[发明专利]基于数据与模型混合的仿真计算方法及装置

说明书

本发明公开了一种基于数据与模型混合的仿真计算方法及装置，其中，方法包括以下步骤：对目标系统进行概念化形成目标系统的描述性框架，并指定目标系统的不确定要素，根据描述性框架和不确定要素建立多个概念模型；根据多个概念模型建立多个计算机模型，并指定每个计算机模型的参数与变量值，根据多个计算机模型和每个计算机模型的参数与变量值探索得到目标系统的多个预测结果；对比多个预测结果和真实系统的当前观测数据得到计算系统与真实系统之间的偏差，并驱动计算系统与真实系统共同演化得到仿真计算结果。该方法结合数据与模型混合驱动的建模机制，能够提高仿真系统的灵活性，并极大地增强它对真实系统变化的适应能力。

技术领域

本发明涉及数据建模、计算机仿真与复杂系统科学技术领域，特别涉及一种基于数据与模型混合的仿真计算方法及装置。

背景技术

在计算机仿真领域，研究者们普遍假设未来是可预测的，只要建立足够逼真的计算机模型(即计算系统)，人们就可以准确预测未来系统状态与演化路径。长期以来，研究聚焦如何尽可能精细地还原真实系统的组分、结构与演化机理。然而，许多应用实例却表明，如果目标系统存在大量的不确定性，传统假设是不成立的。这是由于系统的组分、结构与演化机理存在不确定性，且可能随着时间不断变化，而且这种变化通常无法预知。如此，高度精确的模型也只能实现短期的有效预测，而长期的预测结果往往与真实情况偏差甚大。例如，即使现有大气运动模型已经相当精准，但全球气候的变化仍然难以预测，强对流天气可能随时发生。显然，模型是真实系统的近似抽象，有能力预测系统未来，但却不一定能够给出可信赖的预测信息，因为真实系统存在大量的不确定性。如何利用模型来仿真具有高度不确定性的系统，已经成为计算机仿真控制领域的难点问题。

不确定性将对模型仿真与预测造成的困难主要来自两个方面。其一，系统演化轨迹的多重可能性。动态性与不确定性意味着系统的发展演化轨迹与方向存在多种多样的可能性，系统内在机理与表现出来的外部功能之间的关联或响应关系也存在大量的可能性，建模分析和预测将无法指定最优或最可能的情况；其二，不可预知事件可能经常发生。不确定条件下，突然的、无先验知识的新现象或新过程可能随时发生，并对目标系统的结构、机理与状态造成不可忽视的改变，事件的分析和预测必须有能力适应这些新情况、新现象。

经技术检索与调研，解决不确定环境下的系统分析和预测问题，目前主要有蒙特卡洛仿真方法和数据同化方法。蒙特卡罗仿真是试图克服不确定性影响的重要方法。它将系统变量的不确定性视为可量化的随机性进行处理，即，为每个不确定变量构造概率分布。基于这些概率分布，该方法可以对不同变量进行随机抽样，从而形成不同的初始条件。通过仿真不同初始条件下的系统行为，决策者将获得多种可能的未来状态。这些预测的状态满足特定的概率分布，决策者可以识别最可能或最优的未来状态。在建模过程中，蒙特卡罗仿真方法在参数中考虑了不确定性，从而得到系统不确定性对仿真结果的影响。然而，它所考虑的不确定性是统计或概率不确定性，或者说只是不确定性中可预测的或可预知的部分。

相比于蒙特卡罗仿真方法，数据同化方法能够帮助决策者应对更多的不确定性。数据同化是在线的“预测-分析-矫正”的循环过程。在该过程中，它不断地引入真实观测数据与预测结果进行融合分析，从而连续地、动态地修正模型参数，并获得对系统真实状态的最优估计。数据同化方法不断利用获取的新信息减少模型参数的不确定性。考虑到初始条件(包括初始参数与状态值)也可能存在不确定性，后续研究提出了集合数据同化方法。该方法要求决策者在执行数据同化前，为系统模型设立一个初始条件的集合，而并非一个确定的初始条件。通过预测不同初始条件下的系统状态值，并将它们与观测值进行比较，决策者可以估计最可能的初始条件。集合数据同化方法同时考虑参数与初始条件的不确定性，并在仿真过程中动态地矫正模型参数与初始条件，从而降低系统不确定性对预测结果的影响。该仿真范式的有效性已被大量实际应用所证明。然而，集合数据同化方法仍存在不可忽视的缺陷。整个分析与预测过程完全由确定的模型所支配。在仿真过程中，系统所使用的模型是固定的。如果真实系统内在演化机理发生质的改变，当前系统模型将迅速失效。