基于平稳性检验与滚动ARMA建模的大坝监测数据插补方法与流程

摘要: 本发明涉及水利工程安全监测与数据处理,特别涉及一种基于平稳性检验与滚动arma建模的大坝监测数据插补方法。背景技术:1、在现有水库大坝安全监测体系中,受限于传感...
基于平稳性检验与滚动ARMA建模的大坝监测数据插补方法与流程

本发明涉及水利工程安全监测与数据处理,特别涉及一种基于平稳性检验与滚动arma建模的大坝监测数据插补方法。

背景技术:

1、在现有水库大坝安全监测体系中,受限于传感器精度、监测方式及环境干扰,监测数据常出现缺失、异常或不连续,严重影响监测数据完整性和大坝安全态势分析的可靠性。因此,如何科学有效地修复和插补大坝监测数据,是实现高精度安全评估与预测的前提条件。

2、目前,针对大坝监测数据缺失问题,已有研究主要采用插值方法、时间序列分析或统计回归模型进行处理,近年来也出现了基于深度学习的预测与插补方法,如lstm、gru、svm、随机森林等,并结合经验模态分解(vmd/emd)等信号处理技术提高预测精度。虽然这些方法在精度上有所提升,但对于数据稀疏、首端缺失或中小型坝历史监测数据有限的情形,仍存在计算复杂、模型训练依赖大样本以及解释性不足的问题。

3、因此,在工程可用性、实时性和可解释性方面,现阶段需要研究出新的适应性插补方法。

技术实现思路

1、本发明所要解决的问题是:提供一种基于平稳性检验与滚动arma建模的大坝监测数据插补方法,利用时间序列的平稳性特征,通过adf检验实现模型自适应切换,并在首端或历史数据不足时采用倒序预测策略,实现缺失数据的精确填补,为中小型水库大坝及高缺失率时序数据的监测分析与健康诊断提供可行方案。

2、本发明采用如下技术方案:一种基于平稳性检验与滚动arma建模的大坝监测数据插补方法,包括如下步骤:

3、步骤1、对大坝监测原始时间序列进行缺失点识别与数据分段,定位缺失时刻并划分为连续缺失段与非缺失段;

4、步骤2、对连续缺失段序列进行adf平稳性检验,判断序列是否存在单位根,对非平稳时间序列执行差分处理,得到平稳时间序列;

5、步骤3、构建arma模型并进行模型训练,输入平稳时间序列,依据aic准则选取arma模型的最优参数,利用训练好的arma模型对缺失点进行单步预测,得到预估值;

6、步骤4、将预估值填补进原时间序列,将更新后的时间序列作为新的输入,对下一个缺失点进行步骤3的单步预测,对中段缺失点采用正向arma建模进行递推预测,对前端缺失点采用倒序arma建模进行递推预测;逐点递推,直至完成连续缺失段插补,得到完整监测数据。

7、作为一种优选,所述正向arma建模,选取缺失点前最近一段完整观测序列建模,公式为:

8、;

9、其中,是时刻t的观测值,是时刻的观测值,

p是自回归阶数,

q是滑动平均阶数,

c是常数项,是ar部分系数,是ma部分系数,是白噪声误差项,是时刻t-j的白噪声误差项。

10、作为一种优选,所述倒序arma建模,将时间序列进行反向排列,以末端已有观测值作为历史信息,在反向序列上构建arma模型并进行递推预测,得到缺失值估计,再映射回原始时序,公式为:

11、;

12、其中,表示反向序列,表示反向序列中时刻t-i的观测值,表示反向序列中时刻t-j的白噪声误差项,表示反向序列中时刻t的白噪声误差项。

13、作为一种优选,所述adf平稳性检验,通过对时间序列构建回归模型,并在其中加入滞后项以消除自相关干扰,形式为:

14、;

15、其中,表示时间序列在时刻t的差分项(),表示回归模型的常数项,表示时间趋势项,表示滞后一期水平项的系数,表示时刻t-1的序列取值,表示滞后差分项的系数,用于吸收高阶动态并消除(或减弱)残差自相关干扰。

16、作为一种优选,所述差分处理为一次差分,差分项表示为:;其中,表示时刻t的序列取值;如仍非平稳,执行二次差分直至平稳,得到平稳时间序列,作为arma模型的输入。

17、作为一种优选,所述aic准则,公式为:

18、;

19、其中,为模型的最大似然估计值,为模型中的参数个数,是衡量模型拟合优度与简洁度之间权衡的统计量,越大表示模型拟合越好,越小表示模型越简洁。

20、进一步地,根据aic准则选取arma模型的最优参数,采用网格搜索方法遍历一组候选的(

p,

q)组合,并计算每个(

p,

q)组合对应的aic值,选择aic值最小的一组

p和

q作为最佳arma模型参数。

21、本发明技术方案还提供了:一种电子设备,包括:

22、一个或多个处理器;

23、存储装置,其上存储有一个或多个程序;

24、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述的大坝监测数据插补方法。

25、本发明技术方案还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现前述大坝监测数据插补方法中的步骤。

26、本发明采用以上技术方案与现有技术相比,具有以下技术效果:

27、1、本发明方法利用时间序列的平稳性特征,通过adf检验实现模型自适应切换,对时间序列中缺失的数据点进行逐点滚动预测填补,以保持时间序列的连贯性和统计特性,能够在保证预测精度的同时,实现低计算成本和良好工程可解释性,为中小型大坝及高缺失率时序数据的安全分析与智能监测提供可行方案。

28、2、本发明方法在首端或历史数据不足时采用倒序预测策略,通过结合正向与倒序arma模型,能够全面覆盖序列前、中、后各阶段的缺失情况,进一步提升缺失值填补的稳定性与鲁棒性,实现缺失数据的精确填补。

1.一种基于平稳性检验与滚动arma建模的大坝监测数据插补方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的大坝监测数据插补方法,其特征在于,所述正向arma建模,选取缺失点前最近一段完整观测序列建模,公式为:

3.根据权利要求2所述的大坝监测数据插补方法,其特征在于,所述倒序arma建模,将时间序列进行反向排列,以末端已有观测值作为历史信息,在反向序列上构建arma模型并进行递推预测,得到缺失值估计,再映射回原始时间序列,公式为:

4.根据权利要求2所述的大坝监测数据插补方法,其特征在于,所述adf平稳性检验,通过对时间序列构建回归模型,并在其中加入滞后项,以消除自相关干扰,形式为:

5.根据权利要求4所述的大坝监测数据插补方法,其特征在于,所述差分处理为一次差分,差分项表示为:;其中,表示时刻t的序列取值;

6.根据权利要求2所述的大坝监测数据插补方法,其特征在于,所述aic准则,公式为:

7.根据权利要求6所述的大坝监测数据插补方法,其特征在于,依据aic准则选取arma模型的最优参数,采用网格搜索方法遍历一组候选的(p,q)组合,并计算每个(p,q)组合对应的aic值,选择aic值最小的一组p和q,作为最佳arma模型参数。

8.一种电子设备,其特征在于,包括:

9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时,实现权利要求1至7中任一项所述的大坝监测数据插补方法中的步骤。