ARMA模型在变形监测中的应用

介绍了时间序列分析模型ARMA进行模型识别、参数估计、模型检验和模型预测及其在变形监测数据处理中的应用。并结合某一工程实例,采用该模型对一组实测变形数据进行了分析、预测,取得了较好的数据拟合与预测效果,该模型对变形监测数据处理与预报是十分可靠和可行的,具有很强的实际应用价值。     

基于数据挖掘的基坑监测关联性分析及联合预报研究

基坑监测数据量较大,且蕴含大量待发掘的有效信息。而数据挖掘则是从海量,数据信息中探寻内在规律及有效信息的技术。对此,提出将数据挖掘技术应用于基坑监测数据分析中,并利用其进行监测因素关联性研究;在顾及因素关联性基础上,对时间序列法进行改进,提出多因素时间序列法进行监测数据预测,并通过工程实例对此方法进行验证。     

老采空区地表沉降监测工程实践与资料分析

针对老采空区地表沉降的不确定性,通过监测方案的设计与实施,采集数据预处理对某一矿区进行分析,利用surfer软件得到了六个监测点的三维线框图并进行渲染。对监测工程资料进行平差处理,得到了各个观测量的精度指标。针对变形监测数据的变化特点,使用AR(p)模型进行编程,主要依据时间序列分析的建模步骤,将建模步骤中的数学公式转换为MATLAB编程语言然后使用编写的程序对变形观测数据进行分析,用前面多期监测数据建立数学模型,并对后面几期进行沉降预测,同时与实测值进行比较分析,用以检验时间序列预测的准确性。     

时间序列分析在工程安全监测中的应用研究

当前我国处于基础建设的大发展时期,对大型工程的安全监测工作提出了更多的要求.在获取工程变形监测的数据后,如何准确地建立变形模型并对未来的变形趋势做出一定的预测,是当前工程安全监测研究的重点.时间序列分析利用逐次观测值间的时序性和相关性,对监测数据建立相应的数学模型并对模型进行研究分析,解析数据内在的结构和特性,然后根据历史数据预测将来的趋势.本文介绍了时间序列分析的相关理论,并在沉降监测数据处理中进行了应用,结果表明,该方法在进行短期预测时效果比较理想.     

SAS/ETS在变形监测数据处理中的应用

在综合考虑数学模型的预测精度与编程实现的可操作性基础上,提出了利用模块对变形监测数据进行时间序列分析,并概括介绍了该模块的3个主要命令使用方法,解决了时间序列分析在监测数据处理中实现起来非常繁琐的问题。最后通过与环境下动态灰色模型综合比较,证明了时间序列分析在变形监测数据处理中操作简单,模拟精度和预测精度都较高。     

基于ARIMA模型的边坡变形分析与预测

详细论述了时间序列分析中的平稳性分析、模型识别、模型评价和模型预测的过程,建立自回归滑动平均求和(ARIMA)模型对2016年6月29日-2017年10月4日共计461 d的边坡监测数据进行时间序列分析和预测。结果显示:利用ARIMA模型对边坡观测数据进行时间序列分析具有可行性,并能取得较好的效果,研究成果可为工程施工和防灾减灾提供技术参考。     

基于曲线拟合的AR模型在地铁施工监测中的应用

在地铁施工过程中,进行实时监测、数据分析与预报可以为施工安全提供保障。AR模型可用于对监测数据进行分析与预报,且具有一定的精度。文章在曲线拟合的基础上,计算得到原始观测数据与拟合数据之间的残差序列,代替由差分法计算得到的残差序列,从而建立改进的AR模型,并通过地铁施工监测实例对AR模型与改进的AR模型的预测结果精度进行验证。结果表明:改进的AR模型较AR模型预测结果精度更为准确、可靠。     

基于时间序列模型的变电站沉降预测分析

变形分析与预报是变形监测数据处理的重要内容,而时间序列模型是常用的变形分析与预报工具。本文采用时间序列模型对变电站沉降数据进行分析建模,从而掌握变电站的沉降规律,预测未来沉降趋势,对下一步施工具有实际指导意义。     

改进GM(1,1)模型在建筑沉降变形观测中的应用

灰色预测模型GM（1,1）的建模思想是：原始序列（非负序列）经过一次累加生成后,形成一个单调递增数列,新序列中各数据点的连线可以用指数函数y=ae^bx进行拟合。根据这个指数函数可以推导出下一个累加值的预测值（即第一个预测期）,最后通过累减生成将累加序列预测值还原为原始序列预测值。本文通过对原始序列进行指数-幂函数变换,增加了原始序列的光滑度;并在灰参数求取过程中对原始序列赋以权重,利用迭代计算的方法推导出了模型精确背景值;最后通过使预测序列残差平方和最小的方法计算出最优初始条件,进而提出了一个改进后的GM（1,1）模型。利用改进后GM（1,1）模型对某大厦沉降监测数据进行模拟与分析,并对改进前后的模型进行对比与分析,结果表明,改进后模型的各项精度因子相比于传统模型均有所提高,且时间序列越往后的预测值,精度越高。     

