屈磊磊等

摘要通過對1978～2012年湞江歷年年徑流量數(shù)據(jù)分析，建立時間序列模型。在模型的建立過程中，使用SPSS軟件，對不同階數(shù)的ARIMA模型進(jìn)行比較，按照最小信息量原則選擇最優(yōu)模型ARIMA（4，1，0），并且使用該模型對2013～2016年徑流量進(jìn)行預(yù)測。

關(guān)鍵詞時間序列分析；ARIMA；SPSS；年徑流量

中圖分類號S11文獻(xiàn)標(biāo)識碼A文章編號0517-6611（2015）21-023-02

水文預(yù)報直接為防汛搶險、水資源的合理利用與保護(hù)、水利工程的建設(shè)和調(diào)度運行管理以及工農(nóng)業(yè)生產(chǎn)提供服務(wù)。這是水文研究的重要內(nèi)容。徑流量預(yù)測是水資源系統(tǒng)分析中一個很重要的內(nèi)容，可以為水資源合理開發(fā)和優(yōu)化利用、區(qū)域社會經(jīng)濟(jì)規(guī)劃的制定提供必要的導(dǎo)向，尤其是對水庫合理調(diào)度的指導(dǎo)意義不容忽視。年徑流量的預(yù)報對于制定生產(chǎn)計劃、防洪、抗旱、發(fā)電、水資源的規(guī)劃管理和綜合利用有著十分重要的意義。

1時間序列模型

目前，對徑流量的預(yù)測方法有回歸分析模型[1]、人工神經(jīng)網(wǎng)絡(luò)[2-4]、模糊數(shù)學(xué)模型[5-6]、灰色系統(tǒng)模型[7-8]以及時間序列模型[9-11]。但是，徑流形成固有的不確定性和復(fù)雜性使得人們對徑流過程演變認(rèn)識、模擬、預(yù)測具有非唯一性，且徑流量本身存在很多不確定因素及很強(qiáng)的波動性，使得有些方法的預(yù)測精度往往不高。

時間序列分析屬于概率統(tǒng)計學(xué)科的一個重要分支，近些年得到迅速發(fā)展，其實際應(yīng)用遍及自然科學(xué)、社會科學(xué)以及工程技術(shù)的諸多領(lǐng)域。時間序列分析的若干理論已經(jīng)相當(dāng)成熟，特別是對于線性平穩(wěn)時間序列，其多種模型己被廣泛應(yīng)用于各領(lǐng)域的控制和預(yù)測。

時間序列分析不通過其他變量對所觀測時間序列{Xt}的行為做結(jié)構(gòu)性解釋分析，而是根據(jù)數(shù)據(jù)自身特點，為它建立一個能夠反映時間序列過去行為的模型，以幫助我們預(yù)測未來行為。

我們把具有如下結(jié)構(gòu)的模型稱為自回歸移動平均模型，簡記為ARMA（p，q）。

xt=0+1xt-1+…+pxt-p+εt-θ1εt-1-…-θqεt-q

p≠0，θq≠0

E（εt）=0，Var（εt）=σ2ε，E（εtεs）=0，s≠t

Extεt=0，s<1

若0=0，則該模型被稱為中心化ARMA（p，q）模型。缺省默認(rèn)條件，中心化ARMA（p，q）模型可以簡寫為xt=1xt-1+…+pxt-p+εt-θ1εt-1-…-θqεt-q。

其中，{xt}為平穩(wěn)的時間序列；

{εt}為白噪聲序列；

1，2，…p，θ1，θ2，…θq為常數(shù)。

ARIMA（p，q）模型的實質(zhì)就是差分運算與ARMA模型的組合。這說明任何非平穩(wěn)序列只要通過適當(dāng)階數(shù)的差分實現(xiàn)差分后平穩(wěn)，就可以對差分后序列進(jìn)行ARMA模型擬合。

2使用時間序列模型建模

韶關(guān)市地處粵北山區(qū)，水資源年際變化大，年內(nèi)分配不均，受氣候、水文和地理條件的制約，在洪水期易產(chǎn)生山洪而枯水期又易出現(xiàn)旱災(zāi)。自建國以來，韶關(guān)市旱情較嚴(yán)重的年份有1955、1963、1977、1986、2004、2009年，尤其是2001～2004年的多年連旱對韶關(guān)市經(jīng)濟(jì)發(fā)展和人們的日常生活造成重大損失。

圖1為1978～2012年湞江年徑流量數(shù)據(jù)折線圖。由圖2可知，湞江歷年年徑流量稍有遞增趨勢，各階的自相關(guān)和偏自相關(guān)系數(shù)有一定的規(guī)律性，大都取負(fù)值，而非在零值附近波動。因此，對原始序列進(jìn)行一階差分，對一階差分后數(shù)據(jù)做出自相關(guān)和偏自相關(guān)系數(shù)圖形。

