共查询到20条相似文献,搜索用时 156 毫秒
1.
2.
应用时间序列方法作大坝变形预报 总被引:1,自引:0,他引:1
徐培亮 《武汉大学学报(信息科学版)》1988,(3)
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。 相似文献
3.
4.
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。 相似文献
5.
6.
为了科学、准确、及时地对地铁隧道结构进行监测分析,该文将重标极差分析法引入到地铁的变形监测中,并以南京地铁为例,对长时期垂直位移时序进行了R/S分析,研究地铁沉降监测点的变化趋势,并将R/S分析的预测结果与实际监测数据进行了对比,预测结果与实测数据具有一致性。结果表明:描述和刻画复杂非线性时序的R/S分析方法,能有效地对地铁变形时间序列数据进行预测分析。地铁变形时间序列数据的Hurst指数,不仅在时间上反映不同变形的趋势性及其强度,而且在空间上反映地铁不同部位的变形趋势特征。R/S分析方法适合变形监测项目的预报分析,在变形监测中具有一定的应用前景。 相似文献
7.
为了分析异常值对钟差预报模型的影响程度,首先,通过对钟差数据进行绘图分析来识别钟差数据中的异常值;其次,利用中位数法(MAD)和一种基于中位数的小波阈值法钟差数据预处理策略(WMAD)分别对钟差数据中的异常值进行处理;最后,利用处理前、后的钟差数据建模预报钟差,并分析各模型预报的效果。结果表明:较小的异常值对二次多项式和灰色模型2种模型预报的效果影响不大,但会影响时间序列、卡尔曼滤波及小波神经网络3种模型的预报精度。 相似文献
8.
基于遥感的植被长时序趋势特征研究进展及评价 总被引:16,自引:0,他引:16
基于遥感的植被长时序变化特征是植被生态学研究的核心领域, 也是全球变化研究的重点方向。AVHRR、SPOT VGT和MODIS是当前研究植被长时序趋势变化的主要数据源。海量数据不断积累的同时, 植被长时序趋势特征研究方法却缺乏对比评价和分析。当前常用的方法有代数运算法、傅里叶变换、主成分分析、小波变换法、回归分析法和相关系数分析法等。在对各种方法评述和分析的基础上, 重点讨论和对比了主流方法中的回归分析法和相关系数分析与新兴方法Sen+Mann-Kendall法。结果表明, Sen+Mann-Kendall能克服主流方法的不足, 不需要数据服从某一特定分布, 并且对数据的误差具有较强的抵抗能力。 相似文献
9.
10.
基于RNN的空气污染时空预报模型研究 总被引:2,自引:0,他引:2
针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。 相似文献
11.
12.
混合GM(1,1)模型预报季节性时间序列精度的方法探讨 总被引:3,自引:0,他引:3
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。 相似文献
13.
14.
为确保地铁施工安全进行变形监测是非常重要的手段,而变形监测的最终目的是预测,即对观测物的未来形态进行预报和分析。时间序列的原理是找出事物随时间变化的规律,从而对数据变化趋势做出正确的分析和预报。本文通过对时间序列的研究对长春地铁繁荣路站的变形监测数据进行了分析和预报。 相似文献
15.
16.
基于灰色模型的诸多优点,作者选用GM(1,1)模型分析和预报形变监测序列。然而直接应用GM(1,1)灰色模型分析和预报具有季节性的监测序列时往往精度不高。因此,作者提出运用基于季节指数的“去季节波动”法与GM(1,1)混合建模,对监测资料进行分析与预报。基于均方差和平均绝对误差两个精度准则,作者对此方法与周期函数拟合模型进行了比较。结果表明,此方法提高了具有季节性波动监测序列的预报精度,且建模方法简便、快捷。 相似文献
17.
时间序列分析在变形监测数据处理中的应用 总被引:6,自引:0,他引:6
从时间序列分析的基本原理及方法出发,详细论述了如何使用这种方法对变形监测数据进行识模、建模、与预报.并通过实例计算验证了此种方法具有较高的拟合和预报精度,较好地描述了变形监测点的变化规律. 相似文献
18.
基于ARIMA模型的边坡变形分析与预测 总被引:1,自引:0,他引:1
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。 相似文献
19.
采用时间序列分析方法,对长春市地铁一号线——繁荣路站基坑变形监测点连续28期的数据进行分析处理,建立自回归模型,并对后4期数据进行预报,其一步拟合中误差为σ=±0.2 mm,具有较高精度。通过对数据的分析,论证了时间序列分析方法在地铁沉降监测中的可行性与有效性。 相似文献
20.
以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。 相似文献