基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

基于ARIMA模型的滑坡位移预测

利用斜坡累积变形—时间曲线的建模分析,可以获知当前滑坡的变形发育阶段、预测滑坡未来发展趋势,是滑坡灾害预警预报的基础.滑坡累积位移是关于时间的变量,往往具有非平稳性,通过差分得到平稳的时间序列过程,建立差分自回归移动平均模型(ARIMA模型).以三峡库区某滑坡为研究对象,对累积位移采取等时距差值处理后,建立了适用于该滑坡的ARIMA时间序列模型对滑坡累积位移进行分析预测.通过比较2014年1月至5月该斜坡位移的实测值与预测值,得平均预测误差为3.2%,结果表明,所建立模型能满足预测要求,计算过程容易实现,在滑坡累积位移短期预测中具有一定的适用性.     

尖山营古滑坡复活变形特征及成因分析

为了分析浅埋煤层采动对古滑坡复活的影响,通过调查地表变形迹象,对实时监测数据分析,以及采用数值模拟的方法研究了古滑坡复活变形特征及复活成因.结果表明:古滑坡在煤层开采后,坡体前缘发生局部溜滑,后缘形成了拉张裂缝,且在侧翼形成剪切裂缝,但目前尚未形成贯通的滑带;古滑坡变形阶段分为初始变形阶段—加速变形阶段—减速变形阶段,目前坡体处于减速变形阶段;古滑坡坡体整体在采空区影响范围内,采空区的顶板塌陷和变形使得坡体前缘受到较大的水平推力并产生水平位移,极大降低了古滑坡坡体的稳定性.可见,尖山营古滑坡目前处于减速蠕变阶段,破坏范围较小;古滑坡复活主要受到地形地貌、地层岩性、降雨、煤层开采共同作用影响,但煤层开采是促进古滑坡复活的主控因素.     

阶跃型滑坡的位移预测方法研究——以三峡库区树坪滑坡为例

三峡库区中阶跃型滑坡位移变化强烈,具有明显的周期性陡增特征,位移预测对该类滑坡的防灾减灾工作具有重要意义.以三峡库区树坪滑坡为例,采用时间序列分析方法,将滑坡总位移分解为趋势项和周期项,采用GM(1,1)模型和AR模型分别对滑坡位移的趋势线位移和周期项位移进行拟合与求解,并对总位移进行预测.结果表明:GM(1,1)灰色...     

旅游收入时间序列预测——以秦皇岛市为例

采用时间序列动态模型、求和自回归滑动平均模型、延迟因变量自回归模型预测秦皇岛旅游收入时各有优劣。用平均绝对百分比误差、均方根误差和均方根百分比误差三个指标来评估这三个模型,发现求和自回归模型的预测能力最好,并由此提出增加秦皇岛旅游收入的关键措施：导入区域旅游模式,提升旅游服务质量,加强旅游产品促销等。     

基于误差修正EOS-ELM的滑坡位移预测

提出了一种基于误差修正在线贯序超限学习机集成(EOS-ELM)的滑坡位移预测模型.预测过程中对滑坡位移时间序列进行了趋势项和周期项分解,分别考虑了不同的影响因子对滑坡趋势项位移和周期项位移的影响.利用在线贯序超限学习机(OS-ELM)算法分别对趋势项位移和周期项位移建模预测.采用集成预测的思想提高OS-ELM模型的泛化能力,同时为了进一步提高预测精度,提出了一种在线误差修正预测方法.该方法通过对误差序列进行建模预测,修正最终的预测结果.以三峡库区白水河滑坡为例,实验验证了提出方法的有效性.     

贵州尖山营变形破坏特征及位移预测分析

为了深入研究尖山营不稳定斜坡的变形破坏特征与位移变化特征,通过对历史影像的观测与现场监测数据进行详细分析,结合时间序列分析方法,将地表合位移进行分解为趋势项和周期项,运用MATLAB软件对其位移函数进行分开拟合,将趋势项拟合函数与周期项拟合函数相加得到合位移预测函数。结果表明:通过2016—2020年影像资料对比,尖山营的崩塌堆积体面积的越来越大,变形体的后缘边界正在越来越后进行扩展,越靠北侧的部位垮塌的面积越来越大,裂缝也越来越多,逐渐演化成尖山营不稳定斜坡;尖山营不稳定斜坡目前处于等速蠕变阶段,位移变化受到煤层采动影响较大;合位移预测模型得到的预测数据与实测数据的贴合度达到0.999。可见通过时间序列分析方法得到的预测模型能够很好的预测尖山营不稳定斜坡位移变化。     

