一种建筑沉降叠加预测方法

针对高层建筑的沉降监测与趋势预报问题,结合时间序列分析方法,该文提出一种基于ARMA的趋势项和随机项叠加预测法,把沉降监测时间序列数据分解为趋势项与随机项,分别建立趋势回归函数模型与随机项ARMA模型,叠加进行沉降量的预报,并通过上海外滩某高层建筑的沉降监测实例,研究并比较了该方法与传统的ARIMA差分预测法对建筑沉降预报精度的影响。实验结果表明:基于ARMA的趋势项和随机项叠加预测法在沉降预报中精度优于基于ARIMA的差分预测法。该方法利用趋势回归函数的保持作用,克服了传统的时间序列ARIMA模型在长期预测中精度不高的问题,并且随着预测步长的增加,优势更加明显。     

诱发因素影响下的滑坡参数优化预测模型研究

在降雨等外界诱发因素的综合作用下,滑坡位移预测是一个复杂的动力系统问题。利用三峡库区白家包滑坡综合监测数据,分析滑坡演化实时特征,提取影响滑坡变形的最相关因素,研究发现白家包滑坡为降雨主导型堆积层滑坡;采用自回归综合移动模型（ARIMA）模型进行拟合及预测,引入月累积降雨量对模型季节性趋势参数进行评估优化,对白家包滑坡72期月相对位移数据进行拟合及预测研究,最终模型结果和实测值的平均绝对误差和相关系数分别为2.873和0.983。研究结果表明,与传统经验法相比,优化参数模型更符合滑坡变形的一般规律。     

基于X-11-ARIMA模型在GNSS定位数据后处理的应用

定位数据分析及后处理是卫星导航定位系统在测绘和地灾监测应用中的关键环节. 通常,在卡尔曼滤波处理定位数据后得到的平滑数据,能够剔除噪声干扰得到贴近真值的数据. 但在长时间跨度的情况下,周期性发生的干扰难以在短时间内被识别和滤除,从而反映为一种频率较低的噪声波动. 假设该波动干扰存在周期性,以X-11分解时间序列分析方法进行数据处理,平滑后定位数据的方差从4.733减小至2.683,精度提高了43.3%. 并对拆分数据进行差分自回归移动平均模型(ARIMA)建模预测. 还原数据对比直接预测数据的分析结果表明:拆分后分别预测再整合还原精度高于直接预测5%～10%,可以应对平滑处理实时性差的问题.      

基于ARIMA模型的市内人群移动预测

城市内部人群移动模式的研究在城市规划、交通量预测和疾病的防控等领域具有重要的应用价值。已有研究多基于出行数据探索人群移动模式,文中基于新浪微博位置签到数据,从时间序列建模角度结合ARIMA模型,建立武汉市人群移动的季节性模型实验表明,模型ARIMA(3,0,2)(1,1,0)12能较好地拟合并预测武汉市人群移动趋势,对城市规划和决策具有重要参考价值。     

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。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。     

优化非等时距加权灰色-时序组合模型在地铁监测中的应用

对某地铁工程沉降数据进行建模预测,可以掌握其变形规律并预测变形趋势.本文将传统非等时距灰色模型引入时距权比系数,按照不同的生成及还原方式构建3种预测模型,并确定最优拟合序列.在此基础上,组合时序模型对残差部分进行处理,建立优化非等时距加权灰色-时序组合模型,结合工程实例进行验证.结果表明,优化非等时距加权灰色-时序组合模型在地铁监测中具有实用性.     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

ARIMA乘积季节模型在大坝位移监测中的应用

提出了应用ARIMA乘积季节模型对大坝位移监测数据进行分析和预报的新方法,并给出了基于开源R语言建立乘积季节模型的方法步骤和关键技术。结合某大坝径向位移监测数据进行计算分析,结果表明：ARIMA乘积季节模型能较准确地预报大坝位移趋势,具有较高的预测精度。     

小波分析与粒子群算法优化的灰色神经网络模型

针对灰色模型在测量数据波动较大时预测精度下降的缺陷,本文提出了采用小波分析与粒子群算法优化后的BP神经网络对灰色模型进行优化,生成了基于小波分析和粒子群算法优化的灰色神经网络预测模型。并使用青岛市航运中心的沉降观测数据对优化后的灰色模型进行精度验证,证明优化后的模型的预测精度相比于传统的灰色模型与经过小波降噪后的灰色模型,预测精度有了进一步提高。