Page 74 - 2023年第54卷第2期

Ｃｏｍｐｒｅｈｅｎｓｉｖｅｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｎｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｍｅｔｈｏｄｏｆｆｌｏｏｄｖｕｌｎｅｒａｂｉｌｉｔｙ
ａｎｄｆｒａｇｉｌｉｔｙｃｕｒｖｅｓｕｎｄｅｒｔｈｅｆｒａｍｅｗｏｒｋｏｆｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ
１，２
１
３
ＪＩＡＮＧＸｉｎｙｕ ，ＭＡＸｕｅｙｉｎｇ，ＹＡＮＧＬｉｊｉａｏ
（１．ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００７０，Ｃｈｉｎａ；２．ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＤｉｇｉｔａｌＧｏｖｅｒｎａｎｃｅ
ａｎｄＭａｎａｇｅｍｅｎｔＤｅｃｉｓｉｏｎＩｎｎｏｖａｔｉｏｎ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００７０，Ｃｈｉｎａ；
３．ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ １５０００１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｖｕｌｎｅｒａｂｉｌｉｔｙ?ｆｒａｇｉｌｉｔｙｃｕｒｖｅｒｅｖｅａｌｓｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｈａｚａｒｄｌｅｖｅｌａｎｄｌｏｓｓｄｅｇｒｅｅ，ａｎｄｌｉｎｋｓｎａｔｕ
ｒａｌａｎｄｓｏｃｉａｌａｔｔｒｉｂｕｔｅｓｏｆｄｉｓａｓｔｅｒｓ．Ｉｔｉｓａｎｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｄｉｓａｓｔｅｒｅｃｏｎｏｍｉｃｉｍｐａｃｔａｓｓｅｓｓｍｅｎｔａｎｄｒｉｓｋｍａｎａｇｅ
ｍｅｎｔ．Ｃｕｒｒｅｎｔｓｔｕｄｉｅｓｈａｖｅｐｒｏｐｏｓｅｄａｖａｒｉｅｔｙｏｆｆｌｏｏｄｖｕｌｎｅｒａｂｉｌｉｔｙ?ｆｒａｇｉｌｉｔｙｃｕｒｖｅｓ，ｂｕｔｍｏｓｔｏｆｔｈｅｍａｒｅｅｍｐｉｒｉｃａｌ
ｓｔｕｄｉｅｓｂａｓｅｄｏｎｃａｓｅｓ，ｌａｃｋｉｎｇｓｙｓｔｅｍａｔｉｃｓｕｍｍａｒｙ．Ｔｈｅｒｅｆｏｒｅ，ｉｎｔｈｉｓｐａｐｅｒ，ｕｎｄｅｒｔｈｅｔｈｅｏｒｅｔｉｃａｌｆｒａｍｅｗｏｒｋｏｆ
ｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ ，ｔｈｅｖｕｌｎｅｒａｂｉｌｉｔｙａｎｄｆｒａｇｉｌｉｔｙｃｕｒｖｅｍｏｄｅｌｓａｒｅｖｅｒｉｆｉｅｄｃｏｎｓｉｓｔｅｎｔｌｙ．Ｔｈｅｄｉｆｆｅｒｅｎｃｅａｎｄｒｅｌａｔｉｏｎ
