專利名稱：基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系統(tǒng)及實(shí)驗(yàn)?zāi)M方法
技術(shù)領(lǐng)域：
本發(fā)明屬于水利實(shí)驗(yàn)?zāi)M技術(shù)領(lǐng)域，涉及一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系 統(tǒng)，本發(fā)明還涉及一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M方法。
背景技術(shù)：
平行系統(tǒng)屬于高性能計(jì)算技術(shù)領(lǐng)域，主要面向復(fù)雜問題的解決和分析，與傳統(tǒng)單 一的高性能并行計(jì)算有一定的不同。傳統(tǒng)的高性能計(jì)算技術(shù)是指使用多處理器或者計(jì)算機(jī) 集群，研究并行算法和開發(fā)相關(guān)軟件，并致力于開發(fā)高性能計(jì)算機(jī)的一門計(jì)算機(jī)科學(xué)，通常 包括多種類型的HPC系統(tǒng)。從上世紀(jì)80年代開始，國內(nèi)外陸續(xù)建設(shè)了多個(gè)超級(jí)計(jì)算中心， 為實(shí)際工程提供高性能計(jì)算服務(wù)。但是，其實(shí)施需要大量高性能計(jì)算機(jī)的硬件支持，投資較 大，這在很大程度上限制了技術(shù)的發(fā)展。在高性能計(jì)算發(fā)展遇到瓶頸的背景下，平行系統(tǒng)應(yīng)運(yùn)而生。平行系統(tǒng)是指由某一 個(gè)自然的現(xiàn)實(shí)系統(tǒng)和對(duì)應(yīng)的一個(gè)或多個(gè)虛擬或理想的人工系統(tǒng)所組成的共同系統(tǒng)。主要包 括實(shí)際系統(tǒng)和人工系統(tǒng)，通過兩者的相互作用，完成對(duì)實(shí)際系統(tǒng)的管理與控制，對(duì)相關(guān)行為 和決策的實(shí)驗(yàn)與評(píng)估。平行系統(tǒng)的主要目的是通過實(shí)際系統(tǒng)與人工系統(tǒng)的相互連接，對(duì)二 者之間的行為進(jìn)行對(duì)比和分析，完成對(duì)各自未來狀況的“借鑒”和“預(yù)估”，相應(yīng)地調(diào)節(jié)各自 的管理與控制方式，達(dá)到實(shí)施有效解決方案以及學(xué)習(xí)和培訓(xùn)的目的。目前，平行系統(tǒng)整體仍然處于理論研究階段，其構(gòu)建方法還很不成熟，還沒有一個(gè) 真正實(shí)用的產(chǎn)品面世。在系統(tǒng)目標(biāo)方面，現(xiàn)有的構(gòu)建方法主要側(cè)重于高性能計(jì)算力的實(shí)現(xiàn) 上，單方面的追求高計(jì)算力，對(duì)改進(jìn)決策支持方面關(guān)心較少，由此構(gòu)建出的系統(tǒng)多是一種離 線式的分析服務(wù)系統(tǒng)，而非在線實(shí)時(shí)式的決策支持、分析和產(chǎn)生系統(tǒng)。在硬件支持方面，現(xiàn) 有的平行系統(tǒng)構(gòu)建方法需要一定程度的硬件支持力度，例如計(jì)算集群、高效網(wǎng)絡(luò)等，但隨著 計(jì)算任務(wù)的增加，其硬件支持需求呈指數(shù)增長(zhǎng)。在預(yù)期應(yīng)用領(lǐng)域方面，現(xiàn)有的平行系統(tǒng)構(gòu)建 主要用于解決社會(huì)、經(jīng)濟(jì)等問題，對(duì)于平行系統(tǒng)在水文上的應(yīng)用研究還很不充分，例如王飛 躍在《人工社會(huì)、計(jì)算實(shí)驗(yàn)、平行系統(tǒng)——關(guān)于復(fù)雜社會(huì)經(jīng)濟(jì)系統(tǒng)計(jì)算研究的討論》中所提 出的旨在解決復(fù)雜社會(huì)經(jīng)濟(jì)系統(tǒng)問題的平行系統(tǒng)構(gòu)建方法。水文業(yè)務(wù)的復(fù)雜性使得對(duì)高精度、高效率數(shù)據(jù)處理服務(wù)的需求逐漸增加，水文信 息資源的快速增加，不同系統(tǒng)之間的數(shù)據(jù)交換、異構(gòu)平臺(tái)之間的數(shù)據(jù)訪問、數(shù)據(jù)的高效率利 用、系統(tǒng)間的協(xié)同工作、軟件的復(fù)用等逐步暴露出一系列問題，當(dāng)前普通的網(wǎng)絡(luò)技術(shù)不能滿 足跨行政區(qū)域、跨學(xué)科的數(shù)據(jù)共享和協(xié)作，急需一種具有高性能計(jì)算服務(wù)功能的平行系統(tǒng)。 平行系統(tǒng)在高性能計(jì)算服務(wù)的支撐下，有效整合數(shù)據(jù)資源，開發(fā)計(jì)算應(yīng)用服務(wù)，實(shí)現(xiàn)對(duì)水文 數(shù)據(jù)尤其是空間數(shù)據(jù)的高效、實(shí)時(shí)處理，提高數(shù)據(jù)的可用性，成為一種有發(fā)展前景的選擇。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，解決了現(xiàn)有水文預(yù) 報(bào)應(yīng)用中，高性能計(jì)算需要大量計(jì)算資源，水利數(shù)據(jù)難以進(jìn)行有效集成和開展應(yīng)用模擬的難題。本發(fā)明的另一目的是提供一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M方法。本發(fā)明所采用的技術(shù)方案是，一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，包括過程 參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊和學(xué)習(xí)記憶模塊，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊與數(shù)據(jù)、數(shù)據(jù)集 成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào)結(jié)果分別連接，學(xué)習(xí)記憶模塊與數(shù)據(jù)、數(shù)據(jù)集成模塊、預(yù)報(bào)模 型模塊和預(yù)報(bào)結(jié)果分別連接，數(shù)據(jù)、數(shù)據(jù)集成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào)結(jié)果依次連接；過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊內(nèi)部包括數(shù)據(jù)擬合引擎、數(shù)據(jù)挖掘引擎、問題分析 引擎、知識(shí)應(yīng)用引擎、參數(shù)分析引擎五個(gè)組件組合而成；數(shù)據(jù)集成模塊通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，利用過程參數(shù)及 數(shù)據(jù)預(yù)測(cè)分析模塊中的數(shù)據(jù)擬合引擎來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不斷豐富 而不斷地修正計(jì)算結(jié)果；預(yù)報(bào)模型模塊內(nèi)封裝了所有的主流水文預(yù)報(bào)模型，也能夠使用系統(tǒng)外部提供的模 型；學(xué)習(xí)記憶模塊用于完成數(shù)據(jù)和知識(shí)的積累，包括編碼組件、反饋數(shù)據(jù)、解析引擎、 補(bǔ)充數(shù)據(jù)組合而成。