圖3顯示一階差分后數(shù)據(jù)自相關(guān)系數(shù)拖尾，偏自相關(guān)系數(shù)可以近似看成四階截尾。因此，選擇ARIMA（2，1，0），ARIMA（3，1，0），ARIMA（4，1，0）以及ARIMA（5，1，0）模型。綜合比較模型參數(shù)，選擇較優(yōu)模型。模型參數(shù)見表1。BIC準(zhǔn)則適用于樣本數(shù)據(jù)較少的問題，目的是判斷預(yù)測目標(biāo)的發(fā)展過程與哪一隨機(jī)過程最接近。具體的使用原則是在規(guī)定

范圍內(nèi)選擇BIC值最小的模型。選擇ARIMA（4，1，0）建立

模型，模型參數(shù)如表2所示。

用對信息的提取是否充分來判斷模型的有效性，使用LjungBox檢驗統(tǒng)計量，判斷法則為當(dāng)檢驗統(tǒng)計量的P值大于顯著性水平α?xí)r，認(rèn)為殘差是白噪聲序列，否則說明殘差

序列中還殘留著相關(guān)信息，擬合模型不顯著。由表1可知，

當(dāng)使用ARIMA（4，1，0）模型建模時，其LjungBox統(tǒng)計量的顯著性（α）為0.721，遠(yuǎn)大于顯著性水平α（取α=0.05），可以認(rèn)為殘差是白噪聲序列。進(jìn)而，圖4給出建立ARIMA（4，1，0）模型之后殘差的自相關(guān)和偏自相關(guān)序列圖，基本在零值附近波動，則模型有效。

當(dāng)使用ARIMA（4，1，0）模型建模時，其模型參數(shù)見表2。參數(shù)檢驗結(jié)果顯示，AR（1）、AR（2）、AR（3）、AR（4）系數(shù)均顯著。使用ARIMA（4，1，0）模型對湞江2013～2016年年徑流量進(jìn)行預(yù)測，預(yù)測2013、2014、2015及2016年年徑流量分別為51.46億、58.88億、6012億以及63.09億m3。其置信上限、置信下限見表3。把歷年觀察值數(shù)據(jù)、擬合值以及預(yù)測值曲線繪制到同一個坐標(biāo)軸中，如圖5所示。

3結(jié)論

通過對ARIMA模型理論的介紹和研究，對湞江年徑流量建立多個ARIMA模型。按照一定的原則，選擇較優(yōu)的模型，并且對模型參數(shù)進(jìn)行估計，對近4年的年徑流量做預(yù)報分析。

水文預(yù)報的方法很多，然而對于中長期預(yù)報，目前還沒有一種模型對所有的水文序列適用。預(yù)報模型的適用性至今仍是有待深入研究的問題。對于一個具體水文序列長期預(yù)報問題，往往通過對具體的數(shù)據(jù)進(jìn)行分析、嘗試、檢驗等步驟，最終找到較適合的預(yù)報模型。

參考文獻(xiàn)

[1] 顧綺儀.長期水文統(tǒng)計預(yù)報方法在長江大通站徑流預(yù)報中的應(yīng)用[J].應(yīng)用技術(shù)，2005，3（1）：42-43.

[2] 蔡煜東，許偉杰.自組織人工神經(jīng)網(wǎng)絡(luò)在鄱陽湖年最高水位長期預(yù)報中的應(yīng)用[J].水文科技情報，1993，10（2）：27-29.

[3] 鐘登華，王仁超，皮鈞.水文預(yù)報時間序列神經(jīng)網(wǎng)絡(luò)模型[J].水利學(xué)報，1995（2）：69-75.

[4] 張利平，王德智，夏軍.白山水庫徑流中長期預(yù)報研究與應(yīng)用[J].水電能源科學(xué)，2002（3）：18-20.

[5] 陳守煜.中長期水文預(yù)報綜合分析理論模式與方法[J].水利學(xué)報，1997（8）：15-32.

[6] 白子巖.模糊模式識別法在中長期預(yù)報中的應(yīng)用[J].水利水電技術(shù)，1999，30（2）：50-51.

[7] 謝科范.評灰色系統(tǒng)理論[J].系統(tǒng)工程，1991，9（4）：49-52.

[8] 夏軍.灰色系統(tǒng)水文學(xué)理論方法及應(yīng)用[M].武漢：華中理工大學(xué)出版社，1999：36-47.

[9] 洪時中.非線性時間序列分析的最新進(jìn)展及其在地球科學(xué)中的應(yīng)用前景[J].地球科學(xué)進(jìn)展，1999，14（6）：559.

[10] OOMS M，F(xiàn)RANSES P H.A seasonal periodic long memory model for monthly river flows[J].Environmental Modeling&Software，2001，16：559-569.

[11] 張小靜.函數(shù)系數(shù)自回歸模型在水文預(yù)報中的應(yīng)用[D].西安：西安理工大學(xué)，2007.