地铁变形监测中曲线拟合与自回归模型的综合应用

曲线拟合与自回归是变形监测数据分析的常用方法。本文首先给出曲线拟合和自回归模型的模型形式以及模型正确性的检验方法,然后结合广州某地铁的部分实际监测资料,综合使用两种模型进行变形曲线的拟合与分析,结果表明:该综合模型对变形数据的处理有着显著的优越性。     

时空自回归模型在大坝变形分析中的应用

变形监测分析的模型与方法主要是针对单点时序的分析,建立大坝位移自回归模型可实现大坝位移预测预报,但传统自回归模型都是针对单测点进行的,这意味着需要对所有的测点进行建模,将会造成大量模型冗余.而大坝作为一个整体结构,测点间的位移在空间上是相互关联的。单点自回归模型并未考虑着这种相关性,为了考虑测点间的这种空间相关性并建立统一的模型,本文采用时空自回归方法对五强溪大坝位移监测数据进行整体分析,建立了大坝位移的时空自回归模型。通过对大坝引张线测点的建模与预测分析,结果表明时空自回归模型在时间和空间上都可以对位移监测数据序列进行较好的拟合与预测。     

自回归模型在矿山变形监测中的应用

变形监测的目的是针对不同的监测数据采用合适的数据处理方式,建立适当的模型,做出正确的预报,以减小事故的发生。回归模型是研究一个随机变量(因变量)和另一个或一些变量(自变量)关系的统计方法,它通常设置一些可以测量的变量为自变量建立回归方程来预测另外一些变量的变化趋势,是一种静态数据处理方式,但是在时间序列情况下,回归应该根据该变量自身以前的规律创建预测模型,这就是自回归模型,是一种动态数据处理方法,它特别适合于短期监测预报。     

LS+AR组合模型在大坝变形预报中的应用

针对大坝变形监测数据的年周期性特点,建立了大坝变形监测序列的拟合外推模型,提出了利用最小二乘外推(LS)与自回归(AR)组合模型预报大坝变形监测数据的方法。通过实验比较说明,LS+AR组合与AR模型相比,在大坝变形监测的预报精度上有一定程度的改善。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

回归分析在大桥沉降监测预测中的应用

在对多期桥梁沉降变形监测数据预处理、观测数据粗差剔除方法分析研究的基础上,提出了基于代表性沉降数据、采用回归分析法对大桥沉降形变进行预测的方法,并在东明黄河公路大桥沉降变形监测项目中得到了成功应用,结果验证了该方法的有效性,研究结论可为桥梁变形监测数据处理及预测预报提供借鉴。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

大坝安全监测信息系统的研制

本文介绍了大坝安全监测信息系统(DSMIS)。文中扼要地阐述了目前大坝安全监测数据管理与数据处理中存在的问题,着重讨论变形模型辩识和异常变形的识别问题,最后简要地介绍了该系统的基本结构和基本功能。     

混合模型在沉降监测中的组合预测方法

对建筑物沉降数据进行建模预测,以便掌握其变形规律并预测变形趋势,保障建筑物的安全。单一预测模型有自己的适用情形,也存在各自的缺点,已经不能满足当前的精度要求。选取灰色GM(1,1)和自回归两种常用的预测模型,通过两种不同的方式进行组合预测,并结合南京市地铁一号线百家湖段沉降监测数据进行计算分析,结果表明两种组合方法与单一预测模型相比精度均有所提高。     

PSO优化的分数阶PFDGM(1,1)模型在变形监测预报中的应用

对于形变监测中大量的变形监测数据序列的拟合和预测精度不理想的情况,提出了采用粒子群算法优化的分数阶算子PFDGM(1,1)模型,以及对变形监测数据进行拟合和预测的新方法。通过粒子群算法选择拟合DGM(1,1)模型平均绝对百分误差最小的分数阶,构建了最优分数阶算子的PFDGM(1,1)模型。用典型的变形监测数据验证了优化模型,结果表明优化模型对变形监测数据的拟合和预测都达到了较高的精度。说明优化模型在变形监测数据的处理中具有可行性和有效性。     

PCA-GM-AR模型在基坑变形预测中的应用

本文提出一种基于主成分分析(Principal Component Analysis,PCA)优化的传统灰色-自回归(Gray Model-Auto Regressive,GM-AR)模型,首先利用PCA对基坑变形数据进行分析,将观测数据投影到信号子空间实现噪声抑制,同时获取大特征值个数作为AR模型的最优阶次,然后分别...     