本發(fā)明所采用的另一技術(shù)方案是，一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M方法，利用 一種基于平行系統(tǒng)的水文預(yù)報(bào)模擬系統(tǒng)，該系統(tǒng)的結(jié)構(gòu)是，包括過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊和學(xué)習(xí)記憶模塊，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模 塊與數(shù)據(jù)、數(shù)據(jù)集成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào)結(jié)果分別連接，學(xué)習(xí)記憶模塊與數(shù)據(jù)、數(shù)據(jù) 集成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào)結(jié)果分別連接，數(shù)據(jù)、數(shù)據(jù)集成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào) 結(jié)果依次連接；過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊內(nèi)部包括數(shù)據(jù)擬合引擎、數(shù)據(jù)挖掘引擎、問題分析 引擎、知識(shí)應(yīng)用引擎、參數(shù)分析引擎五個(gè)組件組合而成；數(shù)據(jù)集成模塊通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，利用過程參數(shù)及 數(shù)據(jù)預(yù)測(cè)分析模塊中的數(shù)據(jù)擬合引擎來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不斷豐富 而不斷地修正計(jì)算結(jié)果；預(yù)報(bào)模型模塊內(nèi)封裝了所有的主流水文預(yù)報(bào)模型，也能夠使用平臺(tái)外部提供的模 型；學(xué)習(xí)記憶模塊用于完成數(shù)據(jù)和知識(shí)的積累，包括編碼組件、反饋數(shù)據(jù)、解析引擎、 補(bǔ)充數(shù)據(jù)組合而成，通過上述系統(tǒng)，該方法按照以下步驟實(shí)施根據(jù)實(shí)際需要確定數(shù)據(jù)擬合引擎、數(shù)據(jù)挖掘引擎、問題分析引擎、知識(shí)應(yīng)用引擎、 參數(shù)分析引擎之間的組件組合，其中數(shù)據(jù)擬合，通過數(shù)據(jù)擬合引擎內(nèi)部集成的樣條差值和最小二乘擬合方法編制 的程序，輸入一個(gè)離散數(shù)據(jù)組成的隊(duì)列，即得到定義域上平滑的擬合方程；數(shù)據(jù)挖掘，通過數(shù)據(jù)挖掘引擎使用冒泡法對(duì)數(shù)據(jù)中的歷史數(shù)據(jù)和知識(shí)積累進(jìn)行排 序，在排序的基礎(chǔ)上利用二分法對(duì)數(shù)據(jù)進(jìn)行檢索，檢索結(jié)果為精確的數(shù)據(jù)或是滿足一定條 件的數(shù)據(jù)集；問題分析的實(shí)施包括通過問題分析引擎，首先，根據(jù)問題的描述確定待選知識(shí)；然后，解析問題的邏輯組成部分，與知識(shí)的解決步驟一一比對(duì)，生成相似度隊(duì)列；最后，選擇 相似度最大的知識(shí)來解決問題；知識(shí)應(yīng)用的實(shí)施包括通過知識(shí)應(yīng)用引擎，首先，經(jīng)過分析現(xiàn)有問題和知識(shí)中對(duì) 問題的描述，將知識(shí)中所描述的部分和問題中的各個(gè)組成部分一一對(duì)照，獲取可解決部分； 然后，將本知識(shí)無法解決的部分封裝為新的問題，重新進(jìn)入問題分析引擎，尋求新的解決知 識(shí)，基于這種迭代機(jī)制，最終得到精確的或較為滿意的解；參數(shù)分析的實(shí)施包括通過參數(shù)分析引擎，首先，根據(jù)第一個(gè)計(jì)算出來的參數(shù)值， 比對(duì)歷史數(shù)據(jù)和知識(shí)，找到最為相似的歷史情況；其次，解析挑選出來的歷史情況，獲得當(dāng) 時(shí)的參數(shù)取值；最后，將這些值賦給當(dāng)前計(jì)算模型，保證模型在傳入第一個(gè)參數(shù)后就開始運(yùn) 行；數(shù)據(jù)集成的實(shí)施包括通過數(shù)據(jù)集成模塊，數(shù)據(jù)源為實(shí)際數(shù)據(jù)或補(bǔ)充數(shù)據(jù)、歷史數(shù) 據(jù)和知識(shí)，通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，利用過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分 析模塊中的數(shù)據(jù)擬合引擎來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不斷豐富而不斷地修 正計(jì)算結(jié)果；模型預(yù)報(bào)的實(shí)施包括通過預(yù)報(bào)模型模塊內(nèi)封裝了所有的主流水文預(yù)報(bào)模型，足 以解決大多數(shù)水文預(yù)報(bào)問題，除了可以使用自帶的預(yù)報(bào)模型外，也可以使用平臺(tái)外部提供 的模型，預(yù)報(bào)模型模塊的入口參數(shù)為預(yù)報(bào)模型集合和預(yù)報(bào)對(duì)象的特征數(shù)據(jù)，輸出為優(yōu)化的 預(yù)報(bào)方案；學(xué)習(xí)記憶的實(shí)施包括通過學(xué)習(xí)記憶模塊用于完成數(shù)據(jù)和知識(shí)的積累。本發(fā)明的有益效果是，基于高性能計(jì)算服務(wù)，構(gòu)建水利實(shí)驗(yàn)環(huán)境，建立與水文預(yù)報(bào) 對(duì)應(yīng)的人工系統(tǒng)，采用平行系統(tǒng)方法進(jìn)行管理和控制，從而實(shí)現(xiàn)對(duì)復(fù)雜數(shù)據(jù)處理服務(wù)的計(jì) 算實(shí)驗(yàn)和實(shí)時(shí)處理，便于對(duì)水利數(shù)據(jù)進(jìn)行科學(xué)的量化評(píng)估分析，通過平行系統(tǒng)為復(fù)雜的水 文預(yù)報(bào)提供服務(wù)，并將傳統(tǒng)高性能計(jì)算需要的硬件設(shè)備費(fèi)用降到最低。


