边坡位移预测的非线性组合模型及应用

通过边坡现场监测位移序列来预测未来时间边坡的位移,可以有效地评价和判断边坡的稳定性。多种非线性分析方法的组合可以有效提高预测精度,将灰色理论与投影寻踪回归各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--时序投影寻踪回归模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了投影寻踪回归方法易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,对模型的可靠性进行了验证。将文中提出的时序投影寻踪回归方法应用到 2 个工程实例,研究结果表明该模型预测值与实测值吻合较好,具有较高的精度,可为边坡位移的预测提供一条新的途径。     

软土路基沉降实时建模动态预测

在路基填筑施工过程中,用多项式与时间序列AR组合模型预测其沉降变形发展。根据沉降观测值,采用统计分析方法识别和建立多项式预测模型,预测在某时期沉降趋势值;用平稳时间序列分析方法建立随机部分模型,并预测沉降随机部分值,二者之和即为某时期沉降预测值。随着新观测数据的不断加入,及时修改预测模型参数值,达到实时预测之目的。工程实例研究表明：组合模型预测值明显优于单一趋势模型预测值。组合模型一步预测误差绝对值大多数情况下小于5 mm。预测步数越多,预测误差则越大。     

基坑变形的灰色-时序动态预报方法

基坑变形是一个动态的相互依存的过程。在基坑开挖与施工过程中,可用灰色理论GM(1,1)与时间序列AR组合模型预测其变形发展。灰色模型预测发展趋势,时间序列预测其随机部分。根据某时间序列变形观测值分别建立灰色与时间序列预测模型,并随着新数据的加入适时修改模型参数。工程实例研究表明:用组合模型预测变形值,其误差大多数情况下小于5%;在数据较少或变形数据变化较大时,组合模型预测值明显优于单一模型预测值。但在数据较多且变化平稳时,用单一的灰色模型与灰色时间序列组合模型预测误差相差不大。预测步数越多,则预测精度越低。     

投影寻踪自回归和多维混合回归模型及其在大河长河段洪水预报中的应用

投影寻踪自回归和多维混合回归模型，是将投影寻踪技术应用于时间序列分析中的一种新型的非线性时序分析模型。本文将此模型用于长江寸滩－宜昌河段的洪水演算，不必使用区间雨量资料，仅仅根据上下游站的流量资料，就可做出预见期为４８－７２ｈ的复杂长河段洪水预报，并取得了令人满意的的研究成果。     

全过程沉降量预测的Logistic生长模型及其适用性研究

地基的全过程沉降量与时间的关系呈S形曲线,可用Logistic生长模型来描述。目前应用的Logistic生长模型,较少考虑模型的适用范围和预测精度等问题。结合工程实例,比较了模型参数估计的三种方法,研究结果表明,采用非线性回归法估计模型参数,可取得较好的预测效果;根据混沌理论,研究了模型的适用范围和预测性能。Logistic生长模型的动态行为由参数a(瞬时沉降速率)决定,当参数a的取值范围在[0, 2]之内,该模型预测的最终沉降量是稳定的。     

全过程沉降量预测的Logistic生长模型及适用性研究

地基的全过程沉降量与时间的关系呈S形曲线，可用Logistic生长模型来描述。目前应用的Logistic生长模型，较少考虑模型的适用范围和预测精度等问题。结合工程实例，比较了模型参数估计的三种方法，研究结果表明，采用非线性回归法估计模型参数，可取得较好的预测效果；根据混沌理论，研究了模型的适用范围和预测性能。Logistic生长模型的动态行为由参数α(瞬时沉降速率)决定，当参数α的取值范围在[0，2]之内，该模型预测的最终沉降量是稳定的。     

基于小波的时序改进法在深基坑监测中的应用

结合润扬长江公路大桥南汊悬索桥南锚碇采用排桩冻结法新技术的工程实际,对深基坑支撑轴力监测数据提出了基于小波技术的时间序列改进法,将时间序列分析的多步预报功能与小波对信号精加工的功能相结合,研究结果表明,采用小波改进时间序列分析方法建立的时间序列动态预测模型,其预测精度大大提高,为基坑的安全施工提供了保障,为基坑的信息化施工提供了依据。     

ARMA模型在锚碇基坑变形预测中的应用

本文在详细介绍时间序列预测原理、基本模型及预测步骤的基础上,选取新田长江大桥锚碇基坑工程施工过程中的基坑位移和危岩裂缝变形实测数据,运用时间序列法建立自回归滑动平均模型(ARMA),对施工过程中的基坑位移和危岩裂缝变形趋势进行预测,并将模型预测数据与实际监测数据进行对比。结果表明:ARMA模型可以通过差分算法很好地解决数据不稳定性问题,在预测周期较短时预测精度较高;随着预测周期的增加,ARMA模型的预测精度有所降低,其原因是由于随着预报步长的增加,预报所依赖的历史数据在减少;在建立ARMA模型时,定期加入新的数据,可以避免预测周期过长导致预测精度降低。本文的研究成果可以为今后类似工程的监测预报研究参考依据。     