基于时间序列分析的纪特邮票发行量预测

在调查了国家邮政局在纪特邮票发行过程中的具体操作和分析了纪特邮票数据本身的特点后 ,采用社会统计学中的时间序列分析法分析了我国近 2 0年来纪特邮票预定量数据 ,提出了 3个纪特邮票预定量的数学模型 ,预测了今后几年纪特邮票预定量数据。通过对数学模型的求解 ,获得一些纪特邮票发行内在规律 ,而这些规律对决策结构在决策过程中有一定的参考作用。     

时间序列分析预测法在气象上的应用

介绍时间序列分析,建立自回归模型并应用在季节降雨量的预报中.     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

腊寨水电站大坝右岸滑坡位移矢量角的时序分析

基于腊寨水电站大坝右岸滑坡位移观测资料,运用分形几何中的时间序列分析方法对滑坡位移矢量角变化规律进行深入研究,发现滑坡位移矢量角的赫斯特指数H与时间相关函数C（t）随着滑坡失稳程度的加剧呈现明显的下降趋势,表明位移矢量角与滑坡稳定状态同步的动态变化过程,进而说明时间序列分析方法用于滑坡动态预报是可行的。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

非线性位移时间序列分析模型的进化识别

引入进化算法的全局优化思想,结合时间序列分析的基本理论,提出了一种新的岩土结构变形非线性动力学演化特征的进化识别算法·设计了能自动确定输入时步长度以及非线性动力学模型结构和参数的分步进化方案,对非线性时间序列分析模型的结构和参数进行全局最优搜索·将该方法用于三峡永久船闸高边坡开挖变形的预测分析,取得了满意的效果,提供了一个有效的岩土工程设计与施工的分析工具·     

基于时间序列分析的动态变形预报

对变形体的变形趋势做出预报,是变形监测的主要任务之一.时间序列分析能顾及各期数据间的统计相关性,通过建模实现变形体的动态变形预报.鉴于AR模型估计参数时有递推公式,且工作量小,故在介绍时间序列模型的基础上,结合变形监测实例,讨论了AR模型的建模过程,并采用AR模型实现了变形的动态预报.     

非线性位移时间序列分析的遗传神经网络方法

岩土结构的位移大都具有非线性动力学演化特征,针对目前所采用的时间序列分析方法中存在的模型选择和参数确定困难问题,用人工神经网络建模来取代传统的分析方法,提出了一种能自动确定输入时步长度和网络模型结构的遗传神经网络方法,而且也解决了神经网络结构选择和“过训练”问题,提高了网络学习的效率和网络预测的能力·该方法可以对位移演化规律进行智能识别,获得全局最优解·     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经网络进行可靠度时序预测的方法 ,分别利用径向基函数 (RBF)网络及自适应模糊神经 (ANFIS)网络对发动机涡轮增压器进行了可靠度的时序预测 .结果表明 ,利用神经网络进行可靠度时序预测是可行的 ,并且ANFIS的预测能力要优于RBF .     

基于混沌时序重构的股票价格预测研究

应用非线性映射迭代模型，采用小波理论来辨识混沌模型中的参数，并通过对混沌时序进行预处理，可得到较好的预测结果。采用小波网络对非线性映射迭代模型中的参数进行辨识，辨识的准确程度较高，采用该模型对上海证券市场600063号股票的开盘和最高价格数据进行了建模和模型参数辨识，并据此做出相关预测，得到了满意的预测结果。     

基于灰色-模糊马尔可夫链模型的滑坡变形预测

滑坡演变表现出力学参数及力学现象具有明显的不确定性和随机性,使得滑坡位移变形分析成为工程技术难题之一．在传统的灰色GM（1,1）模型基础上,对误差修正方面运用模糊数学思维,采用GM（1,1）-Fuzzy—Markov模型对相对误差进行二次预测．在对云阳凉水井滑坡变形监测成果的分析中,上述模型在一定程度上避免了单-GM（1,1）理论无法预测波动性的局限,实现了较好的预测,整体精度进一步得到提高,证明了该模型在滑坡变形预测方面的可行性与适用性,为滑坡变形预测问题的解决提供了有益的思考与探索．