圖1是本發(fā)明系統(tǒng)的結(jié)構(gòu)框圖；圖2是本發(fā)明系統(tǒng)中的過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊結(jié)構(gòu)圖；圖3是本發(fā)明系統(tǒng)中的動(dòng)態(tài)數(shù)據(jù)集成結(jié)構(gòu)圖；圖4是本發(fā)明系統(tǒng)中的學(xué)習(xí)記憶模塊的結(jié)構(gòu)圖；圖5是本發(fā)明方法應(yīng)用實(shí)施例的洪水預(yù)報(bào)流程圖。圖中，1.過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊，2.數(shù)據(jù)，3.學(xué)習(xí)記憶模塊，4.數(shù)據(jù)集成模 塊，5.預(yù)報(bào)模型模塊，6.預(yù)報(bào)結(jié)果，7.編碼組件，8.反饋數(shù)據(jù)，9.解析引擎，10.補(bǔ)充數(shù)據(jù)， 11.數(shù)據(jù)擬合引擎，12.數(shù)據(jù)挖掘引擎，13.問題分析引擎，14.知識(shí)應(yīng)用引擎，15.參數(shù)分析 引擎，16.知識(shí)編碼組件，17.數(shù)據(jù)編碼組件，18.洪水預(yù)報(bào)方法模型，19.功能模塊。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明進(jìn)行詳細(xì)說明。如圖1，本發(fā)明的基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，包括過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分 析模塊1和學(xué)習(xí)記憶模塊3，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊1與數(shù)據(jù)2、數(shù)據(jù)集成模塊4、預(yù)報(bào)模型模塊5和預(yù)報(bào)結(jié)果6分別連接，學(xué)習(xí)記憶模塊3與數(shù)據(jù)2、數(shù)據(jù)集成模塊4、預(yù)報(bào)模型 模塊5和預(yù)報(bào)結(jié)果6分別連接，數(shù)據(jù)2、數(shù)據(jù)集成模塊4、預(yù)報(bào)模型模塊5和預(yù)報(bào)結(jié)果6依次 連接。其基本結(jié)構(gòu)是以空間地理數(shù)據(jù)、歷史數(shù)據(jù)、影像數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)為數(shù)據(jù)源，以高性 能計(jì)算為計(jì)算平臺(tái)，構(gòu)建水利數(shù)據(jù)計(jì)算實(shí)驗(yàn)環(huán)境；在此基礎(chǔ)上，實(shí)現(xiàn)水利信息仿真模擬，并 融合特征數(shù)據(jù)和預(yù)報(bào)模型以平行化的方式進(jìn)行應(yīng)用。以下詳細(xì)介紹各個(gè)模塊的組成及其功能。1、過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊1 傳統(tǒng)實(shí)時(shí)應(yīng)用服務(wù)之所以沒有完全實(shí)現(xiàn)實(shí)時(shí)性和并行性，就在于各模塊之間數(shù)據(jù) 交接的“整體性”。這是因?yàn)閺?fù)雜問題計(jì)算中，數(shù)據(jù)在單個(gè)模塊內(nèi)的停留時(shí)間往往不可忽視， 而基于“整體性”提交的機(jī)制不允許其他模塊在未得到整體數(shù)據(jù)前運(yùn)行，這就破壞了系統(tǒng)的 實(shí)時(shí)性。為了從根本上解決傳統(tǒng)實(shí)時(shí)系統(tǒng)存在的弊端，在并行系統(tǒng)構(gòu)建方法中引入了過程 參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊，該模塊是不同功能模塊和計(jì)算單元之間的橋梁，為模塊的運(yùn)行 提供了最初的動(dòng)力，保證了各模塊之間的平行關(guān)系。參照?qǐng)D2，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊1內(nèi)部包括數(shù)據(jù)擬合引擎11、數(shù)據(jù)挖掘引 擎12、問題分析引擎13、知識(shí)應(yīng)用引擎14、參數(shù)分析引擎15五個(gè)組件組合而成，組合的數(shù)目 和方式根據(jù)實(shí)際需要而定，功能模塊19根據(jù)情況，可以是數(shù)據(jù)2、數(shù)據(jù)集成模塊4、預(yù)報(bào)模型 模塊5和預(yù)報(bào)結(jié)果6中的任一個(gè)。1.1)數(shù)據(jù)擬合引擎11:由于某種原因?qū)е乱恍?shù)據(jù)不能及時(shí)獲取，或者獲取速度過慢，數(shù)據(jù)擬合引擎將 根據(jù)已知離散數(shù)據(jù)或者歷史數(shù)據(jù)來擬合模塊運(yùn)行所需數(shù)據(jù)，以保證模塊及時(shí)運(yùn)行。擬合引 擎內(nèi)部集成了樣條差值和最小二乘擬合方法編制的程序，輸入一個(gè)離散數(shù)據(jù)組成的隊(duì)列， 即得到定義域上平滑的擬合方程。1.2)數(shù)據(jù)挖掘引擎12:隨著系統(tǒng)的運(yùn)行，歷史數(shù)據(jù)和知識(shí)積累會(huì)越來越多，檢索時(shí)間將不可忽略，為了提 高數(shù)據(jù)檢索速度，引入了數(shù)據(jù)挖掘引擎。數(shù)據(jù)挖掘引擎通過使用冒泡法對(duì)數(shù)據(jù)2中的歷史 數(shù)據(jù)和知識(shí)積累進(jìn)行排序，在排序的基礎(chǔ)上利用二分法對(duì)數(shù)據(jù)進(jìn)行檢索，檢索結(jié)果為精確 的數(shù)據(jù)或是滿足一定條件的數(shù)據(jù)集。1.3)問題分析引擎13 隨著系統(tǒng)的運(yùn)行，知識(shí)得到了不斷地積累，系統(tǒng)解決問題的能力也在不斷地提高， 但是知識(shí)數(shù)量的增加也提高了問題與知識(shí)匹配的難度，為了提高知識(shí)應(yīng)用的準(zhǔn)確性，引入 了問題分析引擎。首先，根據(jù)問題的描述，例如問題所屬領(lǐng)域、要達(dá)到的目標(biāo)、精度要求等條 件，確定待選知識(shí)；然后，解析問題的邏輯組成部分，即問題的描述流程，與知識(shí)的解決步驟 一一比對(duì)，生成相似度隊(duì)列；最后，選擇相似度最大的知識(shí)來解決問題。1.4)知識(shí)應(yīng)用引擎14 獲取解決一個(gè)問題的知識(shí)后，下一步需要做的就是將知識(shí)應(yīng)用到具體問題的求解 中，知識(shí)應(yīng)用引擎完成的就是這種工作。首先，經(jīng)過分析現(xiàn)有問題和知識(shí)中對(duì)問題的描述， 將知識(shí)中所描述的部分和問題中的各個(gè)組成部分一一對(duì)照，獲取可解決部分；然后，將本知 識(shí)無法解決的部分封裝為新的問題，重新進(jìn)入問題分析引擎，尋求新的解決知識(shí)?；谶@種 迭代機(jī)制，最終得到精確的或較為滿意的解。
