结合三次样条和时序模型的桥墩沉降预测

在时间序列模型中,等时间序列模型建模过程简单,预报准确,但观测时间是不等间隔的;三次样条插值可以对一定的区间进行有效内插,得到等时间间隔的拟合数据。针对两种模型的优点,该文结合等时间序列模型和三次样条插值进行高铁桥墩的沉降预测。首先通过三次样条插值将数据进行等时间间隔处理,然后利用得到的数据建立时间序列模型,最后通过三次样条插值求得相应观测时间的预测值。以某高铁桥墩沉降的观测点为例,分别进行原始数据时间序列建模以及三次样条插值和等时间序列组合模型建模。实验结果证明,组合模型的预测精度更高。     

小波时间序列对非平稳信号中突变点的辨识与处理

本文利用小波时间序列模型找出非平稳信号中突变的位置,通过分析把突变点分为两类;若对两类突变点作适当的插值处理,既可保留原始数据发展趋势的真实性也可提高预测模型的精度。文中把迭代模型的预测值去逼近突变点值和单纯地用Pchip插值、spline插值、linear插值作为内插值进行了对比研究,得出了各自的优缺点。     

EM算法的时序模型在沉降数据处理中的应用

针对时间序列分析对监测数据中出现的不完全数据(部分数据缺失)无法进行精确建模的问题,该文引入期望极大算法(EM算法),提出EM算法与时间序列分析的组合算法模型。运用EM算法的时间序列分析组合算法模型可以对沉降过程中遇到的不完全沉降数据进行建模分析,该组合算法模型可以对不完全沉降数据进行较为精确的建模,并对后期沉降数据进行较为精确的预测。将某地铁基坑点沉降数据作为实验数据,EM算法的时间序列分析的建模结果表明:所提出的组合算法模型可以对不完全沉降数据进行建模分析,绝对误差为0.23mm,建模精度较高。     

复杂地形条件下多密度级无人机LiDAR点云DEM精度研究 ——以2022年北京冬奥会延庆赛区为例

为进一步提升复杂地形条件下无人机激光雷达(Light Detection and Ranging,LiDAR)点云数据构建数字高程模型的效率与精度,以2022年北京冬奥会延庆赛区场馆建设用地为实验区,按照不同抽稀比例,对实验区原始无人机激光雷达点云中分类出的地面点数据进行抽稀处理,利用克里金插值算法对不同密度地面点数据进行插值处理,结合高程中误差、平均绝对误差对生成的数字高程模型进行双重精度评定,得出以下结论:对于复杂地形而言,随着点云数据密度的下降,数字高程模型建模效率明显提升,但地形特征逐渐模糊,数据精度级别逐级降低,其中高程中误差由0.381 m增大至1.914 m,平均绝对误差值由0.335 m增大至1.357 m.在满足精度要求的前提下,对LiDAR点云数据进行适度抽稀处理,可保障生产成本与时效.     

融合空间尺度特征的时空序列预测建模方法

假定原始的时空数据由较大尺度下的全局趋势项与较小尺度下的局部偏差项构成,提出了融合空间尺度特性的时空序列建模方法。首先,将原始数据转换为较大尺度下的数据,此部分反映原始数据的趋势特征。然后,将趋势部分剔除,剩余部分反映原始数据的偏差特征。最后,用灰色系统模型和BP神经网络模型分别对趋势项和偏差项建模,它们的组合预测结果即为原始时空序列预测值。采用该方法对实际的年降水数据以及日平均PM2.5浓度数据进行预测建模分析,实验结果表明:融合空间尺度特性的时空序列预测模型可以用于多空间尺度预测,并且预测精度优于不考虑空间尺度特性的建模方法。     

利用 ARMA 模型短期预报北极地区电离层 T EC

北极地区电离层结构分布较为特殊,存在梯度变化。利用时间序列分析中的自回归移动平均模型(Autoregressive Moving Average,ARMA)对欧洲定轨中心(CODE)发布的北纬67.5°~87.5°以及利用反距离加权插值法得到的90°的格网数据逐点进行建模,分别利用7d、10d、20d、30d、40d、50d的电离层TEC值为样本数据采用线性最小方差法进行预报分析。结果表明:90%以上的预报绝对误差小于3TECU,预报精度随TEC样本序列长度的增加而提高,但样本序列增加到一定值后,相对精度提高不大;相同样本数据的预报精度随预报时间长度的增加而降低,起初不是很明显,超过20d后精度降低明显且波动幅度较大。尽管北极地区存在梯度变化,ARMA模型在北极地区具有较高的预报精度,是一种比较理想的预报方法。     