ｓｈｉｐｂｅｔｗｅｅｎｔｈｅｖｕｌｎｅｒａｂｉｌｉｔｙｃｕｒｖｅｓａｎｄｔｈｅｆｒａｇｉｌｉｔｙｃｕｒｖｅｓａｒｅｃｌａｒｉｆｉｅｄ．Ｔｈｅｂａｓｉｃａｓｓｕｍｐｔｉｏｎｓ ，ａｄｖａｎｔａｇｅｓａｎｄ
ｄｉｓａｄｖａｎｔａｇｅｓ ，ａｐｐｌｉｃａｂｉｌｉｔｙ，ｆｉｔｔｉｎｇｍｅｔｈｏｄｓａｎｄｓｅｌｅｃｔｉｏｎｃｒｉｔｅｒｉａｏｆ１０ｄｉｆｆｅｒｅｎｔｃｏｎｓｔｒｕｃｔｉｏｎｆｏｒｍｓｏｆｔｈｅｖｕｌｎｅｒａ
ｂｉｌｉｔｙ?ｆｒａｇｉｌｉｔｙｃｕｒｖｅｓａｒｅｄｉｓｃｕｓｓｅｄ．Ｍｅａｎｗｈｉｌｅ ，ｕｓｉｎｇｔｈｅ“７．１７”ｆｌｏｏｄｓｕｒｖｅｙｄａｔａｉｎＥｎｓｈｉＣｉｔｙ，ＨｕｂｅｉＰｒｏｖｉｎｃｅ，
ｔｈｅｖｕｌｎｅｒａｂｉｌｉｔｙａｎｄｆｒａｇｉｌｉｔｙｃｕｒｖｅｍｏｄｅｌｓｏｆｂｕｓｉｎｅｓｓｓｔａｇｎａｔｉｏｎｌｏｓｓａｒｅｃｏｎｓｔｒｕｃｔｅｄｔｏｄｅｍｏｎｓｔｒａｔｅｔｈｅｔｈｅｏｒｅｔｉｃａｌ
ｓｕｍｍａｒｉｚａｔｉｏｎ．Ｔｈｅｓｔｕｄｙｓｈｏｗｓｔｈａｔｖｕｌｎｅｒａｂｉｌｉｔｙｃｕｒｖｅａｃｃｏｕｎｔｉｎｇｆｏｒｌｏｓｓｒａｔｅｃａｎｂｅｔｔｅｒｓｕｐｐｏｒｔｔｈｅｌｏｓｓａｓｓｅｓｓｍｅｎｔ
ａｎｄａｓｓｅｔｅｓｔｉｍａｔｉｏｎ．Ｉｔｃａｎｂｅｓｅｌｅｃｔｅｄｉｆａｃｃｕｒａｔｅｌｏｓｓｒａｔｅｄａｔａａｖａｉｌａｂｌｅ．ＬｉｎｅａｒｍｏｄｅｌａｎｄＬｏｇ － ｌｏｇｍｏｄｅｌａｒｅｐｒｅ
ｆｅｒｒｅｄｖｕｌｎｅｒａｂｉｌｉｔｙｃｕｒｖｅｍｏｄｅｌｓｄｕｅｔｏｂｅｔｔｅｒｐａｒａｍｅｔｅｒｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙ．Ｆｒａｇｉｌｉｔｙｃｕｒｖｅａｃｃｏｕｎｔｉｎｇｆｏｒｌｏｓｓｓｔａｔｅｉｓ
ｅａｓｉｅｒｔｏｃｏｒｒｅｓｐｏｎｄｔｏｒｉｓｋｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｃｏｕｎｔｅｒｍｅａｓｕｒｅｍａｋｉｎｇ．Ｉｔｉｓｒｅｃｏｍｍｅｎｄｅｄｗｈｅｎｌｏｓｓｒａｔｅｄａｔａａｒｅｗｉｔｈ
ｌａｒｇｅｕｎｃｅｒｔａｉｎｔｙ．ＴｈｅＬｏｇｎｏｒｍａｌｍｏｄｅｌｉｓｐｒｅｆｅｒｒｅｄｆｒａｇｉｌｉｔｙｃｕｒｖｅｍｏｄｅｌｄｕｅｔｏｂｅｔｔｅｒｔｈｅｏｒｅｔｉｃａｌａｐｐｌｉｃａｂｉｌｉｔｙ．
Ｋｅｙｗｏｒｄｓ：ｖｕｌｎｅｒａｂｉｌｉｔｙ?ｆｒａｇｉｌｉｔｙｃｕｒｖｅ；ｌｏｓｓｒａｔｅ；ｌｏｓｓｓｔａｔｅ；ｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ；ｃｏｍｐｒｅｈｅｎｓｉｖｅｃｏｍｐａｒｉｓｏｎ

（责任编辑：李福田）

（上接第 １８３页）
Ｍｏｎｔｈｌｙｒｕｎｏｆｆｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｓｅｌｆ － ａｄａｐｔｉｖｅｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ
ａｎｄｌｏｎｇｓｈｏｒｔ － ｔｅｒｍ ｍｅｍｏｒｙｎｅｔｗｏｒｋ
１
１
１
１
