基于支持向量机-马尔可夫链的位移时序预测

结合支持向量机和马尔可夫链,提出了一种新的位移时序预测模型--支持向量机－马尔可夫链预测模型（SVM-MC）。通过对实测位移值的学习,利用经粒子群算法优化的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上应用马尔可夫链确定位移时序的状态转移概率矩阵,通过对状态的划分、实测值与支持向量机拟合值的绝对误差及相对误差等指标的分析,实现了对预测结果的改进。将该模型应用到某工程永久船闸高边坡的位移时序预测中,结果表明,该模型具有科学可靠、预测精度高的优点,在岩土体位移时序预测中具有有一定工程应用价值。     

边坡非线性位移的分段最小二乘-时间序列分析

利用最小二乘法对位移时间序列进行分段拟合以提取时间序列的趋势项，从而将非稳定时间序列稳定化，对去除趋势项的稳定时间序列即残差进行常规AR（p）时序分析。结合滚动预测方法，建立边坡失稳预测的叠合模型，以长江三峡某边坡为例，对该模型进行的检验表明：新模型的预测精度较高、实时可靠。     

某平原区地下水位动态变化的ARIMA模型预测研究

该文简要分析了某平原区气象水文、地形地貌、地质条件、水文地质条件,对其地下水位动态特征进行了研究。该文采用ARIMA模型,将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归,建立模型,根据原序列是否平稳以及回归中所含部分的不同,涉及移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。该文调查分析了该平原区地下水位动态变化特征,以地下水位动态数据进行了模型预测分析。结果表明:该模型对于预测地下水位动态变化特征准确度较高,总体误差小于15%,可用于地下水的动态预测分析。     

水环境非线性时序预测的高精度RBF网络模型

为提高水环境非线性时序预测模型的精度,用自相关技术分析水环境时间序列的延迟特性,确定径向基函数(RBF)网络的输入、输出向量,建立了水环境时间序列预测的高精度RBF网络模型.用32年海洋水温时间序列实测资料来训练和检验网络并用于预测.用该模型对长江流域望江楼站8年总硬度、高锰酸盐指数、五日生化需氧量、氨氮、溶解氧、挥发酚、镉、氯化物、硫酸盐等9种水环境要素时间序列进行预测.实例分析表明,所建模型预测误差均较小,好于门限自回归模型,BP神经网络模型和ELMAN神经网络模型.所建模型不仅精度高,而且收敛速度快.     

基于LSSVM-ARMA模型的基坑变形时间序列预测

如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机（PSO-LSSVM）和自回归移动平均模型（ARMA）的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列--趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。     

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。     

非平稳时序模型在地下水动态预报中的可行性分析

以陕西省宝鸡峡灌区一典型井的水位埋深数据为资料,运用回归分析,傅立叶级数频谱分析及自回归模型分析等方法,建立地下水埋深的非平稳时序模型。采用该模型对该典型井未来水位埋深进行预测,将预测结果与实测数据进行对比。分析该模型的预测精度及其误差来源,阐述其应用于地下水动态预报的可行性,从而对如何提高该模型预测精度提出建议。     

基于多算法参数优化与SVR模型的白水河滑坡位移预测

滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。     

基于深度学习的旧金山湾水质预测

传统的水质预测模型计算复杂，且在大对流情况下会引发误差，对于大数据时代下智能化的水质预测问题并不适用。本文针对旧金山湾地表水质研究区的数据资料，利用数据分析、统计检验、深度学习时序模型等技术方法对该研究区的水质进行研究，根据主成分信息构建了长短时记忆（LSTM）循环神经网络模型，对研究区的5个地表水质采样站点进行了水质预测。结果表明：长短时记忆循环神经网络模型通过门控制循环和记忆单元结构，有效控制传入模型的输入特征，从而降低模型的复杂度；双层长短时记忆循环神经网络模型较单层长短时记忆循环神经网络模型的预测精度平均提高5.3%。利用LSTM模型可以对旧金山湾地表水质进行有效评价。     

深基坑施工时地表沉降预测的时序-投影寻踪回归模型

为了保证施工的正常进行、实现信息化施工,必须对基坑实际监测数据进行分析与预测。现有的趋势时间序列分析方法很难满足实际施工中高度非线性问题的拟合,预测误差较大。基于这点考虑,以天津某工程基坑施工地表沉降观测序列为例,在对原始数据进行分析的基础上,提出既可以考虑趋势时间序列,又具有高度非线性拟合性能的时序-投影寻踪回归模型。首先,通过比较分析几种时间序列方法的逼近误差和预测误差,寻求出一种逼近较好的时间序列预测方法。然后,将预测得到的时间序列和观测数据相结合,采用投影寻踪回归方法拟合。应用结果表明,该模型逼近性能良好,预测误差小,可为深基坑位移沉降的动态预测提供一条较好的途径,对基坑动态设计与信息化施工等方面具有重要的参考价值。     

基于相空间重构和小波分析-粒子群向量机的滑坡地下水位预测

预测滑坡地下水位的动态演变过程对滑坡稳定性分析具有重要意义, 三峡库区库岸滑坡地下水位时间序列受多种因素影响, 呈现出高度非线性非平稳的特征.为对其进行预测, 提出一种基于相空间重构的小波分析-粒子群优化支持向量机(wavelet analysis-support vector machine, 简称WA-PSVM)模型.该模型引入小波变换法对地下水位序列进行时频分解, 将非平稳的地下水位序列转变为多个不同分辨率尺度下的较平稳的地下水位子序列; 然后重构各子序列的相空间, 再利用PSVM(全称support vector machine)模型对地下水位各子序列进行预测, 最后将各子序列预测值相加得到最终预测结果.以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例, 首先分析滑坡前缘地下水位变化的影响因素, 再将WA-PSVM模型应用于地下水位预测, 并与单独PSVM模型和小波分析-BP网络模型(wavelet analysis-back propagation, 简称WA-BP)作对比.结果表明: 滑坡前缘地下水位受降雨和库水位影响较大, 利用WA-PSVM模型对STK-1水文孔地下水位进行预测的均方根误差为0.073m、拟合优度为0.966, WA-PSVM模型预测精度高于单独PSVM模型和WA-BP模型.WA-PSVM模型解决了地下水位序列非线性非平稳的问题, 在不考虑影响因素的情况下能获得满意的预测效果, 具有较高的建模效率和较强的实用性.      

