基于灰色时间序列分析的建筑物变形预报研究

提出一种基于灰色时间序列分析的建筑物变形预报方法。对建筑物变形观测数据进行累加,削弱其随机扰动的影响。通过增强建筑物变形观测数据规律性,达到提高时间序列分析预报模型精度的目的。实测数据分析表明,该方法能够有效提高变形预报的精度与可靠性。     

综合运用非线性回归和时间序列分析研究边坡变形

边坡变形的复杂性决定了运用非线性回归模型很难准确解决边坡变形规律。本文将讨论综合运用非线性回归模型和时间序列分析的方法进行变形预报。即运用非线性模型和其他模型的有机结合和综合运用正确分析和解决边坡变形规律,同时利用时间序列分析方法解决边坡周期性变形规律,并通过某实测边坡上一系列监测点监测资料的分析和研究,证明该方法的可行性。     

应用时间序列方法作大坝变形预报

本文首先介绍时序分析的三个基本模型——ARMA模型、AR模型和MA模型,以及各模型的统计性质。然后以某大坝1715廊道的激光视准线观测位移值(已利用倒垂观测把相对位移化为绝对位移)为例,着重叙述大坝变形分析的建模过程,得到了一个AR(2)模型并对大坝变形作了预报,结果具有相当好的预报精度。从而说明,时序分析法将是大坝变形分析的一个有力工具。     

变形监测预报与警报系统的研究与实现

变形监测数据的建模与预报是变形数据处理的一项重要内容。当前的变形监测数据分析与预报多基于某一种监测项目或某一种方法,其科学性、系统性不良,缺乏警报机制。提出一种覆盖面广、科学性较强的变形监测预报与警报系统,并结合观测数据,对某大厦1号变形点的累计变形量进行预测和警报,效果明显。     

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。     

时间序列分析在地铁变形监测中的应用

本文基于平稳时间序列数据的分析处理方法,研究了利用ARMA(p,q)模型进行地铁变形数据处理和预报的方法与步骤,应用统计软件SPSS19.0对实测变形数据进行了处理。结果表明:应用ARMA(p,q)模型分析处理变形数据十分有效、可靠;同时充分利用现有的统计软件SPSS进行建模具有操作简便、计算准确可靠、预测精度高等优点。     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

灰色-时序组合模型在地表变形预测中的应用

通过对某地铁监测点小波去噪后的数据建立灰色预测模型,分析了灰色预测的优缺点,针对灰色预测对波动性数据预测的不足,建立了灰色-时序组合模型。首先,利用灰色模型提取时间序列中的趋势项;然后,用时序模型对残差项进行建模分析,兼顾了数据的趋势性和波动性,弥补了灰色预测的不足,提高了预报精度。     

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。     

基于高斯过程回归的变形智能预测模型及应用

岩体或建构筑物的变形通常具有复杂性和非线性等特性,一般的回归模型难以精确地进行回归预测,应用高斯过程回归理论对变形监测数据呈现出的非线性特征进行时间序列分析。考虑到监测数据的不断更新和累积,以及超参数与样本集的适应性,首先研究了“递进-截尾式”超参数自动更新模式和训练样本集的选择方法;在此基础上构建了以时间作为输入项的高斯过程回归变形智能预测模型（GPR-TIPM）;将该模型应用于矿山边坡监测点非线性时间序列分析中,通过分析变形趋势,最终采用Matérn 32和平方指数协方差函数相加的方式进行核函数组合。实验结果表明,采用组合核函数的预测性能较单一核函数有所改善,该方法提高了模型的泛化能力,GPR-TIPM模型在短期内的预测效果较理想。     

基于时间序列分析的桥梁变形监测预报研究

时间序列分析方法对短期建筑物变形预报具有较高的模型拟合及预报精度.本文从时间序列预测算法原理出发,阐述了使用此方法对所获得的桥梁变形监测数据进行模式识别、模型建立及预报的过程,并利用MATLAB实现了编程代码.通过对某桥梁变形监测预报的应用表明,该方法实用性较强,可以及早为桥梁变形做出预警,以避免或减少灾害的发生..     

非平稳时序分析的B-J建模法在变形预测中的应用

本文简要介绍了时序分析的基本原理,论述了非平稳序列的B-J建模法的步骤,包括数据预处理、模型识别、参数估计及预报等;分别用时序分析B-J法和回归分析法进行了实例建模及预报,并对预报结果进行了分析比较,论证了单纯的时序分析法短记忆预报的特点,讨论了时序分析的优缺点,最后总结了在进行变形预报时必须根据数据的数学特征选择相应的数学模型。     

半参数模型的小波估计及其在变形分析中的应用

本文给出了半参数模型的小波估计方法,它克服了补偿最小二乘法的一些不足,并将该小波估计法应用于变形分析中,其计算结果优于已有的结果,从而说明了该方法能够有效地应用于变形分析的研究中。     

灰色预测在建筑物沉降变形分析中的应用

本文将灰色系统理论的GM(1,1)模型应用于建筑物沉降变形数据分析,结合南宁市民生广场沉降观测实例,进行沉降预测结果的分析和检验,充分证实了在建筑物沉降变形分析中应用灰色预测方法的可行性。     

BP模型在变形监测数据分析和预测中的应用

本文通过对BP网络模型的研究,建立BP神经网络预测模型,并使用VC++语言编程加以实现。将模型应用于东江大坝实测变形监测数据的分析和预测,对时间序列建模和以环境变量为自变量两种方法建模,发现这两种模型都可以很好的实现变形量的预测,且以自变量为因素所建立的模型预测精度更高。     

Dam deformation analysis based on BPNN merging models

Hydropower has made a significant contribution to the economic development of Vietnam, thus it is important to monitor the safety of hydropower dams for the good of the country and the people. In this paper, dam horizontal displacement is analyzed and then forecasted using three methods: the multi-regression model, the seasonal integrated auto-regressive moving average (SARIMA) model and the back-propagation neural network (BPNN) merging models. The monitoring data of the Hoa Binh Dam in Vietnam, including horizontal displacement, time, reservoir water level, and air temperature, are used for the experiments. The results indicate that all of these three methods can approximately describe the trend of dam deformation despite their different forecast accuracies. Hence, their short-term forecasts can provide valuable references for the dam safety.