１，２
ＸＩＯＮＧＹｉ ，ＺＨＯＵＪｉａｎｚｈｏｎｇ，ＳＵＮＮａ，ＺＨＡＮＧＪｉａｎｙｕｎ，ＺＨＵＳｉｐｅｎｇ
（１．ＳｃｈｏｏｌｏｆＣｉｖｉｌａｎｄＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００７４，Ｃｈｉｎａ；
２．ＳｃｈｏｏｌｏｆＨｙｄｒａｕｌｉｃａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈａｎｇｓｈａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ ４１０１１４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｃｃｕｒａｔｅａｎｄｒｅｌｉａｂｌｅｍｏｎｔｈｌｙｒｕｎｏｆｆｐｒｅｄｉｃｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｒａｔｉｏｎａｌａｌｌｏｃａｔｉｏｎｏｆｗａｔｅｒｒｅ
ｓｏｕｒｃｅｓ．Ｔｈｅｏｒｉｇｉｎａｌｒｕｎｏｆｆｔｉｍｅｓｅｒｉｅｓｃｏｎｔａｉｎｓａｖａｒｉｅｔｙｏｆｆｒｅｑｕｅｎｃｙｃｏｍｐｏｎｅｎｔｓ， ａｎｄ ａｈｙｂｒｉｄ ｍｏｄｅｌ
ｃｏｍｂｉｎｉｎｇｔｉｍｅｓｅｒｉｅｓｄａｔａｄｅｃｏｍｐｏｓｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｈａｓｂｅｅｎｕｓｅｄｔｏｃａｐｔｕｒｅｔｈｅ
ｒｕｎｏｆｆｄｙｎａｍｉｃｐｒｏｃｅｓｓ．Ｈｏｗｅｖｅｒ ，ｉｔｉｓａｎｉｍｐｒａｃｔｉｃａｌｍｅｔｈｏｄｔｏａｐｐｌｙｔｈｅｄａｔａｄｅｃｏｍｐｏｓｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｄｉｒｅｃｔｌｙ
ｔｏｔｈｅｗｈｏｌｅｔｉｍｅｓｅｒｉｅｓ ，ｗｈｉｃｈｗｉｌｌｃａｕｓｅｓｏｍｅｉｎｆｏｒｍａｔｉｏｎｔｏｂｅｔｒａｎｓｆｅｒｒｅｄｆｒｏｍ ｔｈｅｔｅｓｔｐｅｒｉｏｄｔｏｔｈｅｔｒａｉｎｉｎｇ
ｐｒｏｃｅｓｓｏｆｔｈｅｍｏｄｅｌ．Ｔｈｅｒｅｆｏｒｅ，ａｓｅｌｆ － ａｄａｐｔｉｖｅｄｙｎａｍｉｃｄｅｃｏｍｐｏｓｉｔｉｏｎｓｔｒａｔｅｇｙｉｓａｄｏｐｔｅｄｔｏｕｐｄａｔｅｔｈｅｈｉｓｔｏｒｉ
ｃａｌｓａｍｐｌｅｓｗｉｔｈｔｈｅｏｂｓｅｒｖｅｄｄａｔａ ，ａｎｄａｄｅｃｏｍｐｏｓｉｔｉｏｎ － ｐｒｅｄｉｃｔｉｏｎ －ｉｎｔｅｇｒａｔｉｏｎｈｙｂｒｉｄｍｏｄｅｌｆｏｒｍｏｎｔｈｌｙｒｕｎｏｆｆ
ｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｌｏｎｇｓｈｏｒｔ － ｔｅｒｍ ｍｅｍｏｒｙｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔ，ａ
ｓｅｌｆ － ａｄａｐｔｉｖｅｄｙｎａｍｉｃｄｅｃｏｍｐｏｓｉｔｉｏｎｓｔｒａｔｅｇｙｉｓａｄｏｐｔｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｖａｒｉａｔｉｏｎａｌｍｏｄｅｓｏｆｒｕｎｏｆｆｔｉｍｅｓｅｒｉｅｓ