未确知测度BP神经网络模型在黑河流域水质预测中的应用

水质预测是水环境规划、评价和管理的重要依据,对促进水资源可持续利用及生态发展具有重要意义。针对水质预测中各项因子的不确定性,基于未确知测度理论(unascertained measure,UM),采用改变网络初值的方法,对BP神经网络加以改进,并利用黑河流域莺落峡水文站1998~2011年的水质监测资料进行分析和预测。以挥发酚为参考序列,用灰色关联方法分析参考序列与其他因子的关联度,并最终确定BP网络的输入节点为CODmn、DO、SO42-、Cr6+以及挥发酚,输出节点为挥发酚,从而建立UMBP模型。分析结果表明,UM-BP预测模型比标准的BP神经网络模型具有更高的预测精度。因此,该模型应用于黑河流域水质预测是可行的。     

基于R/S分析法的等维灰数递补动态GM(1,1)模型预测矿井涌水量

针对矿井涌水量时间序列的分形与灰色特征,采用重标极差分析法（R/S分析法）确定涌水量时间序列的Hurst指数和平均循环周期,在一个周期内建立等维灰数递补动态GM（1,1）预测模型。充分利用最新信息,提高模型预测精度。运用基于R/S分析法的GM（1,1）模型对陕北某矿矿井涌水量进行分析预测,结果表明,模型拟合程度好,预测精度高,能够为矿井安全生产提供决策依据。      

基于非平稳时间序列分析的滑坡变形预测

滑坡的位移监测资料通常可用来预测滑坡的变形发展趋势,位移的发展反映了滑坡的变形过程.为了预测在现有条件持续情况下的滑坡变形趋势,将滑坡位移监测数据视为非平稳时间序列,应用时间序列分析方法,建立了滑坡变形趋势的预测模型.以三峡库区秭归县白水河滑坡为例,通过对变形预警区监测点位移实测时间序列的分析,取监测点ZG93和XD-04为代表,建立了时间序列预测模型,从第17个月开始向前做6步预测,分析预测曲线与实测曲线之间的关系,并计算预测误差,结果显示除个别数据点之外,预测误差均在±9%以内,曲线吻合较好,说明所建模型效果良好,从而为判断白水河滑坡未来的变形发展趋势提供了可靠的理论依据.     

时间序列分析法在延吉市地下水动态预测的应用

根据延吉市地下水位周期性变化趋势明显的特点,提出了水位预报的时间序列分析模型。同时,通过模型分析可知该区地下水位变化存在两个主要周期年,即地下水位的季节性变化和多年变化规律,预报结果表明：该模型预测效果较好,运行合理,对规律性不强的地下水位动态预报具有一定的实用价值。     

Climate change impacts on extreme floods I: combining imperfect deterministic simulations and non-stationary frequency analysis

Flood quantiles are routinely used in hydrologic engineering to design hydraulic structures, optimize erosion control structure and map the extent of floodplains. As an increasing number of papers are pointing out cycles and trends in hydrologic time series, the use of stationary flood distributions leads to the overestimation or underestimation of the hydrologic risk at a given time. Several authors tried to address this problem by using probability distributions with time-varying parameters. The parameters of these distributions were assumed to follow a linear or quadratic trend in time, which may be valid for the short term but may lead to unrealistic long-term projections. On the other hand, deterministic rainfall-runoff models are able to successfully reproduce trends and cycles in stream flow data but can perform poorly in reproducing daily flows and flood peaks. Rainfall-runoff models typically have a better performance when simulation results are aggregated at a larger time scale (e.g. at a monthly time scale vs. at a daily time scale). The strengths of these two approaches are combined in this paper where the annual maximum of the time-averaged outputs of a hydrologic model are used to modulate the parameters of a non-stationary GEV model of the daily maximum flow. The method was applied to the Kemptville Creek located in Ontario, Canada, using the SWAT (Soil and Water Assessment Tool) model as rainfall-runoff model. The parameters of the non-stationary GEV model are then estimated using Monte Carlo Markov Chain, and the optimal span of the time windows over which the SWAT outputs were averaged was selected using Bayes factors. Results show that using the non-stationary GEV distribution with a location parameter linked to the maximum 9-day average flow provides a much better estimation of flood quantiles than applying a stationary frequency analysis to the simulated peak flows.     

基于变系数回归模型的三峡库区滑坡位移预测

降雨-库水联合作用影响着三峡库区滑坡,而降雨、库水分别对滑坡演化的贡献及作用规律迄今尚不明确.以库区树坪滑坡和八字门滑坡为例,通过分析降雨和库水位资料,采用变系数回归模型,对滑坡位移进行预测.实验结果表明:经过改进的变系数回归模型方法不仅比传统的线性回归模型、自回归积分滑动平均模型、支持向量机模型方法具有更高的预测精度,而且能定量地给出各影响因素对滑坡位移的贡献.      

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术，并借助G—P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取Lyapunov指数，结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟和最大Lyapunov指数，将局域加权一阶多步预测模型应用于地下水位预测。预测表明，此模型可有效应用于地下水位时间序列的多步预测。