基于分形插值的ARIMA大坝预警模型

针对ARIMA模型对含有缺失值的时间序列进行拟合预测会产生较大的误差,将分形插值与ARIMA模型相结合运用在大坝安全监测中.首先利用分形插值能通过分形物体的部分信息得出其整体形态的特点,对原始数据进行插值计算,然后建立ARIMA时间序列模型并进行预测.以小湾坝顶某监测点径向位移为例,建立基于分形插值的ARIMA模型,并与实测值比较.计算结果表明,插值后的ARIMA模型较原始模型的拟合和预测精度更高.     

基于统计模型与混沌理论的大坝安全监测混合预测模型

为解决传统统计模型在大坝安全监测领域应用中由于缺少对残差的分析而存在拟合精度高但预测效果欠佳的问题，在传统统计模型中增加残差预测项，并应用混沌理论对残差预测项的计算方法进行探讨，从而提出了一种新的混合预测模型，同时结合实测数据对此模型进行了检验。结果表明，新模型可提高预测精度并具有一定的实用性。     

基于人工智能的动态马尔科夫模型预测空气质量指数

采用人工智能算法对北京市空气质量指数199个数据序列进行拟合得到拟合值序列和预测值,结合数据的动态变化特点,再与马尔科夫链结合进行动态预测,预测精度优于基于灰色理论的GM(1,1)模型和基于BP算法的神经网络模型。     

基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

基于BP神经网络优化的灰色线性回归组合模型应用分析

在分析灰色线性回归组合预测模型基本原理的基础上,利用MATLAB强大的计算功能,实现组合预测模型算法。通过实例分析发现拟合结果对实测值出现一定的波动性,故通过建立实测值与模拟值之间的比值序列,再利用BP神经网络模型对该比值序列进行建模优化,以进一步优化组合模型的预测精度。最后实例证明了该优化模型具有较高的拟合和预测精度,是一种可行、有效的优型变形数据分析模型。     

水利工程中混凝土坝变形模型研究

混凝土坝的变形状况是评价大坝工作性态的一个重要指标。影响混凝土坝变形的因素很多,尤其是对趋势性变形（时效位移）的影响。具有一定的灰色度;另外,大坝变形的残差序列仍包含有用信息。针对上述问题,综合应用灰色系统理论、逐步回归分析理论及时间序列分析理论等,提出灰色回归-时序模型。结合工程实例计算,与其它模型对比分析,拟合精度和预报精度较高。     

一种基于灰色模型和机理模型集成的质量预测模型及其应用

针对长流程工业过程中产品质量难以实时检测且不易实现优化控制的难题,通过对生产数据特性和质量预测要求的分析,提出了一种基于GM(1,1)灰色模型和机理模型集成的质量预测模型.首先根据过程机理知识建立了粗糙质量预测模型;然后运用灰色预测中的残差辨识理论,用机理预测模型的残差时间序列建立残差GM(1,1)模型,其预测结果补偿机理模型的预测值.验证结果表明,该质量预测模型能获得较理想的质量预测精度,其应用可使产品质量得到显著的提高.     

基于改进无偏灰色模型的燃气供气量的预测

为有效配置资源及保障城市安全,利用改进无偏灰色模型计算城市燃气供气量。建立无偏灰色预测模型,用3点平滑法及等维新息对数据序列进行处理,得到改进无偏灰色预测模型。根据城市供气量的统计数据,分别由无偏灰色预测模型及改进无偏灰色模型进行拟合预测,并将所得供气量与实际供气量进行比较。计算结果表明:无偏灰色模型所得预测曲线为单调递减函数,随着预测时间增加预测值和实际供气量偏差较大;改进无偏灰色模型能够改变无偏灰色模型的单调性,预测值和实际供气量比较接近,可用于中长期预测。无偏灰色模型和改进无偏灰色模型预测所得燃气供气量的相对误差均值分别为7.32%和5.76%。     

