动态贝叶斯网络在水文预报中的应用

doi:10.3778/j.issn.1002-8331.2010.06.067

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (6): 231-234.DOI: 10.3778/j.issn.1002-8331.2010.06.067

动态贝叶斯网络在水文预报中的应用

李维乾^1，2，解建仓¹，张永进³，薛保菊¹，张丽⁴

1.西安理工大学水利水电学院，西安 710048
2.甘肃联合大学数学与信息学院，兰州 730000
3.西安理工大学工商管理学院，西安 710048
4.西安财经学院，西安710061

收稿日期:2008-08-29 修回日期:2008-11-13 出版日期:2010-02-21 发布日期:2010-02-21
通讯作者: 李维乾

Application of dynamic Bayesian networks in hydrologic forecast

LI Wei-qian^1，2，XIE Jian-cang¹，ZHANG Yong-jin³，XUE Bao-ju¹，ZHANG Li⁴

1.Institute of Water Resource and Hydro-electric Engineering，Xi’an University of Technology，Xi’an 710048，China
2.Institute of Mathematics and Information，Gansu Lianhe University，Lanzhou 730000，China
3.Institute of Business Administration，Xi’an University of Technology，Xi’an 710048，China
4.Xi’an University of Finance and Economics，Xi’an 710061，China

Received:2008-08-29 Revised:2008-11-13 Online:2010-02-21 Published:2010-02-21
Contact: LI Wei-qian

摘要/Abstract

摘要： 贝叶斯网络是目前人工智能中不确定知识与推理中最有效的理论模型之一。提出一种基于动态贝叶斯网络模型理论的水文预报方法。在综合考虑降雨径流成因的基础上，利用领域专家知识构建网络模型，在已有降雨、流量数据的基础上通过计算变量间的条件概率来计算流量发生的可能性。最后，通过渭河流域咸阳至临潼段历时数据进行仿真实验，对仿真结果和该模型进行了分析。

关键词: 贝叶斯网络, 动态贝叶斯网络, 水文预报, 数据挖掘, 高阶马尔科夫链

Abstract: Bayesian network is one of the most efficient models in the uncertain knowledge and reasoning field.A rainfall-runoff prediction model based on dynamic Bayesian network is put forward in this paper.The network model is based on knowledge of the field experts and the causes of rainfall-runoff，they can produce the probability of the flow rate by calculating the conditional probability among variables on the basis of historical rainfall and runoff data.Finally through the simulation of historical data about Wei He river basin from Xianyang gauge station to Lintong gauge station，the model and the results are analyzed.

Key words: Bayesian network, dynamic Bayesian network, hydrologic forecast, data mining, higher-order Markov

中图分类号:

TP391

李维乾^1，2，解建仓¹，张永进³，薛保菊¹，张丽⁴. 动态贝叶斯网络在水文预报中的应用[J]. 计算机工程与应用, 2010, 46(6): 231-234.

LI Wei-qian^1，2，XIE Jian-cang¹，ZHANG Yong-jin³，XUE Bao-ju¹，ZHANG Li⁴. Application of dynamic Bayesian networks in hydrologic forecast[J]. Computer Engineering and Applications, 2010, 46(6): 231-234.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[5]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[6]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[7]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[8]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[9]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[10]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[11]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[12]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[13]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[14]	郑伟，侯宏旭，班志杰. 贝叶斯网络查询语义扩展的专家发现方法[J]. 计算机工程与应用, 2020, 56(13): 194-198.
[15]	吕学志1，2，胡晓峰1，吴琳1，贺筱媛1. 基于贝叶斯网络的任务共同体识别[J]. 计算机工程与应用, 2019, 55(5): 251-257.

动态贝叶斯网络在水文预报中的应用

Application of dynamic Bayesian networks in hydrologic forecast

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics