[发明专利]基于时序分析-马氏链方法的疏浚槽回淤量预报办法

说明书

技术领域

本发明涉及一种疏浚槽回淤量的预测的方法，属于水利工程领域，具体涉及一种采用时序分析-马氏链预测方法进行的疏浚槽回淤量预报的方法。

背景技术

疏浚槽的回淤预测是港口疏浚工程开展的重要依据，由于通航水域无法布置长期观测站、港池和航道疏浚槽水深测量费用高、数据少、实测数据序列短等问题，导致疏浚槽回淤预测可用的数据量小，需要在短序列基础上预测疏浚槽回淤量。

现有时间序列预测法、灰色理论模型回淤量预测法，但由于时间序列ARMA模型较为适合预测长序列，而疏浚槽内地形测量较为困难，故数据序列长度不够，所以模拟情况较差，结果整体偏小，导致疏浚槽整体呈现大尺度冲刷。而灰色理论适用于预测单调增长的序列，疏浚槽回淤量由泥沙沉积量决定，受水流、泥沙含量等一系列因素影响，具有一定的随机性，故模拟情况也不符实际情况。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，综合比较各种方法的优劣，保留其各自在序列预测中的优势项，采用时序分析-马氏链模型预测疏浚槽的回淤量，通过当前已知的回淤量来预测未来的回淤量，使其既能满足疏浚槽回淤的增长性预测又能考虑回淤的不确定性，使工程回淤预测更具合理性。

为解决技术问题，本发明提供了一种基于时序分析-马氏链方法的疏浚槽回淤量预报办法。

本发明中，需首先获取疏浚工程实测的至少6个月的水深系列值；回淤量以初始的第一个月份水深值与各月份的水深值的差值表示，正值表示淤积，负值表示冲刷。

本发明所述方法包括以下步骤：

步骤一、选定空间离散的原始序列

将疏浚工程实测的至少6个月的水深系列值作为原始序列：

X⁽⁰⁾={x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(m)}，X⁽⁰⁾(m)表示第m个月份的原始水深；

步骤二、生成预测值序列

因原始水深序列一般不会符合平稳性增长的要求趋势，故对原始数据序列进行二阶差分后采用时序分析ARMA(p，q)模型进行预测，调节p、q的值生成预测值序列

X(0^)(t),t=1,2,...,m;]]>

步骤三、计算原始序列与预测序列的相对残差序列；

计算原始序列与预测值序列的相对残差序列

步骤四、状态区间划分

根据差值区间将相对残差数列划分成S种状态区间，根据状态s=(1，2，…，S)分布情况由马尔科夫链转移概率性质可得n步转移概率矩阵P(n)。为使预测结果更具科学性，选取K₀个状态作为当前状态信息，称为K₀阶加权马氏链预测法，记阶数k=(1，2，…，K₀)。K₀的取值根据状态s取得。在数理统计学中，采用以下方式分别求出k阶相关系数r_k和k阶权因子w_k：