一种建筑沉降叠加预测方法

针对高层建筑的沉降监测与趋势预报问题,结合时间序列分析方法,该文提出一种基于ARMA的趋势项和随机项叠加预测法,把沉降监测时间序列数据分解为趋势项与随机项,分别建立趋势回归函数模型与随机项ARMA模型,叠加进行沉降量的预报,并通过上海外滩某高层建筑的沉降监测实例,研究并比较了该方法与传统的ARIMA差分预测法对建筑沉降预报精度的影响。实验结果表明:基于ARMA的趋势项和随机项叠加预测法在沉降预报中精度优于基于ARIMA的差分预测法。该方法利用趋势回归函数的保持作用,克服了传统的时间序列ARIMA模型在长期预测中精度不高的问题,并且随着预测步长的增加,优势更加明显。     

组合预测模型在矿区沉降预测中的应用

为了准确掌握矿山开采面上部地表的沉降变化规律,预测沉降发展趋势,提出一种双曲线法与三点法的组合预测模型进行矿区沉降预测的方法。结合矿山沉降观测实例,采用单一的双曲线法、三点法以及两者的组合预测方法对沉降数据进行预测分析,对比其预测精度。结果表明,组合预测模型能够满足矿区沉降预测的精度要求,且预测精度优于单一预测方法。     

基于时间序列分析的露天矿边坡沉降预测模型

结合小波分析在数据处理方面的优势,采用小波包去噪对露天矿边坡沉降数据进行去噪处理,再结合时间序列分析理论建立小波包-时间序列预测模型,从而对露天矿边坡进行变形分析预测。通过实验数据对比分析,结合小波包去噪与时间序列分析理论模型对露天矿边坡沉降数据进行预测,预测精度较高,能够对矿区边坡的沉降进行预测。     

非等时距MGM(1,m)模型在高速公路沉降预测中的应用

分别以Lagrange插值法和三次样条曲线法为基础,利用灰色理论建立高速公路沉降预测的非等时距GM(1,m)模型。分析比较MGM(1,m)与GM(1,1)模型精度,基于非等时距的MGM(1,3)模型沉降预测结果与实测情况吻合较好,拟合与预测精度也比非等时距GM(1,1)的精度高,非等时距的序列转换采用Lagrange插值函数法和三次样条曲线法求得,对于此次工程数据采用三次样条曲线法较Lagrange插值函数法精度高。     

基于混沌时间序列的桥梁沉降预测

混沌的离散情况常常表现为混沌时间序列,而混沌时间序列中蕴含着丰富的系统的动力学信息。本文基于某桥梁的实际观测的沉降时间序列用自相关法求取时间延迟t、用Cao方法求取嵌入维数获得相空间重构参数,然后用最大Lyapunov指数法进行时间序列的混沌特性识别,证明桥梁沉降运动系统具有混沌特性。最后分别使用加权一阶局域预测法、Volterra级数自适应预测法以及RBF神经网络预测模型进行预测,比较了几种方法的预测精度,得到RBF神经网络模型在短期预测中具有较好的性能。     

基于混沌时间序列的桥墩沉降预测

跨海大桥因船体撞击、移动车辆荷载、河水冲刷等因素的作用,桥墩的沉降变形表现为非线性特征。因此,首先对桥墩的沉降时间序列求取延迟时间τ和嵌入维数m,并采用最大Lyapunov指数证明该时间序列具有混沌特性;然后根据求取的参数建立加权零阶局域预测模型和加权一阶局域预测模型分别对沉降时间序列进行预测。算例结果表明,加权一阶局域预测模型具有较高的预测精度,且混沌局域预测法不适合做长期预测,但可做短期预测。     

基于小波去噪的高铁沉降预测模型研究

以武汉市某高铁的沉降观测数据为基础,对小波去噪前后的观测数据分别采用非线性曲线拟合模型和时间序列分析模型进行建模预测,并与实测数据进行比较分析.结果表明,观测数据经小波去噪后再进行建模分析,两种方法的预测精度都有很大改善,对高铁沉降变形预报有一定的实用价值.     

基于分位数自回归的路基沉降数据预测分析

高填方路基存在施工期稳定控制和工后沉降控制问题。解决这两个问题的关键在于及时准确地预测出高填方路基的沉降量。通过对路基沉降时间序列分析,建立了自回归AR(1)拟合预测模型。采取分位数回归法和最小二乘法进行模型参数估计和比较分析,结果表明分位数回归法在模型参数估计时有明显的优势,预测精度远高于多变量灰色MGM()模型和基于最小二乘估计的自回归AR(1)模型。工程实例分析表明,分位数自回归模型具有很好的预测和应变能力,完全可以用于路基沉降数据预测分析。     

混沌时间序列在建筑物沉降预测中的应用研究

应用了混沌时间序列预测方法,建立了沉降预测的非线性混沌模型,实现了长安大学B点高层住宅楼实际沉降监测数据进行预测计算.     

