融合空间自相关的空间数据预测模型

空间数据具有空间自相关的特性,使多元线性回归模型不适合于空间数据预测;空间自相关模型由于考虑了空间信息,可以用于空间预测,但时间耗费较大。为此,在研究多元线性回归模型的基础上,把空间信息加入到输入变量中,再把新的输入变量输入到多元线性回归模型估计模型参数,最后进行空间数据预测。实验结果表明,该方法能取得与空间自相关模型几乎相同的预测效果,且计算代价更小。     

我国省域人口增长与经济发展的空间分析

研究发现人口增长与经济发展存在着相关关系.本文分别利用普通线性回归模型、空间滞后回归模型、空间误差自回归模型以及空间半参数模型研究了我国2011年30个省区(除海南省)的经济发展和人口增长的关系.结果表明,省域人口增长不仅与本地区经济发展水平相关,还受到周边地区人口增长情况的影响.     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

不等时距灰色模型的边坡位移预测及软件化

针对灰色理论传统的等时距GM(1,1)模型存在不能应用于工程实际中常常存在的非等时距的监测时序问题,建立了不等时距的灰色GM(1,1)边坡位移预测模型。鉴于模型建立及应用中的计算比较烦琐,将模型编制成应用软件,支持输入少量历史监测数据预测指定时间的边坡位移。通过实例利用应用软件对边坡位移进行了预测,实际证明其拟合精度较好,预测结果正确可靠,能够反映边坡位移的客观存在与发展态势,且提高了效率,便于实际工程应用。     

空间线性组合模拟模型及其实证

空间分布的模拟精度与采用的模型密切相关.针对具有空间自相关时空数据的空间分布模拟问题,将时空数据看成为时间序列数据与横截面数据的组合,分别建立横截面数据一阶空间自回归[SAR(1)]模拟模型和克立格(Kriging)方法模拟模型,时间序列数据的遗传神经网络(GABP)模拟模型,在这些模型研究的基础上建立空间线性组合模拟(SLCS)模型.应用这些模型对2002年福建部分县市人均GDP水平空间变异进行实证模拟研究,结果表明空间线性组合模型模拟效果较好.     

基于预测控制模型的一种状态空间实现

以受控自回归滑动平均模型和受控自回归积分滑动平均模型为研究对象，根据估计理论，利用参数递推方法，构造了广义预测控制的一种状态空间实现，从而避免了解Diophantine方程，大大地减少了预估算法的计算量，为控制系统的性能分析提供了便利条件，文末，对状态空间实现的可控与可观性加以了证明。     

考虑外生变量的基于分数差分的石油价格部分线性自回归预测模型

利用分数差分和部分线性自回归模型对WTI现货价格序列进行了建模和预测研究.首先通过分数差分消除了WTI现货价格序列中的长记忆性,得到一条短记忆序列.然后,利用部分线性自回归模型对其进行建模,其中,参数部分考虑石油价格,非参数部分考虑外生变量,即世界供应量,并进行了实证研究.研究结果表明:基于分数差分的部分线性自回归模型能较好地解决石油价格预测这一问题,而引入外生变量后,进一步增强了模型的解释能力,弥补了模型对外界影响因素忽略的缺陷,预测精度较高.     

无偏灰色预测模型在边坡变形预测中的应用

根据边坡位移监测信息,应用灰色系统预测模型,可以对边坡变形的发展进行预测.采用传统灰色预测模型和无偏灰色预测模型对边坡变形进行预测,预测结果表明,两种模型都是有效的,无偏灰色预测模型的精度更高.     

油田产量预报的一种方法

本文提出一种含延迟的自回归模型。这种模型将传统的自回归模型作为其一种特殊情况,以期扩大最佳预报模型的选择范围,从而提高预报的精度。作者利用这种模型对某油田产油量数据进行了预报,并与自回归模型的预报结果作了比较,说明了本文方法的良好效果。     

人口增长率的非参数自回归预测模型

针对传统的人口增长预测模型不能理想地捕获我国人口增长率数据的非线性性特征，本文基于局部线性非参数估计理论，对我国建国以来的年人口增长率建立了非参数自回归NAB．（1）模型，并对2000年-2003年的年人口增长率进行了预测，计算结果表明，相对于参数自回归模型而言，非参数自回归模型能够很好地解决人口增长预测这一非线性问题，预测精度较高．     

基于三维激光扫描技术的边坡表面变形监测

为克服传统边坡监测方法中监测点数少的弊端,基于三维激光扫描技术展开的张承高速某边坡表面位移监测,建立了点与面结合的监测系统;同时利用扫描点云生成的网格及等高线,可获取整个边坡的三维模型及位移云图,进而进行整体位移场的动态分析和特征点的重点监测。试验结果表明,三维激光扫描技术应用于大规模边坡位移长期、高精度监测,突破了传统方法中点对点监测的限制。相比于传统边坡监测方法,三维激光扫描技术具有大范围、高精度、高效率和高速等特点,可以获取三维空间内边坡的详细信息,尤其对区域性预警拥有独特的优势。     

基于最大Lyapunov指数的高边坡安全监控优化模型

高边坡受爆破、地震等强外界作用时,位移监测值会出现明显跳跃.有效辨识测值突变位置,消除或削弱位移突变对测值序列整体数值特征的影响,是提高高边坡位移监控模型拟合和预测精度的关键问题之一.基于高边坡系统演化过程中的非线性动力学特性,组合应用相空间重构、最大Lyapunov指数、云模型等数值分析手段,研究了高边坡位移突变辨识等的实现方法,在对高边坡位移与影响因素相关分析的基础上,探讨了考虑动力学结构突变影响的位移预测模型构建原理与算法.该模型重点依据的是最近一次位移突变后的监测资料,考虑的是突变后形成的相对稳定的高边坡动力系统特性,因而可以有效提高监控模型的拟合和预测精度.     

