• 5.4.4 调度规则产生流程
• 5.5 研究实例
• 5.5.1 应用实例
• 5.5.2 模型对比
• 5.5.3 讨论
• 5.6 小结
• 6 贝叶斯分析在水文组合预报中的应用研究
• 6.1 引言
• 6.2 贝叶斯组合预报模型的关键技术
• 6.2.1 贝叶斯分析
• 6.2.2 马尔科夫蒙特卡洛模拟（MCMC）
• 6.2.3 随机抽样器
• 6.3 基于贝叶斯分析的组合预报模型
• 6.3.1 模型简介
• 6.3.2 模型流程
• 6.3.3 模型特点
• 6.4 实例分析
• 6.5 小结
• 7 总结与展望
• 7.1 总结
• 7.2 展望
• 参考文献
• 创新点摘要
• 攻读博士学位期间发表学术论文情况
• 致谢
• 大连理工大学学位论文版权使用授权书