基于优化残差组合的北斗卫星短期钟差预报研究

为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性.     

基于时间序列模型的沉降监测预报分析

时间序列模型预测具有可靠性与高效性的特点。本文结合沉降监测工程,采用Matlab进行建模预报分析,分别基于预测模型(AR、MA、ARMA)进行应用。对比自回归模型、滑动平均模型及自回归滑动平均模型预测结果的精度,表明3种模型可预测期连续分布,模型组合可提高预测精度。     

基于小波变换与ARMA模型的建筑物沉降预报

对建筑物进行沉降监测并预报其变化趋势,能有效保障建筑物的安全性。本文提出一种基于小波变换的ARMA模型用于建筑物沉降预报。利用小波多尺度分析将沉降监测数据分解为高频信号和低频信号,并分别采用ARMA模型进行预测,然后将各序列预测结果进行合成,得到最终预测结果。并以青岛市某高层建筑物监测数据为例,分别采用传统ARMA模型以及基于小波变换的ARMA模型进行预报对比分析,结果表明基于小波变换的ARMA模型取得了较高的预报精度。     

趋势项优化混合时序模型的建筑物沉降应用

针对传统差分整合自回归移动平均(ARIMA)模型对确定性趋势序列的长期预测效果不佳,且无法直观刻画数据的波动规律等问题,该文提出一种趋势项优化的混合时序模型方法.结合北京某高层建筑物施工实例,首先通过迭代运算得到最优趋势项混合模型,然后分别以ARIMA模型、线性趋势项混合模型以及趋势项优化混合模型对50期沉降数据进行拟合,对未来5期数据进行预测.预测结果表明,趋势项优化模型长期预测精度较高,能更好地解释数据的波动规律.     

建筑物沉降规律的曲线拟合模型研究

建筑物的沉降监测数据序列具有趋势化的特点,通过对建筑物沉降监测数据序列的统计分析,建立建筑物沉降量趋势项及差异沉降量趋势项的数学模型,计算建筑物沉降量及差异沉降量的即时速率,为建筑物的后期监测精度及监测周期提供设计依据.通过工程实例验证,建筑物沉降量及差异沉降量所采用的双曲线回归模型具有较高的拟合精度和预测能力,可实现对建筑物末来沉降趋势的综合预测预报,为建筑物的运营安全评估提供科学的决策依据.     

非等间距WGM-AR模型在基坑周边建筑物沉降预测中的应用

非等间距GM（1,1）模型在不等时间间隔序列的趋势分析和预测方面具有重要作用,在此基础上,提出一种基于非等间距加权GM（1,1）模型和自回归AR（p）模型相结合的非等间距加权灰色自回归模型（非等间距WGM-AR模型）.将基坑周边建筑物沉降监测数据视为具有确定趋势的非等时间序列,对序列进行平滑处理,利用非等间距加权GM（1,1）模型提取该时序中的确定性趋势项,用自回归AR（p）模型分析生成的等间距序列中的随机项,并采用内插法得到沉降监测序列的随机项.将组合模型与非等间距GM（1,1）模型计算结果对比分析,结果表明,组合模型具有更高的预测精度,在基坑周边建筑物沉降预测中具有较高的应用价值.     

基于EMD方法的组合预测模型在建筑物基坑沉降监测中的应用

为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。     

基于小波分解的差分灰色神经网络-AR模型及其在地铁隧道沉降预测中应用研究

提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。     

基于时间序列分析和灰色理论的建筑物沉降预测模型研究

基于时间序列分析方法建立建筑物沉降预测模型,其中通过二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上采用灰色系统理论动态GM（1,1）模型进行趋势项预测。实际算例结果表明,该模型能够较好地预测沉降变化的发展趋势,并具有较高的预测精度,证明了该预测模型具有一定的可行性和有效性。     

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。