[发明专利]基于复杂网络的城市湖库藻类水华混沌时间序列预测方法

权利要求书

1.基于复杂网络的城市湖库藻类水华混沌时间序列预测方法，其特征在于：包括以下步骤，

步骤一、城市湖库藻类水华生成过程混沌特性检验；

采用叶绿素浓度作为水华表征因素对水华生成过程进行混沌特性检验；

对给定的时间序列{x(t),t＝1,2,…N}，延迟时间为τ，嵌入维数为m，设m＜N，将时间序列中的N个数据拓延成N-(m-1)τ个m维相空间的矢量：

X(t)＝(x(t),x(t+τ),…x(t+(m-1)τ)),t＝1,…,M,M＝N-(m-1)τ

其中，X(t)为重构后的相空间矢量，x(t)为不同时刻监测的叶绿素浓度值，t为时间序列的采样时间，N为采样个数；

采用最大Lyapunov指数法判断藻类水华特征因素时间序列是否为混沌时间序列，当指数Lyapunov<0，表明水华生成过程这一复杂动力系统的相体积在对应维度方向上是收缩的、稳定的；反之，如果某方向上Lyapunov>0则表明水华生成过程演化呈现混沌特性；

步骤二、基于复杂网络的藻类水华生成识别模型的构建；

(1)构建水华形成过程的有向网络模型；

将复杂的湖库水体系统抽象成一个复杂网络，将影响藻类水华生成的主要影响因素抽象成网络节点，构成网络点集V，V＝{v₁,v₂,...,v_n}，v_i用来表示第i个网络节点，网络节点总数为n；将各主要影响因素间的关系抽象成网络的边，构成边集E，E＝{e₁,e₂,...,e_m}，e_i用来表示第i条边，总边数为m，并且边集E中所有的边都有点集V中两个节点与之相对应；这种由湖库水体系统主要影响因素及其相互关系抽象成的点集V和边集E组成的网络拓扑图构成了有向网络模型CN＝(V,E)，用于表示湖库水体藻类水华形成特性；

(2)计算复杂网络特征参数；

所述复杂网络特征参数包括平均路径长度L、节点介数B_i、聚类系数C和最短距离d_imin，其中i表示节点编号；

(3)构建水华生成过程复杂网络统计特征G参数；

步骤三、G参数时间序列混沌特性检验；

对G参数的时间序列{g(t),t＝1,2,…N}进行相空间重构，找到最优延迟时间τ与嵌入维数m，其中m＜N，则可将时间序列中的N个数据拓延成N-(m-1)τ个m维相空间的矢量,

G(t)＝(g(t),g(t+τ),…g(t+(m-1)τ)),t＝1,…,M,M＝N-(m-1)τ

其中，G(t)为G参数时间序列重构后的相空间矢量，g(t)为不同时刻获取的G参数时间序列值；

然后计算最大Lyapunov指数，并检验G参数时间序列的混沌特性；若G参数时间序列是混沌的，则采用常用的混沌时间序列的局域预测方法对G参数时间序列进行预测；

步骤四、基于混沌时间序列的G参数时间序列预测；

采用的加权一阶局域法进行G参数时间序列预测。

2.根据权利要求1所述的基于复杂网络的城市湖库藻类水华混沌时间序列预测方法，其特征在于：步骤四中加权一阶局域法，是将重构相空间中最后一个向量G(M)作为预测中心点，利用其它向量与G(M)之间的距离，拟合出一阶线性拟合系数；利用一阶线性拟合方式来逼近未来演化相点，得到下一步演化相点的预测值：

G(M_j+1)＝a+bG(M_j)

其中a,b为一阶线性拟合系数，M_j表示与预测起始点G(M)相邻较近的第j邻近点矢量的序号，j＝1,2,...,q，q为指定的与预测起始点G(M)局域相邻较近的序列矢量个数。

3.根据权利要求1所述的基于复杂网络的城市湖库藻类水华混沌时间序列预测方法，其特征在于：所述的点集V包含7个关键影响因素，分别为总磷TP、总氮TN、温度T、pH值、溶解氧DO、光照I、叶绿素chl_a。

4.根据权利要求1所述的基于复杂网络的城市湖库藻类水华混沌时间序列预测方法，其特征在于：构建水华生成过程复杂网络统计特征G参数模型，具体为：

首先构建节点的关键度模型σ_i'为：

σi′=α+λi++α-λi-dimin×Bi]]>

式中，d_imin即节点v_i到叶绿素a计算的最短距离，λ_i为节点度，分为入度和出度B_i为节点介数，α⁺，α^-为权值，取值范围为0到1的实数，i表示节点编号,i＝1,2,…,7；

考虑到平均路径长度和聚类系数对网络的影响，对节点的关键度模型进行二次修正，修正的关键度模型σ_i为：

σi=(1-β)σi′+βCiΣj=1,j≠inσj′(n-1)L]]>

式中，C_i为节点v_i的聚类系数，表示节点v_i与复杂网络中其他节点的耦合程度，L为网络的平均路径长度，j＝1,2,…,7，β为权值，取值范围为0到1的实数；

考虑L、B_i、C_i、d_imin和σ_i是水华形成复杂网络特性的关键参数，则构建藻类水华生成识别G参数模型：

G=exp(1nΣi=1nδi×dimin)]]>

式中，δ_i代表节点v_i的修正的关键度模型σ_i与节点v_i的具体参数值的乘积，即δ_i＝c_i×σ_i，c_i表示节点v_i的具体参数值，n为节点数；所述的具体G参数模型包括平均路径长度L、节点介数B_i、聚类系数C和最短距离d_imin，及修正的关键度模型σ_i。