ｄａｔａ．Ｓｅｃｏｎｄ ，ｌｏｎｇｓｈｏｒｔ － ｔｅｒｍｍｅｍｏｒｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓｂａｓｅｄｏｎＢａｙｅｓｉａｎｏｐｔｉｍｉｚａｔｉｏｎａｒｅｃｏｎｓｔｒｕｃｔｅｄｔｏ
ｉｄｅｎｔｉｆｙｔｈｅｉｎｐｕｔ － ｏｕｔｐｕｔｒｅｌａｔｉｏｎｓｈｉｐｈｉｄｄｅｎｉｎｅａｃｈｍｏｄｅｏｒｓｕｂｃｏｍｐｏｎｅｎｔ．Ｔｈｅｎ ，ｔｈｅｆｉｎａｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆ
ｒｕｎｏｆｆｉｓｏｂｔａｉｎｅｄ ｂｙｉｎｔｅｇｒａｔｉｎｇｔｈｅｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓｏｆｓｕｂｍｏｄｕｌｅｓ．Ｆｉｎａｌｌｙ ， ｔａｋｉｎｇｔｈｅｍｏｎｔｈｌｙｒｕｎｏｆｆ
ｐｒｅｄｉｃｔｉｏｎｏｆｔｈｅＳｈｉｇｕｈｙｄｒｏｌｏｇｉｃａｌｓｔａｔｉｏｎｉｎｔｈｅｕｐｐｅｒｒｅａｃｈｅｓｏｆｔｈｅＪｉｎｓｈａＲｉｖｅｒａｓａｎｅｘａｍｐｌｅ ，ｔｈｅｅｆｆｅｃｔｉｖｅ
ｎｅｓｓａｎｄｆｅａｓｉｂｉｌｉｔｙｏｆｔｈｅｐｒｏｐｏｓｅｄｈｙｂｒｉｄｍｏｄｅｌａｒｅｖｅｒｉｆｉｅｄｂｙｃｏｍｐａｒｉｎｇｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｄｅｃｏｍｐｏｓｉｔｉｏｎｓｔｒａｔ
ｅｇｙ（“ｂｕｎｄｌｅｄｄｅｃｏｍｐｏｓｉｔｉｏｎ”）ａｎｄｄｅｃｏｍｐｏｓｉｔｉｏｎｍｅｔｈｏｄｓ（ｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｎｄｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌ
ｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ ）．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌａｖｏｉｄｓｔｈｅｕｓｅｏｆｆｕｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｐｒｏ
ｃｅｓｓｉｎｇｏｆｄａｔａｄｅｃｏｍｐｏｓｉｔｉｏｎ ，ａｎｄｃａｎｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｒｕｎｏｆｆｐｒｅｄｉｃｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ；Ｂａｙｅｓｉａｎｏｐｔｉｍｉｚａｔｉｏｎ；ｌｏｎｇｓｈｏｒｔ － ｔｅｒｍ ｍｅｍｏｒｙ；ｍｏｎｔｈｌｙｒｕｎｏｆｆ
ｐｒｅｄｉｃｔｉｏｎ；ＪｉｎｓｈａＲｉｖｅｒ
（责任编辑：于福亮）

— １ ９ —
８