一种基于主成分分析的协同克里金插值方法

针对协同克里金插值方法在插值时,辅助变量较多造成计算复杂度增加,而辅助变量较少引起插值精度降低这一问题,提出了一种基于主成分分析的协同克里金插值方法（PCA-CoKriging）。该方法首先使用主成分分析对插值相关变量进行将维,得到较少几个综合指标,然后里利用这几个综合指标作为辅助变量进行协同克里金插值。为验证该方法的有效性和数据分布对该方法的影响,本文选取了2016年北京市范围内4个季节中PM_2.5浓度满足正态分布效果不同的4组数据,分别使用PCA-CoKriging和普通克里金插值方法、常规协同克里金插值方法,进行了插值试验。结果表明,本文方法与普通克里金插值方法、常规协同克里金插值法在4组试验中的平均绝对误差分别为4.91、6.04、5.61,平均均方根误差分别为6.65、8.76、7.57。综合比较,本文方法比常规协同克里金插值的平均绝对误差与均方根误差分别提升了10.73%、12.56%,比普通克里金插值法的平均绝对误差与均方根误差分别提升了18.71%、24.09%。     

灰色模型在非等步长变形监测数据处理中的应用

常规变形监测数据处理中的GM(1,1)灰色模型是以等时间间隔观测值为原始序列,经一次累加处理,建立生成数列的一阶微分方程,并利用最小二乘求解未知参数的建模方法;但实际监测过程中,因受诸多因素影响,采集到的原始数据多呈现非等间隔分布,引入时间权重思想建立改进的GM(1,1)灰色模型,通过对沉降数据进行建模分析及精度检验,扩大了灰色模型的适用范围,验证了该模型的可靠性和科学性。     

顾及邻近点变形因素的高斯过程建模及预测

针对传统的变形监测建模方法一般针对单一监测点的变形预测模型,未考虑到监测点间相互作用的变形特点,该文分析了变形监测点间的相互关联性,通过相关系数法对监测点进行分类,并将邻近监测点的观测序列值作为和时间因素等同的影响因子应用到建模过程中,利用高斯过程算法进行训练,建立预测模型。为提高高斯过程算法的模型预测精度,应选择适合工程案例最优协方差函数。通过实例分析,比较GM(1,1)、多点灰色预测模型和顾及邻近点变形因素的高斯过程等3种模型在基坑围岩、滑坡等变形监测数据处理中的预测精度,表明该文算法考虑到监测点间的变形关联性,充分利用高斯过程在针对小样本、非线性数据建模时的高自适应性等优点,具有较高的预测精度。     

季节指数及其在季节性监测资料分析和预报中的应用

基于灰色模型的诸多优点，作者选用GM(1，1)模型分析和预报形变监测序列。然而直接应用GM(1，1)灰色模型分析和预报具有季节性的监测序列时往往精度不高。因此，作者提出运用基于季节指数的“去季节波动”法与GM(1，1)混合建模，对监测资料进行分析与预报。基于均方差和平均绝对误差两个精度准则，作者对此方法与周期函数拟合模型进行了比较。结果表明，此方法提高了具有季节性波动监测序列的预报精度，且建模方法简便、快捷。     

