时间序列的自回归模型可以表达为
式中:t为当前时刻;X为时间序列(如流量、水位、相对误差等);ξt为t时刻的系统残差;c1,c2,…,cp为常系数。
自回归模型假设t时刻变量Xt与t时刻之前变量X序列相关。根据t时刻之前变量X序列可以估计t时刻变量Xt,估计结果的好坏取决于回归系数。若已知时间序列为X1,X2,X3,…,Xm(m≥p),代入式(5.3-1)中,得到
最小二乘原理指出,最佳参数C应满足残差平方和最小原则,则目标函数为
求J对C的偏微分,并令其等于0,则求得J趋于最小的估计值,有
普通最小二乘目标函数式(5.3-4)可以视为系统残差的等权结构,无法考虑新的洪水信息,为了加大新息在推导参数过程中的作用,人们又研制了衰减记忆最小二乘估计方法。该法是将最小二乘目标函数的等权结构改为加权结构,即将目标函数式(5.3-4)改写为
其中:ρ为加权因子,0<ρ≤1。如果ρ=1,就是等权情况。
从式(5.3-6)可见,当m=i,也就是资料序列中i=1,…,m最新的一组数据所求出的残差ξm的权重ρm-m=1为最大,i逐个向前减少时,ξi的权重则从ρ,ρ2,ρ3,…,ρm-1逐个依次减小,由于减少呈指数方关系,ρ的大小对权重的衰减速度影响很大。(www.daowen.com)
根据国内外的经验,当ρ=0.6时,在最小二乘估计起作用的数据不超过9组;当ρ=0.9,则有30~40组数据起作用;在ρ=0.99可延长到400多组,而当ρ=0.9999时可记忆数据万组以上。由于在用加权和目标函数进行估计时,离当前时刻越久远的资料(m-i越大),计算的残差ξi越不起作用,这种“记忆”既往资料的能力是随时间逐步衰减的,因而得名。根据这一思路,可以推导出衰减记忆递推最小二乘的计算公式。
当从m组观测数据向(m+1)组递推的时候,按照式(5.3-6)的原理,最新观测数据的权重为l,过去的数据需要加乘权重ρ,使其权重衰减。
根据研究区数据特征,选用1阶自回归模型模拟预报误差的变化规律,将式(5.3-1)改写为
式中:t为时段;ξt为系统参数;A0、A1为回归参数;εt=为预报误差;Qc(t)、Qo(t)分别为t时段模型预报流量与实测流量。
根据式(5.3-7)可知,预报流量的校正式为
式中:Qc(*)、Qo(*)分别为模型预报流量与实测流量;t为时段;为模型校正流量。
以王家坝断面为例,采用最小二乘法对式(5.3-7)中参数进行估计,以1990—2013年间28场洪水数据为资料,预报误差1阶自回归拟合见图5.3-3。
图5.3-3 预报误差1阶自回归拟合
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。