本模型用于判断河道水位线是否有超警戒水位风险，模型设计有别于传统的水利模型，而是借鉴金融市场经典理论模型进行设计和探索。 我们把水流比做资金流。 在金融市场中，资金从央行发布，通过银行或者金融市场向其他的市场流动。这样的资金流动过程，相对于水流来说，是从源头往下，通过河流汇聚入海。所以我们把水流过程，比拟为资金流动。在金融市场中，分析资金流的健康程度，通常是通过构建各种指数，如上证综指，创业板指数，国债指数，或者通过某种行业指标去构建指数，再用构建的指数去描述整体金融市场的情况。 基于这个背景，我们类比一条大河的水流，通过各个分支流域汇聚到主干河道的这个过程，如同多只股票合成一个股票指数。当分支流域发现问题，会影响整个主干河道，同时可以通过主干河道指数为判断整个主干河道风险，以及对分支流域的传导和影响。 借鉴金融行业合成指数的方法，基于资本资产定价模型CAPM，建立风险影响因子等方法，来建立河流指数。整个过程并不是简单的一个加权，而是通过各种影响因子的权重来形成指数。 一. 背景 目标：根据同一条河流不同站点的监测数据，合成这条河流的指数，用来反应这条河流整体情况。 二. 数据源 某省A江和B江两条河的数据，取的是有警戒水位的数据。 数据以CSV格式存储，文件名规则：河名_站号_超警次数， 数据集，每一行一条记录，逗号分隔分别是：站号，时间，水位，警戒水位，警戒水位与水位的差值，按时间进行排序。 三. 建模思路 建立模型：指数合成方法：以统计期的数据合成指数构建权重，把每个监测点数据进行加权平均，形成河流指数。指数与站号的关系：通过相关性分析，计算每个站对于河流指数的影响程度。投影得分：把指数具体数值，投影到固定的取值区间，形成得分。 指数合成原则：水位变化越大，权重越大水位与警戒水位的差值越大，权重越大，大于0时为超警时间越近，权重越大 投影得分：以0米为100分，表示已经警戒水位。以-5米为60分，表示正常水位。以-10米为10分，表示河流干涸。大于100分，则可能要发大水。小于10分，则可能河流无水。 3.1 A江 以A江的5个监测站进行指数合成。 指数取值：最小值1/4位数中位数平均值3/4位数最大值-7.218-5.423-5.118-5.134-4.843-1.481 X轴：指数取值 Y轴：频次 A江5个站：A黑，B红，C绿，D深蓝, E浅蓝 指数：IDN紫色 X轴为：时间，从2015-11到2019-03。 Y轴为：警戒水位与水位的差值，大于0值为超警。 每个站点对整个河流的影响 A站（黑）：1.2594088 B站（红）：0.1961849 C站（绿）： 0.1455854 D站（深蓝）：1.4004896 E站（浅蓝）：0.5610354 数值1为基准，大于1时，监测站对指数影响明显，小于1时对指数形象不明显。 结论：A站和D站河流影响比较大，如果A值或D值水位突然变化，那么河流会比较危险。 3.2 B江 以B江的6个监测站进行指数合成。 指数取值：最小值1/4位数中位数平均值3/4位数最大值-13.201-12.362-11.611-10.824-10.1212.607 B江6个站：A黑，B红，C绿，D深蓝, E浅蓝（干流水道），F紫色（干流水道） 指数：IDN黄色 X轴为：时间，从2015-11到2019-03。 Y轴为：警戒水位与水位的差值，大于0值为超警。 每个站点对整个河流的影响 A站（黑）：1.4582460 B站（红）：0.9518856 C站（绿）： 1.0676259 D站（深蓝）：0.5472059 E站（浅蓝）：0.3465968 F站（紫色）：0.2251052 数值1为基准，大于1时，监测站对指数影响明显，小于1时对指数形象不明显。 结论：A站和C站河流影响比较大，如果A值或C值水位突然变化，那么河流会比较危险。 该模型是我们探索性的尝试。用金融的方法去解决水利问题。这种尝试是知识迁移：把一个行业的知识迁移到另外一个行业去尝试解决问题。这种尝试有很大的创新性。后续我们会持续把金融行业的知识，迁移到水利行业和其他行业，希望做出突破性的变革和实际落地效果。 我们公司致力于解决这类跨行业的问题。我们公司具备跨学科知识能力，特别是在：国际贸易，进出口领域，区块链，金融及量化投资领域。我们具备扎实的底层知识构建能力。同时也有能力去把底层的知识在在我们擅长的领域做到极致，并同时在其他行业里做迁移。我们致力于把数据分析和数据科学在每个重要的，和国家生息相关的每个行业的进行落地。希望通过这个水利尝试案例，能让大家领略到数据分析，数据科学的无限魅力。 本模型用于判断河道水位线是否有超警戒水位风险，模型设计有别于传统的水利模型，而是借鉴金融市场经典理论模型进行设计和探索。 我们把水流比做资金流。 在金融市场中，资金从央行发布，通过银行或者金融市场向其他的市场流动。这样的资金流动过程，相对于水流来说，是从源头往下，通过河流汇聚入海。所以我们把水流过程，比拟为资金流动。在金融市场中，分析资金流的健康程度，通常是通过构建各种指数，如上证综指，创业板指数，国债指数，或者通过某种行业指标去构建指数，再用构建的指数去描述整体金融市场的情况。 基于这个背景，我们类比一条大河的水流，通过各个分支流域汇聚到主干河道的这个过程，如同多只股票合成一个股票指数。当分支流域发现问题，会影响整个主干河道，同时可以通过主干河道指数为判断整个主干河道风险，以及对分支流域的传导和影响。 借鉴金融行业合成指数的方法，基于资本资产定价模型CAPM，建立风险影响因子等方法，来建立河流指数。整个过程并不是简单的一个加权，而是通过各种影响因子的权重来形成指数。 一. 背景 目标：根据同一条河流不同站点的监测数据，合成这条河流的指数，用来反应这条河流整体情况。 二. 数据源 某省A江和B江两条河的数据，取的是有警戒水位的数据。