摄影测量与图像识别在滑坡位移监测中的应用

获取地表的变形位移信息对于滑坡灾害监测预警具有重要意义。本文基于摄影测量和图像识别技术提出了一种滑坡表面三维位移辨识方法,通过建立室内滑坡模型,模拟滑带渗水软化与堆载共同作用下滑坡的形成,利用MATLAB软件作为处理平台对获取到的坡体表面图像数据进行三维位移识别,并与全站仪的测量结果作了精度对比验证。试验结果表明,在滑带渗水和堆载的双重作用下,滑坡经历了缓慢蠕滑、上部压缩、整体滑移直至破坏的孕育演化过程,提出的三维位移辨识方法对于滑坡模型在各个变形阶段的三维位移变化均具有较高灵敏度,可识别毫米级的微小位移。利用本文提出的三维位移辨识方法不仅可以精准识别滑坡不同变形阶段的表面三维位移,还可以根据标识点的空间位移结果确定滑坡表面变形位移方向,分析滑坡的变形破坏情况。     

边坡变形的GPS-ANN综合分析方法

基于边坡变形破坏的演化规律,通过对GPS变形监测数据的分析,评价了边坡的稳定现状;构建了基于GPS监测数据的位移-时间神经网络识别模型,并对未来某段时间内边坡的变形趋势进行预测;利用Matlab神经网络工具箱,实现了基于GPS监测的神经网络位移预测模型;通过实例研究,对基于GPS监测数据的边坡变形ANN预测结果进行了分析。     

基于时序分析的边坡变形预报与变形行为特征

把数理统计软件Eviews引入岩土工程领域,对东明矿J2边坡监测点高程监测数据分别建立双对数模型、指数模型、线性模型、三阶多项式模型进行回归分析,找出物理量随时间变化的规律,然后通过相关统计学及力学假设,依托现有实测工程数据,建立时序模型并优化之,将经典ARMA模型推广到ARIMA模型,提高了拟合和预测精度;依据所建模型给出位移预报曲线,并探讨了边坡变形行为特征,对揭示边坡系统变形规律,选取最优防护体系具有指导意义,为工程数据分析和数值模拟提供了新思路.     

溪洛渡白铁坝堆积区深部变形监测可视化分析

针对金沙江溪洛渡水电站左岸谷肩堆积体自铁坝堆积区削坡范围I至V区,进行深部变形监测资料的三维可视化分析．依据工程地质资料建立堆积体监测区域的三维地质模型,进而基于三维地质模型对测斜孔位置进行虚拟钻孔取样,进行虚拟取样岩芯与测斜孔孔深变形曲线综合分析,揭示堆积体的滑移错动带位置及分布规律．绘制监测物理量数据场三维云图,分析深部变形监测数据场的空间分布特征,研究堆积体的变形破坏模式．结果表明：白铁坝堆积区深部水平位移主要表现为向河谷中心和下游方向,垂直位移主要表现为下沉,该区域由二次削坡开挖区向上部表现出牵引式滑动变形,从变形速率来看,变形较削坡初期有明显减缓趋势,但尚未收敛,需加强监测以保证左岸谷肩堆积体的稳定和电站进水口的安全．     

山区高速公路高边坡变形监测模型

结合高速公路实际边坡变形监测工作的情况,采用经典灰度模型和分形理论,改进了变维分形模型,对边坡沉降变形进行模拟预测,以得到预测精度更高的预测模型。研究结果表明,在本项目中,改进的变维分形的预测精度最高,灰度模型次之,常维分形预测最差。     

卡尔曼滤波在大型深凹露天矿边坡变形监测预测中的应用

为了剔除GPS边坡位移监测过程中的噪声干扰,提高监测数据的有效性,特引入随机线性卡尔曼滤波离散数学模型.以水厂铁矿GPS边坡监测数据为依据,利用该数学模型可以计算出各监测点每期变形量的滤波值和位移速度,并对各监测点下一期的变形量进行估算和预测.经实例验证,卡尔曼滤波变形量与实际变形量有较好的一致性.     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

基于多元回归模型的GB-SAR监测误差改正及形变分析

针对基于地基合成孔径雷达(GB-SAR)露天矿边坡监测原始影像干涉相位误差改正不准确导致形变数据精度偏低的关键问题,以马兰庄露天铁矿GB-SAR原始影像为数据源,对原始影像干涉相位误差来源和分布特征进行了分析.提出了利用三重阈值提取PS点和高质量PS点的方法,并基于高质量PS点相位与像元坐标建立了多元回归模型.依据该模型对PS点进行相位改正以获取准确形变相位和单幅影像形变量,并在时间序列上进行叠加分析.研究结果表明,基于多元回归模型的GB-SAR形变监测误差改正方法可以准确改正GB-SAR形变监测误差,提高了形变监测数据的精度.