基于混沌神经网络理论的城市地面沉降量预测模型

通过分析城市地面沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性。在此基础上,通过相空间重构的方法建立了用于城市地面沉降量预测的混沌神经网络模型;并利用此模型对高桥地面沉降量进行了预测,并和实际监测沉降量进行了比较,最大绝对预测误差为1. 7,预测的平均误差为0. 0833,研究结果表明,应用混沌神经网络模型进行城市沉降预测是可行、精确的。     

基于LSSVM-ARMA模型的基坑变形时间序列预测

如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机（PSO-LSSVM）和自回归移动平均模型（ARMA）的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列--趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。     

基于PSO-BP神经网络的基坑周边地面沉降预测方法研究

基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以PSO-BP神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现：二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用PSO-BP神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明：优化后的PSO-BP神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。     

基于遗传算法的地下水位动态预测双线性模型

提出了建立双线性模型(BM)的一套简便通用的方法。用加速遗传算法可同时估计BM 模型各参数,成功地解决了BM建模这一难题,为BM模型的广泛应用提供了新工具。实例计算 结果说明:用这套方法预测地下水位动态是可行而有效的;通过利用预测过程中产生的残差信 息进行反馈矫正,保证了BM模型劫高的拟合精度和稳健的预测性能,增强了对复杂非线性动态 系统的适应性。     

高边坡变形非线性时变统计模型研究

基于高边坡长期变形监测资料,深入分析了边坡变形的影响因素,建立边坡非线形时变统计监控模型,并将模型应用于锦屏一级水电站边坡工程。通过典型测点长期监测资料的分析,确定时效和降雨是影响边坡变形的2个主要因素,并给出了各自的表述形式,在Matlab平台上,采用非线性回归方法得到边坡非线性时变统计模型的参数。在此基础上,根据边坡变形拟合残差时序,采用ARMA模型方法进行拟合和预测,对边坡非线性时变模型的拟合和预测进行修正。结果表明,模型能较好地描述高边坡的变形特征,并且具有很好的拟合和预测精度。     

基于ARMA模型的隧道位移时间序列分析

在新奥法隧道施工中,隧道位移监测对于评价围岩稳定性和支护结构合理性起重要作用。目前大都采用AR模型对隧道位移进行时间序列分析,避开了非线性估计,致使拟合精度和模型实用性较差。为此,介绍了具有较高预测精度和较好适用条件的ARMA模型及其常用参数估计方法,基于其参数非线性估计带来的不便性,提出一种ARMA模型参数估计近似线性方法,把残差用Taylor级数一阶展开,将非线性估计线性化,用线性最小二乘法估计参数最终值。用该方法对重庆市大足县南环二路南山隧道位移监测数据进行时间序列建模分析,预测与实测值吻合较好,证明了该方法的实用性。     

基于统计方法的干旱区地下水最大可开采量的确定

为克服地下水可开采量确定过程中确定性模型的局限性、失真和参数确定困难等弊端,合理的确定地下水可开采量,基于研究区不同区域地下水水位与开采量监测资料,采用多元线性回归和非线性多元回归统计方法对不同情况下地下水最大开采量进行探讨。结果表明：1964—1990年期间百口泉水源地地下水开采量在持续增加,并以1976年前增加较明显,且地下水水位均表现为下降趋势;非线性多元回归分析法对降深与开采量拟合的结果和误差精度均优于多元线性回归分析法;基于拟合的非线性多元回归方程,可确定水源地正常运行条件下的开采量为1 391万m3、极限开采条件下的开采量1 856万m3、疏干开采条件下的开采量1 992万m3。     

洪水预报自回归实时校正多步外延方法研究

自回归模型在洪水预报实时校正中应用广泛。针对自回归模型进行连续多时段校正时中间误差系列缺失问题,提出一种基于历史洪水预报误差系列的样本重组自回归外延方法,以淮河流域王家坝断面为背景,选用洪量相对误差、洪峰相对误差、峰滞时间和确定性系数四个指标开展校正效果评估,并与时程递推外延方法对比。结果表明:样本重组外延方法可以提升洪水预报精度,延长洪水预报有效预见期,特别在降低洪量误差和提高洪水过程的拟合精度上优势更为显著。同时,该方法泛化能力较强,具有实用价值。     

水环境非线性时序预测的高精度RBF网络模型

为提高水环境非线性时序预测模型的精度,用自相关技术分析水环境时间序列的延迟特性,确定径向基函数(RBF)网络的输入、输出向量,建立了水环境时间序列预测的高精度RBF网络模型.用32年海洋水温时间序列实测资料来训练和检验网络并用于预测.用该模型对长江流域望江楼站8年总硬度、高锰酸盐指数、五日生化需氧量、氨氮、溶解氧、挥发酚、镉、氯化物、硫酸盐等9种水环境要素时间序列进行预测.实例分析表明,所建模型预测误差均较小,好于门限自回归模型,BP神经网络模型和ELMAN神经网络模型.所建模型不仅精度高,而且收敛速度快.     

基于相空间重构的边坡位移预测

根据边坡位移时间序列的非线性性质, 应用基于相空间重构的实时预测方法, 可以充分利用时间序列信息, 预测 各种边坡变形演化趋势。 讨论了局域法和基于 Ly apunov 指数的预测法。 实例研究表明, 基于相空间重构的预测方法具 有比非平稳时间序列更高的预测精度和更广的适应性。