1.5)參數(shù)分析引擎15 水文模型的入口參數(shù)較多，動(dòng)輒十幾個(gè)，且參數(shù)值的生成有先后順序，往往會(huì)出現(xiàn) 先計(jì)算出來的參數(shù)等待未計(jì)算出來的參數(shù)的情況，如果存在需要經(jīng)過大量計(jì)算才能得到的 參數(shù)值，將會(huì)產(chǎn)生較長(zhǎng)的等待時(shí)間，從而破壞系統(tǒng)的平行性。為了解決這種問題，引入了參 數(shù)分析引擎。首先，根據(jù)第一個(gè)計(jì)算出來的參數(shù)值，比對(duì)歷史數(shù)據(jù)和知識(shí)，找到最為相似的 歷史情況；其次，解析挑選出來的歷史情況，獲得當(dāng)時(shí)的參數(shù)取值；最后，將這些值賦給當(dāng) 前計(jì)算模型，保證模型在傳入第一個(gè)參數(shù)后就開始運(yùn)行。2、數(shù)據(jù)集成模塊4面向水利，特別是水文方面的預(yù)報(bào)及決策服務(wù)，動(dòng)輒需要收集幾十年甚至上百年 的數(shù)據(jù)，這往往是一個(gè)較為復(fù)雜和漫長(zhǎng)的過程。傳統(tǒng)的數(shù)據(jù)集成采用“應(yīng)用等數(shù)據(jù)”的靜態(tài) 流程，只有當(dāng)所有的數(shù)據(jù)都從數(shù)據(jù)源集成過來后，應(yīng)用才能夠開始提供服務(wù)。這就導(dǎo)致決策 者寶貴的時(shí)間在數(shù)據(jù)集成過程中被浪費(fèi)掉，而且這種數(shù)據(jù)集成方法不具有較好的重現(xiàn)性和 驗(yàn)證性。針對(duì)這種情況，本發(fā)明提出了一種零等待的動(dòng)態(tài)數(shù)據(jù)集成方案。該動(dòng)態(tài)數(shù)據(jù)集成 方案的結(jié)構(gòu)參照?qǐng)D3，數(shù)據(jù)源1，數(shù)據(jù)源2....數(shù)據(jù)源n為實(shí)際數(shù)據(jù)(補(bǔ)充數(shù)據(jù))、歷史數(shù)據(jù) 和知識(shí)。通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，關(guān)鍵是利用過程參數(shù)及數(shù)據(jù)預(yù) 測(cè)分析模塊中的數(shù)據(jù)擬合引擎11來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不斷豐富而 不斷地修正計(jì)算結(jié)果。3、預(yù)報(bào)模型模塊5水文數(shù)據(jù)是有一定規(guī)律可循的，采用預(yù)報(bào)模型比簡(jiǎn)單的數(shù)據(jù)擬合有更高可信度。 為此，引入了預(yù)報(bào)模型模塊，其內(nèi)封裝了所有的主流水文預(yù)報(bào)模型，足以解決大多數(shù)水文預(yù) 報(bào)問題，除了可以使用自帶的預(yù)報(bào)模型外，也可以使用平臺(tái)外部提供的模型。預(yù)報(bào)模型模塊 5的入口參數(shù)為預(yù)報(bào)模型集合和預(yù)報(bào)對(duì)象的特征數(shù)據(jù)，比如地質(zhì)特征、氣候特征、水文特征、 預(yù)報(bào)時(shí)間、預(yù)報(bào)精度等，輸出為優(yōu)化的預(yù)報(bào)方案，通過預(yù)報(bào)模型模塊5，模型預(yù)報(bào)內(nèi)部流程分 為模型初選、模型檢驗(yàn)與選擇、預(yù)報(bào)方案評(píng)價(jià)和預(yù)報(bào)方案選擇四個(gè)階段。3. 1)模型初選首先，根據(jù)預(yù)報(bào)對(duì)象的特征(比如地質(zhì)特征、氣候特征、水文特征、預(yù)報(bào)時(shí)間、預(yù)報(bào) 精度等)，將此次預(yù)報(bào)封裝成為一個(gè)問題(按照之前所述的問題描述進(jìn)行封裝)，以問題作 為參數(shù)調(diào)用問題分析引擎，得到解決該問題的知識(shí)；然后，應(yīng)用前一步得到的知識(shí)，在模型 集合中查找出符合條件的模型，符合條件的模型大多數(shù)情況下不止一個(gè)；最后，根據(jù)符合條 件的程度(比如地質(zhì)特征、氣候特征、水文特征、預(yù)報(bào)時(shí)間、預(yù)報(bào)精度等)，把選擇出來的模 型進(jìn)行排列(從高到低或者從低到高都可以)，并形成反饋信息。3. 2)模型檢驗(yàn)與選擇洪水預(yù)報(bào)對(duì)模型精度要求較高，引入了模型檢驗(yàn)與選擇階段，用于篩選和優(yōu)化模 型。其對(duì)歷史數(shù)據(jù)系列進(jìn)行模型和預(yù)測(cè)檢驗(yàn)，篩選預(yù)報(bào)精度達(dá)到問題要求的洪水預(yù)報(bào)模型。 例如針對(duì)洪水流量及洪峰情況，選取50年洪水資料，用其中的30年洪水資料進(jìn)行模型參數(shù) 估計(jì)，用另外的20年洪水資料進(jìn)行模型檢驗(yàn)，根據(jù)檢驗(yàn)結(jié)果來選擇效果較好的洪水預(yù)報(bào)模 型，作為洪水預(yù)報(bào)方案的推薦模型，并更新知識(shí)和歷史數(shù)據(jù)。3. 3)預(yù)報(bào)方案評(píng)價(jià)通過上述兩個(gè)階段得到較為合適的預(yù)報(bào)模型，利用這些模型 可以制作多個(gè)預(yù)報(bào)方案，然后對(duì)這些預(yù)報(bào)方案進(jìn)行評(píng)價(jià)，得到推薦使用的預(yù)報(bào)方案和反饋信息。具體的方案評(píng)價(jià)標(biāo)準(zhǔn)分為精度最優(yōu)(針對(duì)特定斷面等)、時(shí)間最優(yōu)(針對(duì)突發(fā)事件 等)和損失最小(針對(duì)泄洪等)，該階段所產(chǎn)生的預(yù)報(bào)方案由滿足以上相應(yīng)要求的方案組 成。