高次差法求解时间序列中趋势项的方法研究及其应用

介绍了高次差法求解时间序列中趋势项的基本原理与方法。通过实例对某沉降监测点的观测序列进行分析处理、预报，并与最小二乘法进行了比较，结果表明该法在建模的精度、抵抗粗差等方面均优于最小二乘法。可应用于时间序列中趋势项的求解与多项式回归分析。     

基于分位数回归的幂多项式在数据分析中的应用

针对路基沉降与观测时间存在非线性关系,且传统最小二乘参数估计精度不高的问题,建立具有较强逼近能力的幂多项式路基沉降预测模型,并用分位数回归估算模型系数。工程实例表明,基于分位数回归估计的幂多项式预测模型具有较高的精确度,优于最小二乘估计的幂多项式预测模型和多变量灰色预测模型,为沉降预测提供一种新方法。     

基于震荡序列的灰色预测模型在边坡沉降监测中的应用

公路边坡由于施工的影响,监测点时升时降,累计沉降量是震荡序列。本文采用三种模型对累计沉降量进行预测。结果表明GM(1,1)和DGM(1,1)预测曲线并不能反映实测值曲线走势,预测值与实测值的偏离程度较大,预测精度较低。SDGM(1,1)模型无论在与实测值曲线走势、与实测值接近程度还是在残差平方和或者平均相对误差上精度要高于其他两种模型,在P,C值上,SDGM(1,1)模型实现"级"的跳跃,是一个非常理想的预测模型。     

基于Kalman滤波的高耸建筑物沉降预测模型研究

为了提高高耸建筑物沉降监测数据的可信性与实时预测的准确性,利用小波分析与Kalman滤波在数据处理方面的优势,采用小波分析先对沉降数据进行去噪,并采用Kalman滤波理论进行预测。通过实验数据的对比分析,结合小波去噪分析与Kalman滤波理论对原始沉降变形量进行沉降预测,能克服只使用单一Kalman滤波方法进行沉降预测中噪声处理的不足,验证了小波分析及结合Kalman滤波理论进行沉降预测的可行性,且预测精度比较高。     

改进的GM-AR组合模型在地铁沉降预测中的应用

灰色预测模型对沉降的整体趋势有很好地预测结果,时序模型针对随机性的数据进行预测,二者结合一定程度上可提高预测的精度。文中通过改进GM-AR模型并将其应用于地铁沉降预测中,同时与灰色预测模型和GM-AR组合模型的预测精度进行对比分析。结果表明,改进后GM-AR模型可以有较好的预测效果。     

基于卡尔曼滤波的离散灰度模型在基坑沉降数据的研究

为了提高深基坑开挖过程中实时沉降监测预测的可靠性与准确性,保障基坑施工和周边环境安全,针对深基坑开挖过程中周围底层移动、施工、环境因素及实际观测过程中原始数据存在较多噪声对原始沉降数据产生一定影响等诸多问题。本文考虑使用卡尔曼滤波理论对沉降数据进行去噪预处理,并建立离散灰度模型,通过该模型对沉降数据进行分析及预测。通过实验数据分析处理,验证模型预测精度有了一定的提高,且具有一定的参考价值。     

基于分形插值的桥梁桥墩沉降预测

基于某跨海大桥桥墩的沉降资料,使用重标极差(R/S)分析方法说明桥墩沉降的非线性下隐藏的持续性特征,并计算其分形维数,证明该沉降时间序列具有分形特性。由此通过历史数据建立迭代函数系统,经分形插值方法求取吸引子,并在吸引子基础上进行延拓,建立基于分形插值的预测模型,并将此算法应用于桥墩沉降数据的预测中。算例结果表明,分形插值理论具有较高的预测精度,可满足实际应用要求。     

高速铁路沉降变形的组合预测方法

为实现各种预测模型的优势互补,提高沉降预测精度,分析单项沉降预测模型各自的特点,将组合预测方法应用到高速铁路沉降变形预测分析中;介绍组合预测基本方法和常用的定权方法,提出模型建立的步骤和具体原则,研究出一种变权最优预测的方法。通过工程实例验证表明,该组合方法预测精度较高,拟合能力更强,可作为高速铁路的沉降预测模型。     

马尔可夫残差修正模型的高铁路基变形预测

针对灰色系统模型在变形预测中存在预测结果不理想的问题,给出马尔可夫残差修正模型,首先应用灰色预测模型对未来的沉降变形进行预测,然后用马尔可夫过程对预测结果修正,提高预测精度。应用表明:马尔可夫残差修正模型的预测值与观测数据的拟合结果优于传统灰色系统预测模型以及残差修正模型,其预测精度明显提高,沉降预测值更为可靠,可为工程监测提供科学决策依据。     

马尔可夫链改进的MMF沉降预测模型及应用

针对地基沉降机理复杂及随机性特点,结合马尔可夫链理论,本文建立了一种马尔可夫链改进的MMF沉降预测模型。首先采用部分实测沉降数据,利用CurveExpert软件拟合MMF模型;然后根据MMF模型预测相对误差大小,并按照马尔可夫理论划分状态区间,构建状态转移概率矩阵,预测下一个沉降量所处的状态,从而得到了马尔可夫链改进的MMF预测值;最后将本文模型应用于深圳滨海大道市政工程软土路基沉降预测中,并对模型的预测效果进行精度分析。结果表明,马尔可夫链改进的MMF模型的预测精度较单一的MMF有明显提高,建模方法合理,可用于类似的工程预测。     

动态预测软土路基沉降的神经网络模型研究

人工神经网络具有较强的非线性映射能力。本文介绍了神经网络BP算法的一些改进措施。这些措施可以提高BP算法的学习收敛速度,同时也可以提高BP网络性能的稳定性。为避免软土路基沉降传统计算方法中各种人为因素的干扰,本方法利用实测资料直接建模。基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法。本文所建立的BP算法模型比较独特,利用该模型预测软土路基沉降精度高,预测结果的稳定性好。