基于时空序列的水文过程相似性挖掘

水文是一个数据密集型领域，长期的观测和实践积累了大量的水文数据，这些数据中蕴涵着自然界长期的演变规律和人类活动影响的信息。如何利用人工智能和数据挖掘技术从这些大量数据中发现水文时空序列中的知识是把信息技术和水文学有机结合的一个重要研究需求。本项目围绕防洪减灾信息服务，研究基于时空序列的水文过程相似性分析和水文序列模式挖掘。其中，水文过程相似性的研究成果可应用于相似洪水过程查找，为防洪调度和洪水灾害评估提供新的技术手段；水文序列模式挖掘结果有助于掌握水文长时间序列中的隐含变化规律。相似水文过程分析主要研究符合水文领域物理涵义的语义相似性度量，并研究同时考虑诸多相关水文要素的多元水文时空间序列相似问题。在序列模式挖掘方面，本项目主要从频繁模式、部分周期模式等方面进行研究。本项目的开展不但对提高防洪减灾决策支持能力具有重要的意义，而且对于数据挖掘等相关领域的应用基础理论研究也具有一定的意义。

在项目组共同努力下，我们较好地完成了研究任务。依托本项目，发表论文20篇，其中SCI检索3篇，EI检索11篇，中文核心期刊8篇，国际会议论文8篇；申请发明专利12件，其中已授权2件；培养博士研究生3名，已经毕业硕士研究生7名。.主要研究成果如下：.1水文时间序列相似性挖掘：提出了基于语义相似的水文时间序列相似性度量，快速发现相似洪水过程序列，满足防汛调度对历史相似洪水过程的查询需求；提出了新的降雨时间序列相似性比较模型和降雨站点分区模型，通过提取单场降雨序列的特征并进行聚类分析得到若干降雨过程类型，然后基于直方图相似性在高维流形空间进行降雨站点分区，为水资源管理提供新的技术支撑；基于信息融合思想，采用改进BORDA计数法对多度量分析得到的相似子序列进行排序，得到最终的相似子序列，结果表明多度量融合的水文时间序列相似性度量方法能够提高相似查询的准确性。.2异常模式挖掘：通过将时间序列符号化结合距离度量的思路解决时间序列异常挖掘问题，采用扩展符号聚集近似技术对时间序列进行特征提取并符号化，根据符号距离进行异常挖掘；改进特征点提取方法，提出基于特征点符号聚集近似的动态时间弯曲匹配距离。.3序列模式挖掘：针对水文时间序列的特点以及对洪水和旱情长期演变发生规律的挖掘需求，提出基于小波变换、极值点分解和符号化的模体挖掘方法GSB-VLMD，解决了长期演变的洪旱灾情模式自动发现问题。.针对水文时间序列中洪旱事件非全周期性的特点，提出一种新的基于后缀树的多-事件序列的近似部分周期模式挖掘算法，为自动发现变化环境下水文时间序列长期演变的周期规律提供新方法。.4基于时间序列相似性挖掘的数据驱动洪水预报新方法：首先利用时间序列相似性匹配估计上下游洪峰的传播时间，再结合前期降雨进行聚类得到若干组相似洪水过程，分别对不同洪水过程建立SVR子模型，最后进行多SVR模型集成预报，提高了洪峰的预报精度。.针对河道小波网络模型，提出了一种基于加权相关系数的小波选择准则，精简预测模型的输入，降低模型的复杂度，提高预报精度。.5在其他领域的拓展：将本项目研究的时间序列相似性分析方法推广到高光谱图像分析领域，提取时间序列重要点特征，降低特征维度，提高后续特征选择搜索算法的效率。.6应用：项目研究成果在“引江济太水量水质数据分析”、“南京市防汛指挥系统”推广应用，取得了良好的社会和经济效益。