3.4)預(yù)報(bào)方案選擇經(jīng)過上階段的預(yù)報(bào)方案評(píng)價(jià)，形成了多個(gè)預(yù)報(bào)方案，這些預(yù) 報(bào)方案相對(duì)較為粗糙，指導(dǎo)實(shí)際工作的意義不大，需要對(duì)其進(jìn)行選擇，首先將問題交由問題 分析引擎，得出問題屬性，主要包括時(shí)間要求、精度要求和事件性質(zhì)(重大，中等，輕度)。然 后，從知識(shí)庫中查找相應(yīng)的解決辦法。最后，利用知識(shí)應(yīng)用引擎完成洪水預(yù)報(bào)方案的選擇， 得到最終的優(yōu)選方案，并形成反饋信息。4、學(xué)習(xí)記憶模塊3學(xué)習(xí)記憶模塊主要完成數(shù)據(jù)和知識(shí)的積累，是保證平行系統(tǒng)穩(wěn)定運(yùn)行的基礎(chǔ)，也 是不斷提升平行系統(tǒng)計(jì)算準(zhǔn)確度的核心部件。包括編碼組件7、反饋數(shù)據(jù)8、解析引擎9、補(bǔ) 充數(shù)據(jù)10組合而成，參照?qǐng)D4，編碼組件7內(nèi)部又分為知識(shí)編碼組件16和數(shù)據(jù)編碼組件17， 其詳細(xì)結(jié)構(gòu)說明如下4. 1)反饋數(shù)據(jù)8 反饋數(shù)據(jù)是平行系統(tǒng)在數(shù)據(jù)集成、參數(shù)預(yù)測(cè)、模型預(yù)報(bào)以及知識(shí)應(yīng)用過程中生成 的用于反饋調(diào)節(jié)或者豐富以上過程的數(shù)據(jù)，是一種矯正和補(bǔ)充數(shù)據(jù)。每一個(gè)反饋數(shù)據(jù)被封 裝為一個(gè)實(shí)體，內(nèi)部包含編號(hào)(該條數(shù)據(jù)在系統(tǒng)中的唯一標(biāo)識(shí))，類型(數(shù)據(jù)反饋或者知識(shí) 反饋)，反饋源(產(chǎn)生反饋數(shù)據(jù)的過程編碼)，反饋對(duì)象(接受反饋調(diào)節(jié)的過程編碼)，調(diào)整 項(xiàng)(過程中需要調(diào)整的參數(shù)編號(hào))，調(diào)整值(調(diào)整后的值)。4. 2)補(bǔ)充數(shù)據(jù) 10 補(bǔ)充數(shù)據(jù)是平行系統(tǒng)運(yùn)行過程中從外部后續(xù)集成的，用來豐富現(xiàn)有歷史數(shù)據(jù)和知 識(shí)的數(shù)據(jù)，這種數(shù)據(jù)的積累可以使歷史問題的解決變得簡(jiǎn)單而快速。每一個(gè)補(bǔ)充數(shù)據(jù)被封 裝為一個(gè)實(shí)體，內(nèi)部包括編號(hào)(該條數(shù)據(jù)在系統(tǒng)中的唯一標(biāo)識(shí))，類型(數(shù)據(jù)或者知識(shí))，產(chǎn) 生源(產(chǎn)生補(bǔ)充數(shù)據(jù)的過程編號(hào))，屬性(屬性編號(hào))，屬性值(對(duì)應(yīng)屬性的取值)。4. 3)解析引擎9:反饋數(shù)據(jù)和補(bǔ)充數(shù)據(jù)是歷史數(shù)據(jù)與知識(shí)的補(bǔ)充，但是他們的存儲(chǔ)格式不同，需要 解析引擎作為中間橋梁。解析引擎9根據(jù)歷史數(shù)據(jù)和知識(shí)的結(jié)構(gòu)對(duì)反饋數(shù)據(jù)和補(bǔ)充數(shù)據(jù)進(jìn) 行解析，將解析出來的數(shù)據(jù)統(tǒng)一使用屬性屬性值的方式存儲(chǔ)。4. 4)知識(shí)編碼組件16和數(shù)據(jù)編碼組件17知識(shí)編碼組件16和數(shù)據(jù)編碼組件17是保證歷史數(shù)據(jù)和知識(shí)標(biāo)準(zhǔn)化存儲(chǔ)的工具， 根據(jù)知識(shí)和歷史數(shù)據(jù)的格式將解析引擎產(chǎn)生的數(shù)據(jù)進(jìn)行編碼，分別生成知識(shí)累積和歷史數(shù) 據(jù)。本發(fā)明通過模塊化結(jié)構(gòu)，將不可拆分的最小功能單元模塊化，相互拼接組合形成 上層(最完整的情況下，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊1、數(shù)據(jù)2、學(xué)習(xí)記憶模塊3相對(duì)于各 自的子模塊為上層)功能單元，實(shí)現(xiàn)學(xué)習(xí)過程和預(yù)測(cè)過程的有機(jī)結(jié)合，數(shù)據(jù)集成過程與數(shù) 據(jù)分析過程的有機(jī)結(jié)合。例如學(xué)習(xí)記憶模塊中解析引擎、知識(shí)編碼組件和數(shù)據(jù)編碼組件都 是可獨(dú)立運(yùn)行模塊，使服務(wù)的動(dòng)態(tài)組建成為可能，為搭建簡(jiǎn)潔、穩(wěn)定、高效、魯棒的應(yīng)用系統(tǒng) 提供了結(jié)構(gòu)保證。本發(fā)明基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M方法，該方法利用上述的模塊化結(jié)構(gòu)，按照以下步驟實(shí)施根據(jù)實(shí)際需要確定數(shù)據(jù)擬合引擎11、數(shù)據(jù)挖掘引擎12、問題分析引擎13、知識(shí)應(yīng) 用引擎14、參數(shù)分析引擎15之間的組件組合，并行或分別實(shí)施，數(shù)據(jù)擬合，通過數(shù)據(jù)擬合引擎11內(nèi)部集成的樣條差值和最小二乘擬合方法編制 的程序，輸入一個(gè)離散數(shù)據(jù)組成的隊(duì)列，即得到定義域上平滑的擬合方程；數(shù)據(jù)挖掘，通過數(shù)據(jù)挖掘引擎12使用冒泡法對(duì)數(shù)據(jù)2中的歷史數(shù)據(jù)和知識(shí)積累進(jìn) 行排序，在排序的基礎(chǔ)上利用二分法對(duì)數(shù)據(jù)進(jìn)行檢索，檢索結(jié)果為精確的數(shù)據(jù)或是滿足一 定條件的數(shù)據(jù)集；問題分析的實(shí)施包括通過問題分析引擎13，首先，根據(jù)問題的描述確定待選知 識(shí)；然后，解析問題的邏輯組成部分，與知識(shí)的解決步驟一一比對(duì)，生成相似度隊(duì)列；最后， 選擇相似度最大的知識(shí)來解決問題；知識(shí)應(yīng)用的實(shí)施包括通過知識(shí)應(yīng)用引擎14，首先，經(jīng)過分析現(xiàn)有問題和知識(shí)中 對(duì)問題的描述，將知識(shí)中所描述的部分和問題中的各個(gè)組成部分一一對(duì)照，獲取可解決部 分；然后，將本知識(shí)無法解決的部分封裝為新的問題，重新進(jìn)入問題分析引擎，尋求新的解 決知識(shí)，基于這種迭代機(jī)制，最終得到精確的或較為滿意的解；參數(shù)分析的實(shí)施包括通過參數(shù)分析引擎15，首先，根據(jù)第一個(gè)計(jì)算出來的參數(shù) 