混沌理论支持下的桥梁变形监测研究

针对桥墩的非线性下沉问题,引入了混沌理论。采用改进的C-C算法计算时间序列的时间延迟τ,采用改进的G-P算法计算最佳嵌入维数m,进行相空间重构,并与传统算法对比抗干扰性,计算效率等得到了改善,运用Lvyapunov指数判别该时间序列的混沌特性;最后根据所求参数建立加权一阶局域预计模型和RBF神经网络混沌预计模型,分别对观测数据进行预计分析,将混沌时间预测结果与指数平滑法预测结果进行对比分析。得出混沌时间预测精度高于指数平滑法预测精度,RBF神经网络混沌预计模型的预计精度最高,证明混沌时间序列预计精度可靠,能够实时对桥身变形进行监测,避免灾害的发生。     

非等间隔灰色模型在桥梁墩台沉降预测中的应用

灰色系统理论具有对样本数量需求少、预测精度好的特点,被广泛地应用于隧道桥梁、公路建设中的数据建模分析,但该数学模型严格要求样本序列等间隔性,因而限制了其适用区间。本文以桥梁墩台沉降数据为例,采用时间加权因子对传统灰色模型方式进行改进,并对其预测效果进行精度检验,为相关非等间隔工程数据建模提供一定的理论参考。     

深基坑变形监测数据时序分析法的建模与预报

基坑变形监测的各种数据一般是以时间间隔构成的随机序列,用时间序列分析的方法进行监测数据的建模与预报是有效处理监测数据的一种手段。本文以基坑监测中有代表性的监测数据-锚杆拉力监测为例,用时序分析的方法对监测数据处理、分析、建立适合的模型以及对数据进行预报等过程进行研究和探讨。     

时间序列协整关系及其在变形分析中的应用研究

通过对时间序列模型及其特性进行分析,运用序列间协整关系,实现同一变形体不同变形监测数据序列之间的联系,提取出平稳的、可用于变形预测分析的信息,建立适用于实际工程的ARIMAX动态预测模型,并通过工程实例验证预测模型的优化性、有效性与可行性。     

时间序列分析的直播星用户开卡预测

针对同一地区不同时间内直播星电视服务用户的数量变化特征,该文提出了基于时间序列的直播星用户预测方法,并通过ARIMA模型预测用户数量。分析了ARIMA模型的建立方法和评价参数,对时间序列模型ARIMA(p,d,q)的参数进行不同组合的尝试;利用模型评价参数(平稳的R方和正态化的BIC)确定模型的阶数p、q;对模型进行参数检验和显著性检验,根据检验结果确立最终模型为ARIMA(4,2,3);采用宁夏用户数据对模型拟合效果进行验证,进而对未来几个月的用户数量进行预测。结果表明,时间序列模型ARIMA(4,2,3)对宁夏用户数量变化的预测准确度比较高。     

高层建筑物沉降监测与预测方法

高层建筑物沉降变形监测是工程建设中一项十分重要的工作,为了系统地阐述高层建筑物沉降变形监测作业、数据处理及建模预测等方法,文章结合具体工程实例,详细地介绍了其监测作业过程、数据处理方法、图表分析内容以及沉降变形稳定性判别等方法要素,以回归拟合的方法对某代表性观测点监测数据进行了建模与预测分析,并与其它观测点数据进行了预测对比,同时对所建回归模型方程进行了显著性检验、预测区间估算和预测精度分析等,为类似工程实践及数据处理与分析方面提供方法参考。     

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。     

基于IPSO-LSSVM模型的公路路基沉降预测

为了对公路路基沉降监测数据进行准确分析,本文依据当前监测数据对未来某段时间的变形趋势进行预测,结合最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)模型与改进的粒子群优化算法(Improved Particle Swarm Optimization, IPSO)在数据预测与参数寻优中的优势,构建新的IPSO-LSSVM组合预测模型。该组合预测模型通过IPSO算法不断优化LSSVM模型中的惩罚因子C与核函数参数σ,避免参数选取随意造成预测精度不高的问题。最后使用实测某公路路基沉降数据对本文提出模型的有效性与优越性进行检验,结果表明,经IPSO算法优化的LSSVM模型预测精度更高,稳定性更好,可为变形预测提供一定参考。     

GOM和时间序列组合模型在地表沉降预测中的应用

一般灰色模型是基于正向累加数据建立的,针对沉降系统的特点采用反向累加模型并且改进模型背景值的计算方法建立改进GOM模型,进行数据序列趋势项的提取,结合时间序列反映随机性的优点建立GOM和时间序列的组合模型进行沉降系统的数据预测,验证了方法预报的精确性和实用性。     

动态灰色-时序模型在建筑物沉降预测中的应用

针对灰色模型和时间序列都无法准确预测建筑物波动性沉降的问题,本文采用动态灰色模型和时间序列相结合的方法来预测分析其沉降趋势。首先根据监测数据建立灰色模型,在此基础上构建动态灰色模型来拟合时间序列中的趋势项,然后依据时间序列进行预测。结果表明:动态灰色-时序模型能够准确预测建筑物的变化趋势。     

地铁结构变形预测的时间序列模型方法研究

本文根据南京地铁某区间隧道结构变形监测数据,分别采用回归分析方法和时间序列分析方法建立模型,对地铁结构变形进行预测。计算结果表明在该工程实例中,回归分析模型的预测精度约为±0.20mm,时间序列模型的预测精度约为±0.08mm,较回归分析模型提高了60%,能够较好的对地铁结构变形进行预测。