多元回归分析法在地铁沉降监测中的应用

以乌鲁木齐市地铁某标段暗挖隧道变形监测为例,采用多种监测方法对该施工标段进行地表沉降监测,并通过Matlab软件建立了与实际工程相适应的回归模型。该模型可分析处理数据以及预测变形曲线,能充分发挥变形监测在地铁暗挖施工过程中的重要作用。     

PSO-SVR优化模型在基坑变形监测预测中的应用

提出了采用粒子群优化算法(PSO)的快速全局寻优特点,优选支持向量机回归模型的参数,利用PSO-SVR组合模型实现对基坑深部水平位移监测数据进行预测,并将其与BP神经网络预测结果与实测值进行对比。实验结果表明,PSO-SVR模型对基坑变形监测预测的准确度更高,预测值与实测值最贴近,更能反映倾斜监测的位移变化趋势,满足基坑变形监测预测的需要。     

Matlab在多元线性沉降数据处理中的应用

回归分析模型是处理变形监测数据应用最多的模型,但是其含有大的矩阵,解算烦琐,模型方程求解困难。然而,Matlab中包含有归回分析函数工具箱,可以方便地解算出回归系数,用于回归模型的建立,从而将该模型应用到工程中去。本文结合实际,对某高层建筑物的监测数据运用Matlab进行回归分析,得到拟合度很好的回归模型,可为工程的沉降提供预测,保证工程的安全顺利进行。     

稳健时序分析方法及其在边坡监测中的应用

本文将稳健估计方法引入时间序列建模,提出了基于稳健估计的自回归建模方法。采用某实测边坡两个监测点连续30期数据对该方法进行了验证计算与分析,结果表明当监测序列没有异常值时,稳健与常规自回归模型的预报精度相当;而当监测序列含有少量异常值时,稳健比常规自回归模型的预报精度有较明显的提高。     

反导自记忆模型的隧道沉降分析

针对传统的变形预测模型不能对隧道高度非线性监测数据的沉降趋势和波动特征进行准确的预测问题,该文提出了反导自记忆模型。该模型运用了自记忆原理,克服了传统的变形预测模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力,之后通过工程实例验证了反导自记忆模型的可行性。最后与灰色自记忆模型进行对比,得出反导自记忆模型能够对非线性和波动性监测数据做出更加准确的预测,提高了预测的精度。     

改进的时间序列法用于边坡沉降分析与预测

运用数学模型或力学方法对变形监测数据进行分析与预测尤为必要,本文详细介绍了时间序列法中的差分自回归移动平均模型（ARIMA）、平稳性与白噪声检验、模型定阶与参数估计、模型检验与预测的过程,针对其预测的准确性会随着时间推移而降低的问题,提出了一种改进的时间序列法,通过建立一个动态的数据窗口,及时引入最新的数据信息更新计算模型参数,并对某轨道边坡工程的沉降监测数据进行了建模分析和对比预测。结果表明：改进后的方法提高了模型的预测精度,在实际工程中具有可行性和有效性。     

平稳自回归模型在深大基坑位移预测中的应用

在深大基坑施工阶段,对基坑桩顶位移和深层位移进行监测和预测非常重要。研究用于基坑桩顶位移和深层位移趋势预测的平稳自回归模型AR(P),根据监测点21期的位移观测成果分析模型的适用性,采用平稳自回归模型AR(1)对后三期的位移进行预测,与实测值最大相差分别为0.9 mm和2.2 mm,表明模型具有较好的预测效果。     

顾及空间异质性的自回归模型应用研究北大核心CSCD

针对传统的空间自回归模型拟合精度较低且无法顾及空间异质性的问题,该文提出了改进的地理加权自回归模型。并以北京市住宅小区特征价格数据为例,利用探索式空间数据分析方法分析住宅价格数据的空间自相关性,探讨其时空演变特征;建立了空间自回归模型、地理加权回归模型和地理加权自回归模型,并在模型之间进行精度对比和分析。实验结果表明:北京市住宅价格具有明显的空间相关性与空间集聚特征;由于综合考虑了空间自相关性和空间异质性,地理加权自回归模型不仅能大幅度提高模型的拟合优度和解释能力,还能更好地揭示住宅价格的空间变化规律,为数据的空间探索提供了新的方向。