大坝变形监测的BP网络模型与预报研究

建立有效实用的大坝安全监测模型,对于馆控大坝运行意义重大。针对目前国内外常用统计模型、确定性模型等的不足,提出将基于误差逆传播算法的BP神经网络模型用于大坝变形监测数据的拟合分析及其预测预报研究,最后以福建水口混凝土重力坝变形监测为例,对坝顶垂直位移实测值建立了BP网络模型,并将模型用于坝顶垂直位移预报,结果表明,BP网络模型的拟合和预报精度明显优于相应的统计模型。     

大坝监测数据的灰色系统动态检验模型

通过对大坝安全监测数据粗差产生原因的分析，提出了一种基于灰色系统理论的监测数据伪位检验方法和检验模型，它无需长序列样本，并可随着环境量的变化调整模型参数。该方法计算量小，速度快，对于监测点较多的自动化系统非常适用。     

基于GM（1．1）模型的尾矿坝变形趋势预测

尾矿坝变形趋势预测是矿山尾矿库安全技术管理的重要内容．为了实现对尾矿坝变形趋势的预测，在深入分析尾矿坝变形机理并充分认识尾矿库工程系统及坝体变形数据特性的基础上，采用灰色GM（1．1）模型对尾矿坝的变形进行预测，并结合某金矿尾矿坝变形监测实际数据进行预测．结果表明，模型精度满足要求，灰色GM（1．1）模型用于尾矿坝变形趋势预测具有很好的适用性．     

堆石坝变形监测的灰色非线性时序组合模型

结合堆石坝变形的特点,应用逐步回归方法提取大坝变形观测数据系列的水压和温度分量后,用灰色非线性系统模型模拟剩余数据系列的趋势项,用时间序列模型模拟剩余数据系列的随机项,由此建立了堆石坝变形监测的灰色非线性时序组合模型。计算分析表明新模型提高了拟合精度,使堆石坝变形监测的数学模型更趋于合理。     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。     

大坝安全监控中的不确定性信息初探

首先根据大坝安全监控研究对象不确定性的性质，将不确定性信息分为随机信息、模糊信息、灰信息、未确知信息以及盲信息等，并概述了这几种不确定性信息的表现形式及其处理方法；然后针对大坝安全监控信息采集和处理的特点，简述了不确定性信息在大坝安全监控中的具体表现形式；最后探索了不确定性信息在大坝安全监控领域中的应用前景，并提供了一种采用不确定性信息处理方法对大坝安全进行分析和评价的新的思路。     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...     

信息扩散方法在大坝监测效应量预测中的应用

在大坝安全监测中,为了解决小样本导致的效应量预测误差较大的问题,在考虑增加样本信息的基础上,建立基于二维正态信息扩散离散回归的效应量预测方法。利用模糊推理和信息集中的基本理论,结合灰色关联度法,对大坝安全监测效应量进行分析和预测,应用综合有效度指标评价该预测方法的效果。结果表明,基于信息扩散的预测方法避免了多种不确定因素影响下小样本预测的困难,提高了拟合和预测精度。     

基于组合预测模型的飞机刹车系统性能趋势预测分析

为了对飞机刹车系统进行性能趋势预测分析,提出一种灰色关联分析确定权重的组合预测方法。首先,利用BP神经网络(back propagation network,BP)对刹车片的累积磨损量进行预测,得到网络输出序列与向后预测序列。对于灰色预测(grey model,GM)模型利用粒子群(particle swarm optimization,PSO)对其优化;用粒子群优化灰色模型(particle swarm optimization-grey model,PSO-GM)进行预测得到拟合序列与向后预测序列。在此基础上对BP网络输出序列、PSO-GM(1,1)拟合序列与原始数据序列进行灰色关联分析,确定组合加权的权重。最后对各预测模型的向后预测序列用灰色关联分析法得到的权重进行组合加权,得到最终的刹车片累积磨损量趋势预测值。仿真结果表明,采用灰色关联分析确定权重的组合预测方法具有比单预测模型更好的趋势预测效果,具有对刹车系统性能趋势预测分析很好的实际应用价值。