值，比對(duì)歷史數(shù)據(jù)和知識(shí)，找到最為相似的歷史情況；其次，解析挑選出來的歷史情況，獲得 當(dāng)時(shí)的參數(shù)取值；最后，將這些值賦給當(dāng)前計(jì)算模型，保證模型在傳入第一個(gè)參數(shù)后就開始 運(yùn)行；數(shù)據(jù)集成的實(shí)施包括通過數(shù)據(jù)集成模塊4，數(shù)據(jù)源為實(shí)際數(shù)據(jù)或補(bǔ)充數(shù)據(jù)、歷史 數(shù)據(jù)和知識(shí)，通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，利用過程參數(shù)及數(shù)據(jù)預(yù)測(cè) 分析模塊1中的數(shù)據(jù)擬合引擎11來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不斷豐富而不 斷地修正計(jì)算結(jié)果；模型預(yù)報(bào)的實(shí)施包括通過預(yù)報(bào)模型模塊5內(nèi)封裝了所有的主流水文預(yù)報(bào)模型， 足以解決大多數(shù)水文預(yù)報(bào)問題，除了可以使用自帶的預(yù)報(bào)模型外，也可以使用平臺(tái)外部提 供的模型，預(yù)報(bào)模型模塊5的入口參數(shù)為預(yù)報(bào)模型集合和預(yù)報(bào)對(duì)象的特征數(shù)據(jù)，輸出為優(yōu) 化的預(yù)報(bào)方案；學(xué)習(xí)記憶的實(shí)施包括通過學(xué)習(xí)記憶模塊3用于完成數(shù)據(jù)和知識(shí)的積累。圖5為基于本發(fā)明系統(tǒng)設(shè)計(jì)的洪水預(yù)報(bào)系統(tǒng)在預(yù)報(bào)過程中的實(shí)施例流程圖。由圖 可見，最初可選擇的預(yù)報(bào)模型有很多，經(jīng)過預(yù)報(bào)模型模塊四個(gè)階段的篩選后，最終形成了較 為準(zhǔn)確可靠的三水源新安江模型預(yù)報(bào)方案，整個(gè)預(yù)報(bào)過程都是在平行環(huán)境下進(jìn)行的，如此 復(fù)雜的流程，耗時(shí)只有5秒。綜上所述，本發(fā)明的基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，引入了過程參數(shù)及數(shù)據(jù) 預(yù)測(cè)分析模塊，具有硬件需求低，維護(hù)簡(jiǎn)單，實(shí)時(shí)知識(shí)積累，離線式動(dòng)態(tài)決策支持等特點(diǎn)，能 夠?qū)崿F(xiàn)基于平行系統(tǒng)的水利實(shí)驗(yàn)的構(gòu)建，進(jìn)行水利數(shù)據(jù)的集成與復(fù)雜應(yīng)用的模擬，減少了 傳統(tǒng)計(jì)算方法的不便，將傳統(tǒng)高性能計(jì)算硬件設(shè)備費(fèi)用降到最低，提高了應(yīng)用系統(tǒng)的搭建 效率，且隨著系統(tǒng)運(yùn)行時(shí)間的增加，知識(shí)和歷史數(shù)據(jù)的不斷積累，系統(tǒng)計(jì)算的精度會(huì)越來越 高，為水文預(yù)報(bào)的快速高效解決提供了一種新的思路和方法。
權(quán)利要求
一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，其特征在于包括過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊(1)和學(xué)習(xí)記憶模塊(3)，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊(1)與數(shù)據(jù)(2)、數(shù)據(jù)集成模塊(4)、預(yù)報(bào)模型模塊(5)和預(yù)報(bào)結(jié)果(6)分別連接，學(xué)習(xí)記憶模塊(3)與數(shù)據(jù)(2)、數(shù)據(jù)集成模塊(4)、預(yù)報(bào)模型模塊(5)和預(yù)報(bào)結(jié)果(6)分別連接，數(shù)據(jù)(2)、數(shù)據(jù)集成模塊(4)、預(yù)報(bào)模型模塊(5)和預(yù)報(bào)結(jié)果(6)依次連接；過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊(1)內(nèi)部包括數(shù)據(jù)擬合引擎(11)、數(shù)據(jù)挖掘引擎(12)、問題分析引擎(13)、知識(shí)應(yīng)用引擎(14)、參數(shù)分析引擎(15)五個(gè)組件組合而成；數(shù)據(jù)集成模塊(4)通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，利用過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊(1)中的數(shù)據(jù)擬合引擎(11)來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不斷豐富而不斷地修正計(jì)算結(jié)果；預(yù)報(bào)模型模塊(5)內(nèi)封裝了所有的主流水文預(yù)報(bào)模型，也能夠使用系統(tǒng)外部提供的模型；學(xué)習(xí)記憶模塊(3)用于完成數(shù)據(jù)和知識(shí)的積累，包括編碼組件(7)、反饋數(shù)據(jù)(8)、解析引擎(9)、補(bǔ)充數(shù)據(jù)(10)組合而成。
2.根據(jù)權(quán)利要求1所述的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，其特征在于所述的數(shù)據(jù)擬合引擎(11)用于根據(jù)已知離散數(shù)據(jù)或者歷史數(shù)據(jù)來擬合模塊運(yùn)行所需 數(shù)據(jù)；所述的數(shù)據(jù)挖掘引擎(12)用于對(duì)數(shù)據(jù)(2)中的歷史數(shù)據(jù)和知識(shí)積累進(jìn)行排序，在排 序的基礎(chǔ)上利用二分法對(duì)數(shù)據(jù)進(jìn)行檢索，檢索結(jié)果為精確的數(shù)據(jù)或是滿足一定條件的數(shù)據(jù) 集；所述的問題分析引擎(13)用于提高知識(shí)應(yīng)用的準(zhǔn)確性；所述的知識(shí)應(yīng)用引擎(14)用于將知識(shí)應(yīng)用到具體問題的求解中；所述的參數(shù)分析引擎(15)用于解決先計(jì)算出來的參數(shù)等待未計(jì)算出來的參數(shù)的問題。