时空Kalman滤波在变形分析中的应用研究

时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。     

时序变差函数特征驱动下的月平均降水空间分布模拟

高精度降水场是水文、气象以及环境分析的重要数据支撑,直接影响相关服务的准确性。传统降水分布模拟大多依赖站点空间维的驱动因素,而忽略了降水时序变化特征对其空间分布的影响。使用2015—2017年中国湖北省83个国家气象观测站点和28个省级观测站点近3 a月平均累积降水资料,通过相关性分析,引入站点降水时序理论变差函数模型的拱高值(C)和块金值(C₀)作为影响因素,使用地理加权回归(geographically weighted regression, GWR)建立湖北省月平均降水分布模型。结果表明:（1）各站点降水的时序变差函数曲线与降水的季节性基本吻合。站点时序理论变差函数模型中,有25.3%能够在4个月内达到平稳,36.14%在6个月内达到平稳。（2）站点降水时序理论变差函数模型的C和C₀与逐年12月平均累积降水在0.01水平（双侧）上显著相关,平均相关系数分别为0.745和0.526,大于地理位置和高程对降水的影响。（3）引入C和C₀ 有助于提升GWR模型的整体拟合优度和插值精度。对比仅使用经纬度的GWR模型和引入时序理论变差函数特征的GWR模型,3 a平均整体拟合优度从0.852提升至0.912。验证集站点插值精度评价显示,3 a绝对误差、均方根误差和平均绝对百分误差下降幅度均大于60%。因此,引入时序理论变差函数特征的时空GWR模型能够获得较高精度的降水模拟结果,更适合具有丰富历史降水资料地区的降水空间分布估算。     

利用窗口GPS多径干涉相位反演土壤湿度

利用GPS信噪比（signal-to-noise ratio,SNR）观测值监测土壤湿度的精度直接受多径干涉相位与土壤湿度间的关系模型影响。传统方法基于线性模型,通过增加样本数量、排除特例提高普适性,但未合理考虑坡度、植被及天气等因素。基于上述因素短期变化可忽略的假设,引入时间窗口,采用自相关分析确定窗口长度,利用窗口内样本动态线性回归构建预测和插值模型反演土壤湿度。实验结果表明,引入窗口后,预测、插值误差分别下降17.4%和54.6%,相关系数上升16.2%和32.9%。插值模型利用了待估时刻之后的观测量,精度更高;预测模型精度略低,但更适于实时应用。同时,残差极大值与土壤湿度的上升之间显著相关。预测残差较土壤湿度具有极大值更小、时刻略微提前的时域特征。     

土壤重金属的空间插值方法比较分析——以阳谷县为例

空间插值通过采集少量的数据点,利用其中的空间关联,推求该区域内其他位置的属性值。本文以山东省阳谷县土壤重金属Cu采样数据为例进行空间探索性分析,分别采用了反距离权重插值和普通克里金插值两种方法进行空间分布插值模拟。结果表明,针对研究区采样数据,反距离权重插值方法生成的模型平均误差为1.97 mg/kg,总体精度为92%;普通克里金插值模型的平均误差为1.91 mg/kg,总体精度为92.35%,普通克里金插值方法更优。     

Method of reducing HASM boundary error

High accuracy surface modeling (HASM) constructed based on the fundamental theorem of surface is more accurate than the classical methods. However, because of boundary error, location error, etc, HASM has a big accuracy loss in real-world examples. In former researches we solved the location error with Taylor expansion. In order to reduce the HASM boundary error and improve its accuracy further, this paper presents a new method of Laplace interpolation to compute the region boundary value. Gaussian synthetic surface and the real world test region are employed to validate the efficiency of this method. Results show that the boundary value computed with Laplace interpolation is more accurate than the classical methods, which can be regarded as an alternative for boundary value computation.     

诱发因素影响下的滑坡参数优化预测模型研究

在降雨等外界诱发因素的综合作用下,滑坡位移预测是一个复杂的动力系统问题。利用三峡库区白家包滑坡综合监测数据,分析滑坡演化实时特征,提取影响滑坡变形的最相关因素,研究发现白家包滑坡为降雨主导型堆积层滑坡;采用自回归综合移动模型（ARIMA）模型进行拟合及预测,引入月累积降雨量对模型季节性趋势参数进行评估优化,对白家包滑坡72期月相对位移数据进行拟合及预测研究,最终模型结果和实测值的平均绝对误差和相关系数分别为2.873和0.983。研究结果表明,与传统经验法相比,优化参数模型更符合滑坡变形的一般规律。     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

网络RTK对流层延迟内插模型精度分析

流动站与参考站间双差对流层延迟的精确改正是网络RTK技术的关键。本文采用河南省地基增强系统参考站网7个参考站的观测数据进行试验,选择LIM、LCM、LSM和KRG模型为研究对象,分析了各模型用于不同高差水平流动站对流层延迟改正的效果。试验结果表明：4种常用内插模型中,LIM和KRG模型对流动站对流层延迟改正的精度较优。流动站与主参考站高差达到400 m时,对于低高度角卫星,模型内插精度降低到分米级,不满足用户流动站高精度定位需求。