非等时空距GM(1,1)模型在建筑物沉降预测中的应用

以灰色理论为指导，GM（1，1）模型为基础，提出用最小二乘原理对灰色模型进行优化，大大提高非等时距GM（1，1）模型的预测精度，并对某海堤监测数据进行预报，检验结果表明预测值达到很好精度，由此证明，此方法有较大的应用价值。     

自适应GM(1,1)模型进行地表沉降预报

提出采用自适应GM( 1 ,1 )模型进行地表沉降预报 ,并用于兖州某矿形变控制点的沉降预报 ,效果令人满意。说明此模型具有实用价值。     

GM(1,1)模型在建筑物沉降分析中的应用

采用灰色理论中的GM(1,1)模型,对建筑物的沉降数据进行拟合,并以此模型进行预报。通过实例分析,GM(1,1)模型具有较高的拟合精度以及预报精度,能够准确预报建筑物未来沉降趋势,在确保建筑物安全方面,具有较高的实际指导意义。     

GM(1,1)模型在高铁软土路基沉降监测中的应用

依托哈齐铁路客运专线沉降观测项目,利用灰色模型GM(1,1)对软土路基沉降进行定量分析预测,探讨了该沉降过程的动态变化规律。与实测数据对比表明,灰色模型GM(1,1)对该沉降趋势的符合度较高,精度能够满足要求。     

混合GM(1,1)模型预报季节性时间序列精度的方法探讨

灰色系统已被成功用于工程、经济、物理控制等许多领域。然而在预报具有季节性的时间序列时，直接应用GM(1，1)灰色模型往往精度不高。因为GM(1，1)灰色模型只能反映时间序列的总体变化趋势，不能很好反映其季节性波动变化的具体特征。因此，作者提出运用“滑动平均去季节性波动”与GM(1，1)混合建模的方法预报具有季节特征的时间序列。并以水文地质系统中地下水位预报和安装在混凝土中的测缝计测得的建筑物形变量为一组时间序列，基于均方差、平均绝对误差和平均绝对百分误差三个精度准则，比较了此方法与其它灰色建模法的结果。结果表明，此方法不仅能反映时间序列的总体变化趋势，而且能客观反映其波动变化的具体特征，有效提高了预报精度，减少了建模的复杂度。     

灰色GM(1,1)模型在高铁线下工程沉降变形预测中的应用

讨论了GM(1,1)预报模型的建立及应用问题,并通过对贵广铁路某高架桥沉降变形数据进行研究,结果表明,利用GM(1,1)建模进行预报具有理论的可行性和现实意义,说明灰色理论在线下工程沉降变形监测中具有实用价值。     

GM(1,1)模型在建筑物变形预测中的应用

通过对某楼群变形预测的实例,阐述了如何利用现场采集的数据信息,按灰色理论的ＧＭ（１,１）模型建立预测模型,对建筑物变形进行预测预报的方法。     

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。     

GM(1,1)模型在高层建筑沉降预测中的应用

由于高层建筑变形是多因素作用的结果,而其变形系统的实质是一个灰色系统,所以可以采用灰色系统理论对高层建筑变形进行预测。根据灰色系统理论,建立了高层建筑变形的GM(1,1)预测模型。     

灰色理论应用于轨道交通一号线一期工程承重墩沉降分析

介绍了沉降监测数据处理理论方法,讨论了灰色模型法预测沉降的过程,分析了武汉轨道交通一期工程承重墩沉降监测数据,结果表明其基础是基本稳定的。     

GM(1,1)多项式拟合模型在变形监测中的应用

GM(1,1)具有要求样本数据少,运算方便,短期预测精度高等优点,因此而得到广泛应用;但它也存在一定的局限性,其主要适用于单一的指数增长的模型,对序列数据出现异常情况很难预测。为了改善这一局限性,将其与多项式拟合进行组合,通过实例分析证明组合模型比单一模型拟合精度更高,达到比较好的效果。     

基于新陈代谢GM(1,1)模型的益阳城市化水平分析

以益阳市2001年-2010年城市化水平数据为依据,运用灰色系统理论,建立了GM(1,1)和新陈代谢GM(1,1)预测模型;并运用不同方法对2种模型的精度进行了检验,结果表明,新陈代谢GM(1,1)模型优于常规GM(1,1)模型,其精度更高。应用新陈代谢GM(1,1)模型,对益阳市城市化水平未来10年进行预测,其结果符合益阳市城市化的实际情况。     

基于 Markov 理论的加权非等距GM（1，1）预测优化模型

背景值的构造方法是影响加权非等距GM(1,1)预测模型的精度和适应性的关键因素。文中通过等分函数法构造新的背景值对传统的加权非等距GM(1,1)模型进行优化,优化后的模型使其同时适应于高增长指数序列和低增长指数序列,提高传统模型的预测精度和适应性能力。但是优化后的模型依然易受建模数据随机扰动影响。马尔科夫(Markov)模型具有削弱建模数据的随机扰动性的优势。基于此,将优化的加权非等距GM(1,1)模型和Markov理论有机结合,构建优化的加权非等距Markov-GM(1,1)预测模型。最后,结合秀山湖二期工程的变形实测数据,运用新陈代谢的计算模式进行预测验证。结果表明:优化的加权非等距Markov-GM(1,1)预测模型的拟合和预测精度都优于传统的加权非等距GM(1,1)预测模型,新的预测模型的适用性更强,具有实际的参考价值。     

非等间距GM(1,1)建模方法对比分析及应用

非等间距GM(1,1)模型为实际工程变形监测中不等间距观测数据的处理提供较好的解决途径。文中以两种非等间距GM(1,1)建模方法为研究对象,通过工程实例的对比分析与实际应用,讨论两种模型的建模差异,给出模型精度与预测评价,提出选择非等间距GM(1,1)建模方法的参考建议。     

改进的GM(1,1)模型及其应用分析

GIM(1)模型是一种改进的GM(1,1)模型。文章在介绍两种模型的基础上,分别进行实例计算和分析,得出了GIM(1)具有更大的优越性,具有预测结果精确,对时间的依赖性较小的特点。     

基于优化GM(1,1)模型的基坑位移监测数据预测方法

针对GM(1,1)模型预测结果精度低的问题,提出原始序列卡尔曼滤波处理的优化模型方法,结合指数函数构造背景值,进行灰色模型预测分析。结合苏州站综合楼基坑沉降监测结果,探讨了GM(1,1)模型原始序列的选择,分析了优化GM(1,1)模型的精度,验证了优化模型在提高预测精度上的可行性。