3.根據(jù)權(quán)利要求1所述的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，其特征在于所述的反饋數(shù)據(jù)(8)是平行系統(tǒng)在數(shù)據(jù)集成、參數(shù)預(yù)測(cè)、模型預(yù)報(bào)以及知識(shí)應(yīng)用過程 中生成的用于反饋調(diào)節(jié)或者豐富以上過程的數(shù)據(jù)；所述的解析引擎(9)根據(jù)歷史數(shù)據(jù)和知識(shí)的結(jié)構(gòu)對(duì)反饋數(shù)據(jù)和補(bǔ)充數(shù)據(jù)進(jìn)行解析，將 解析出來的數(shù)據(jù)統(tǒng)一使用屬性屬性值的方式存儲(chǔ)；所述的補(bǔ)充數(shù)據(jù)(10)是平行系統(tǒng)運(yùn)行過程中從外部后續(xù)集成的，用來豐富現(xiàn)有歷史 數(shù)據(jù)和知識(shí)的數(shù)據(jù)；所述的編碼組件(7)包括知識(shí)編碼組件(16)和數(shù)據(jù)編碼組件(17)，是保證歷史數(shù)據(jù)和 知識(shí)標(biāo)準(zhǔn)化存儲(chǔ)的工具，根據(jù)知識(shí)和歷史數(shù)據(jù)的格式將解析引擎產(chǎn)生的數(shù)據(jù)進(jìn)行編碼，分 別生成知識(shí)累積和歷史數(shù)據(jù)。
4.一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M方法，其特征在于利用一種基于平行系統(tǒng)的水 文預(yù)報(bào)模擬系統(tǒng)，該系統(tǒng)的結(jié)構(gòu)是，包括過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊(1)和學(xué)習(xí)記憶模塊(3)，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分 析模塊⑴與數(shù)據(jù)(2)、數(shù)據(jù)集成模塊(4)、預(yù)報(bào)模型模塊(5)和預(yù)報(bào)結(jié)果(6)分別連接，學(xué) 習(xí)記憶模塊(3)與數(shù)據(jù)(2)、數(shù)據(jù)集成模塊(4)、預(yù)報(bào)模型模塊(5)和預(yù)報(bào)結(jié)果(6)分別連接，數(shù)據(jù)⑵、數(shù)據(jù)集成模塊(4)、預(yù)報(bào)模型模塊(5)和預(yù)報(bào)結(jié)果(6)依次連接；過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊(1)內(nèi)部包括數(shù)據(jù)擬合引擎(11)、數(shù)據(jù)挖掘引擎(12)、 問題分析引擎(13)、知識(shí)應(yīng)用引擎(14)、參數(shù)分析引擎(15)五個(gè)組件組合而成；數(shù)據(jù)集成模塊(4)通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，利用過程參數(shù)及 數(shù)據(jù)預(yù)測(cè)分析模塊中的數(shù)據(jù)擬合引擎(11)來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不 斷豐富而不斷地修正計(jì)算結(jié)果；預(yù)報(bào)模型模塊(5)內(nèi)封裝了所有的主流水文預(yù)報(bào)模型，也能夠使用平臺(tái)外部提供的模型；學(xué)習(xí)記憶模塊(3)用于完成數(shù)據(jù)和知識(shí)的積累，包括編碼組件(7)、反饋數(shù)據(jù)(8)、解析 引擎(9)、補(bǔ)充數(shù)據(jù)(10)組合而成，通過上述系統(tǒng)，該方法按照以下步驟實(shí)施根據(jù)實(shí)際需要確定數(shù)據(jù)擬合引擎(11)、數(shù)據(jù)挖掘引擎(12)、問題分析引擎(13)、知識(shí) 應(yīng)用引擎(14)、參數(shù)分析引擎(15)之間的組件組合，其中數(shù)據(jù)擬合，通過數(shù)據(jù)擬合引擎(11)內(nèi)部集成的樣條差值和最小二乘擬合方法編 制的程序，輸入一個(gè)離散數(shù)據(jù)組成的隊(duì)列，即得到定義域上平滑的擬合方程；數(shù)據(jù)挖掘，通過數(shù)據(jù)挖掘引擎(12)使用冒泡法對(duì)數(shù)據(jù)(2)中的歷史數(shù)據(jù)和知識(shí)積累進(jìn) 行排序，在排序的基礎(chǔ)上利用二分法對(duì)數(shù)據(jù)進(jìn)行檢索，檢索結(jié)果為精確的數(shù)據(jù)或是滿足一 定條件的數(shù)據(jù)集；問題分析的實(shí)施包括通過問題分析引擎(13)，首先，根據(jù)問題的描述確定待選知識(shí)； 然后，解析問題的邏輯組成部分，與知識(shí)的解決步驟一一比對(duì)，生成相似度隊(duì)列；最后，選擇 相似度最大的知識(shí)來解決問題；知識(shí)應(yīng)用的實(shí)施包括通過知識(shí)應(yīng)用引擎(14)，首先，經(jīng)過分析現(xiàn)有問題和知識(shí)中對(duì) 問題的描述，將知識(shí)中所描述的部分和問題中的各個(gè)組成部分一一對(duì)照，獲取可解決部分； 然后，將本知識(shí)無法解決的部分封裝為新的問題，重新進(jìn)入問題分析引擎，尋求新的解決知 識(shí)，基于這種迭代機(jī)制，最終得到精確的或較為滿意的解；參數(shù)分析的實(shí)施包括通過參數(shù)分析引擎(15)，首先，根據(jù)第一個(gè)計(jì)算出來的參數(shù)值， 比對(duì)歷史數(shù)據(jù)和知識(shí)，找到最為相似的歷史情況；其次，解析挑選出來的歷史情況，獲得當(dāng) 時(shí)的參數(shù)取值；最后，將這些值賦給當(dāng)前計(jì)算模型，保證模型在傳入第一個(gè)參數(shù)后就開始運(yùn) 行；數(shù)據(jù)集成的實(shí)施包括通過數(shù)據(jù)集成模塊(4)，數(shù)據(jù)源為實(shí)際數(shù)據(jù)或補(bǔ)充數(shù)據(jù)、歷史數(shù) 據(jù)和知識(shí)，通過采用數(shù)據(jù)生成與數(shù)據(jù)集成的雙通道集成方式，利用過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分 析模塊(1)中的數(shù)據(jù)擬合引擎(11)來生成所需數(shù)據(jù)，并且根據(jù)實(shí)際獲得數(shù)據(jù)的不斷豐富而 不斷地修正計(jì)算結(jié)果；模型預(yù)報(bào)的實(shí)施包括通過預(yù)報(bào)模型模塊(5)內(nèi)封裝了所有的主流水文預(yù)報(bào)模型，足 以解決大多數(shù)水文預(yù)報(bào)問題，除了可以使用自帶的預(yù)報(bào)模型外，也可以使用平臺(tái)外部提供 的模型，預(yù)報(bào)模型模塊(5)的入口參數(shù)為預(yù)報(bào)模型集合和預(yù)報(bào)對(duì)象的特征數(shù)據(jù)，輸出為優(yōu) 化的預(yù)報(bào)方案；學(xué)習(xí)記憶的實(shí)施包括通過學(xué)習(xí)記憶模塊(3)用于完成數(shù)據(jù)和知識(shí)的積累。
