灰色预测和时序预测的探讨

本文讨论了灰色模型,特别是GM(1,1)模型的特点和适用范围,并将GM(1,1)模型和时序AR(n)模型结合起来(称为组合模型),对我国轻工业产量发展指数等三个项目分别进行了组合模型预测。结果表明,在一般GM模型中引入AR模型可显著提高预测的准确度;在非平稳时序建模中引入GM模型,可作为提取趋势项的另一种方法。文中还从预测的角度将灰色模型和时序模型进行了比较和分析,对“灰”的物理概念进行了初步探讨。     

灰色系统与时序组合模型在高层建筑沉降预测中的应用

将高层建筑沉降监测数据视为具有确定性趋势的非平稳时间序列，运用灰色GM(1，1)模型提取其中的趋势项，用AR(n)模型表示随机残差项，利用灰色-时序组合模型进行沉降预测．算例结果表明，该组合模型具有较高的预测精度，是一种简单、实用的高层建筑沉降预测方法．     

灰色模型GM(1,1)的稳健算法及其应用

将最小一乘法应用于微分方程变量参数求解,建立稳健灰色模型RGM(1,1),并将其应用于建筑物沉降预报和比较.研究和实际应用表明：稳健灰色模型RGM(1,1)比常规灰色模型GM(1,1)具有更好的抗干扰性能和受异常点影响小的优点,根据少量的观测数据建立的RGM(1,1)模型有更好的预报应用价值.     

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。     

基于时间序列分析的滑坡位移预测-以尖山营古滑坡复活为例

为了深入研究滑坡位移的特点,以尖山营古滑坡复活为例,基于时间序列加法模型,结合尖山营古滑坡的复活背景,将古滑坡位移分解为趋势项与周期项。对趋势项位移使用等维新息灰色（1,1）（GM（1,1））模型进行分析,并提取周期项位移,建立一阶自回归（A R）模型对周期项进行预测。将两者预测结果相加,即可得到古滑坡预测总位移。结果表明：预测与实测值误差较小,模型精度较高,能够较好的描述尖山营古滑坡的位移特征,可用于古滑坡后续的监测预报预警中,具有一定的理论研究与工程价值。     

非线性随机系统具有遗忘因子的递推最小二乘法

针对NARMAX模型,结合线性滤波、谱分解定理及成型滤波器原理构成非线性随机系统模型,并将参数模型转化为脉冲响应非参数模型.依据Hankel矩阵法,在参数估计准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广最小二乘递推算法,提出一种具有遗忘因子的非线性参数估计的递推最小二乘法.该算法收敛速度快,且能克服病态,适用于时变参数情形.将其应用于一种非线性自适应预测控制算法仿真中,验证了算法的有效性.     

非线性灰色-时序组合模型在隧道变形监测中的应用研究

隧道变形监测时由于受外界因素或系统因素的干扰,所获得的观测数据往往会含有误差或粗差,必须在建模之前对观测数据进行预处理。选用格拉布斯准则对观测数据进行粗差检验,可以有效地避免粗差对模型预测精度的干扰进而提高模型的预测精度,且将灰色时序组合模型用于隧道变形监测分析预报中,并与单一的GM(1,1)模型和时间序列模型的预测精度作对比,结果表明:组合模型在隧道变形预测分析预报中有较高的精度。     

基于灰色理论的基坑变形预测预报系统研究

基坑工程是部分信息已知、部分信息未知的灰色系统,利用其具有的灰色特征,建立基于灰色模型的GM(1,1)的基坑变形预测预报系统,并采用Fortran语言编程对其建模过程、模型预测精度检验及模型修正进行全过程实现.工程应用表明,建立的基坑变形预测预报系统具有较好的适用性和较高的精度,对指导基坑信息化施工具有一定的指导作用.     