5.根據(jù)權(quán)利要求4所述的水利實(shí)驗(yàn)?zāi)M方法，其特征在于所述的模型預(yù)報(bào)的流程包括模型初選、模型檢驗(yàn)與選擇、預(yù)報(bào)方案評(píng)價(jià)和預(yù)報(bào)方案選擇四個(gè)階段，具體實(shí)施步驟是模型初選，首先，根據(jù)預(yù)報(bào)對(duì)象的特征，將此次預(yù)報(bào)封裝成為一個(gè)問題，以問題作為參 數(shù)調(diào)用問題分析引擎，得到解決該問題的知識(shí)；然后，應(yīng)用前一步得到的知識(shí)，在模型集合 中查找出符合條件的模型，符合條件的模型大多數(shù)情況下不止一個(gè)；最后，根據(jù)符合條件的 程度，把選擇出來的模型進(jìn)行排列，并形成反饋信息；模型檢驗(yàn)與選擇，洪水預(yù)報(bào)對(duì)模型精度要求較高，引入了模型檢驗(yàn)與選擇階段，用于篩 選和優(yōu)化模型，其對(duì)歷史數(shù)據(jù)系列進(jìn)行模型和預(yù)測(cè)檢驗(yàn)，篩選預(yù)報(bào)精度達(dá)到問題要求的洪 水預(yù)報(bào)模型，作為洪水預(yù)報(bào)方案的推薦模型，并更新知識(shí)和歷史數(shù)據(jù)；預(yù)報(bào)方案評(píng)價(jià)，通過上述兩個(gè)階段得到較為合適的預(yù)報(bào)模型，利用這些模型可以制作 多個(gè)預(yù)報(bào)方案，然后對(duì)這些預(yù)報(bào)方案進(jìn)行評(píng)價(jià)，得到推薦使用的預(yù)報(bào)方案和反饋信息，具體 的方案評(píng)價(jià)標(biāo)準(zhǔn)分為針對(duì)特定斷面情況的精度最優(yōu)、針對(duì)突發(fā)事件情況的時(shí)間最優(yōu)和針 對(duì)泄洪情況的損失最小，該階段所產(chǎn)生的預(yù)報(bào)方案由滿足以上相應(yīng)要求的方案組成；預(yù)報(bào)方案選擇，經(jīng)過上階段的預(yù)報(bào)方案評(píng)價(jià)，形成了多個(gè)預(yù)報(bào)方案，這些預(yù)報(bào)方案相對(duì) 較為粗糙，需要對(duì)其進(jìn)行選擇，首先將問題交由問題分析引擎，得出問題屬性，主要包括時(shí) 間要求、精度要求和事件性質(zhì)的重大、中等或輕度，然后，從知識(shí)庫中查找相應(yīng)的解決辦法； 最后，利用知識(shí)應(yīng)用引擎完成洪水預(yù)報(bào)方案的選擇，得到最終的優(yōu)選方案，并形成反饋信 肩、ο
6.根據(jù)權(quán)利要求4所述的水利實(shí)驗(yàn)?zāi)M方法，其特征在于所述的學(xué)習(xí)記憶步驟如下反饋數(shù)據(jù)，通過反饋數(shù)據(jù)(8)，每一個(gè)反饋數(shù)據(jù)被封裝為一個(gè)實(shí)體，內(nèi)部包含編號(hào)，是該 條數(shù)據(jù)在系統(tǒng)中的唯一標(biāo)識(shí)，類型，是數(shù)據(jù)反饋或者知識(shí)反饋，反饋源，是產(chǎn)生反饋數(shù)據(jù)的 過程編碼，反饋對(duì)象，是接受反饋調(diào)節(jié)的過程編碼，調(diào)整項(xiàng)，是過程中需要調(diào)整的參數(shù)編號(hào)， 調(diào)整值，是調(diào)整后的值；補(bǔ)充數(shù)據(jù)，通過補(bǔ)充數(shù)據(jù)(10)，每一個(gè)補(bǔ)充數(shù)據(jù)被封裝為一個(gè)實(shí)體，內(nèi)部包括編號(hào)，是 該條數(shù)據(jù)在系統(tǒng)中的唯一標(biāo)識(shí)，類型，是數(shù)據(jù)或者知識(shí)，產(chǎn)生源，是產(chǎn)生補(bǔ)充數(shù)據(jù)的過程編 號(hào)，屬性，是屬性編號(hào)，屬性值，是對(duì)應(yīng)屬性的取值；解析過程，通過解析引擎(9)，根據(jù)歷史數(shù)據(jù)和知識(shí)的結(jié)構(gòu)對(duì)反饋數(shù)據(jù)和補(bǔ)充數(shù)據(jù)進(jìn)行 解析，將解析出來的數(shù)據(jù)統(tǒng)一使用屬性屬性值的方式存儲(chǔ)；知識(shí)編碼和數(shù)據(jù)編碼，通過編碼組件(7)中的知識(shí)編碼組件(16)和數(shù)據(jù)編碼組件 (17)，根據(jù)知識(shí)和歷史數(shù)據(jù)的格式將解析引擎產(chǎn)生的數(shù)據(jù)進(jìn)行編碼，分別生成知識(shí)累積和 歷史數(shù)據(jù)。
全文摘要
本發(fā)明公開了一種基于平行系統(tǒng)的水利實(shí)驗(yàn)?zāi)M系統(tǒng)，包括過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊和學(xué)習(xí)記憶模塊，過程參數(shù)及數(shù)據(jù)預(yù)測(cè)分析模塊與數(shù)據(jù)、數(shù)據(jù)集成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào)結(jié)果分別連接，學(xué)習(xí)記憶模塊與數(shù)據(jù)、數(shù)據(jù)集成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào)結(jié)果分別連接，數(shù)據(jù)、數(shù)據(jù)集成模塊、預(yù)報(bào)模型模塊和預(yù)報(bào)結(jié)果依次連接。本發(fā)明還公開了利用上述系統(tǒng)進(jìn)行水利實(shí)驗(yàn)?zāi)M的方法，根據(jù)實(shí)際需要確定數(shù)據(jù)擬合、數(shù)據(jù)挖掘、問題分析、知識(shí)應(yīng)用、參數(shù)分析之間的組件組合，以及數(shù)據(jù)集成、預(yù)報(bào)模型選擇、學(xué)習(xí)記憶等。本發(fā)明的系統(tǒng)及其方法，解決了現(xiàn)有水利應(yīng)用中，高性能計(jì)算需要大量計(jì)算資源，水利數(shù)據(jù)難以進(jìn)行有效集成和開展應(yīng)用模擬的難題。
文檔編號(hào)G06Q10/00GK101930566SQ20101025353
公開日2010年12月29日 申請(qǐng)日期2010年8月12日 優(yōu)先權(quán)日2010年8月12日
發(fā)明者孫博, 李建勛, 李維乾, 楊明祥, 秦濤, 解建倉, 郭建華, 陳田慶, 馬增輝 申請(qǐng)人:西安理工大學(xué)