基于灰色马尔可夫链的农民平均收入实证研究

将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对农村居民人均纯收入进行实证研究.针对灰色数据系列首先用GM(1,1)模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,得到马尔可夫链预测精度明显高于GM(1,1)模型预测.     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

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。     

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。     

网架结构变形的灰色预测

对网架结构特征点进行等时刻观测,利用灰色理论建立网架结构变形的预测模型,对网架结构的变形发展趋势进行预测分析,将预测结果与实际观测结果进行比对,确定灰色理论预测模型适用于网架结构的变形观测。在预测的精度分析中,采用残差检验的方法,通过对预测变形数据的绝对误差和相对误差进行系统分析,认为灰色理论的预测模型对网架结构的变形发展趋势具有较可靠的预见作用。     

动态灰色预测模型在大坝变形监测及预报中的应用研究

详细地讨论了灰色预测模型GM（1，1）和动态灰色预测模型的基本内容及建模过程，并成功地将等维新息和等维灰数递补两种动态灰色预测模型应用于大坝变形的预测预报。实践证明，等维新息动态预测由于实时地加入了新的信息，提高了灰区间的白色度，预测效果最好；等维灰数递补动态预测利用了序列建模的结果，淡化了灰平面的灰度，使预测结果有所改善；GM（1，1）模型由于是静态地反映系统的变化趋势，预测的精度最低。因此，动态灰色预测模型在大坝变形的预测预报中比静态预测模型具有更高的应用价值。     

时间序列在路面平整度预测中的应用

为了解决国际平整度指数IRI预测模型准确性不高的问题,以京沪高速公路实测IRI数据为基础,对log istic回归、多元回归、时间序列这3种建模方法分别进行分析.并根据京沪高速公路平整度实测数据,建立了几个有不同数量滞后值的时间序列路面平整度预测模型,根据与实测值的比较,找出最优的时间序列路面平整度预测模型.分析结果表明:利用传统的log istic回归和多元回归方法难以建立准确预测路面平整度发展趋势的模型;时间序列方法具有较高的预测精度,且其易修正性是其他预测方法所不具备的.     

Dynamic prediction of building subsidence deformation with data-based mechanistic self-memory model

This paper describes a building subsidence deformation prediction model with the self-memorization principle.According to the non-linear specificity and monotonic growth characteristics of the time series of building subsidence deformation,a data-based mechanistic self-memory model considering randomness and dynamic features of building subsidence deformation is established based on the dynamic data retrieved method and the self-memorization equation.This model first deduces the differential equation of the building subsidence deformation system using the dynamic retrieved method,which treats the monitored time series data as particular solutions of the nonlinear dynamic system.Then,the differential equation is evolved into a difference-integral equation by the self-memory function to establish the self-memory model of dynamic system for predicting nonlinear building subsidence deformation.As the memory coefficients of the proposed model are calculated with historical data,which contain useful information for the prediction and overcome the shortcomings of the average prediction,the model can predict extreme values of a system and provide higher fitting precision and prediction accuracy than deterministic or random statistical prediction methods.The model was applied to subsidence deformation prediction of a building in Xi’an.It was shown that the model is valid and feasible in predicting building subsidence deformation with good accuracy.     

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。提出了一种长短期记忆(LSTM, long short-term memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR, interferometric synthetic aperture radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR, multi-temporal interferometric synthetic aperture radar)技术对2018—2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测,然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型,最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明,瀑布沟水电站最大沉降速率达到-34 mm/a, LSTM预测模型训练和测试过程中点尺度的均方根误差(root mean squared error, RMSE)和绝对误差平均值(mean absolute error, MAE)最小值分别为2.343 mm和2.010 mm,...     

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.     

时间序列方法在观测资料分析中的应用

利用时间序列方法,分析了除确定性部分后的残差序列,提取其中有规律成分作为预报时的补偿项,形成叠合模型,进行建筑物观测资料的分析,实例表明,该方法提高了预报精度,证明了叠合模型方法的适用性。