共查询到20条相似文献,搜索用时 140 毫秒
1.
利用自回归模型(Autoregressive model)并选取1984—2010年枯季来水作为分析样本,对密云水库枯水季来水进行预报,预报精度符合水文预报规范。 相似文献
2.
针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。 相似文献
3.
分别利用分期平稳自回归模型——AR模型(Autoregressive Model)和BP人工神经网络模型(Back Propagation Artifical Neural Network Model)对二滩水电站的日平均流量序列进行了预测.通过计算可知,分期平稳回归模型和人工神经网络模型都可以很好的解决日平均径流的预测问题,误差都比较小.但分期平稳回归模型计算繁琐,不能及时、快速得到计算结果,而人工神经网络模型计算快速,占用内存小,还有很好的容错性,在数据不完全的情况下,也能及时准确地得到径流预报值. 相似文献
4.
5.
应用门限自回归(TAR)模型建立了同时受潮汐和径流双重影响的长江下游感潮河段高桥水文站月水位TAR预测模型,建模过程中运用遗传算法来实现模型参数的优化.计算结果显示,门限自回归模型可以拟合感潮河段的非线性特性,拟合及预测精度均满足水文预报规范要求,遗传算法的引入简化了建模过程,提高了模型的预测精度并保证了其预测性能的稳定性.研究结果表明用遗传门限自回归模型预测感潮河段的水位是可行的,该模型在感潮河段其他水文要素的非线性时序预测中也具有广泛的实用价值. 相似文献
6.
针对基于统计的大坝安全监测预报模型中,多效应量间和多影响因子间都存在互相关性,且效应量与影响因子又呈现出复杂的非线性动力系统特征,从而导致预报模型可信度降低的问题,提出了优化方案,首先对多效应量和影响因子采用基于主成分提取的关联分析,实现去相关和空间降维,并按关联性次序将变换后的正交基作为模型输入因子,建立改进的BP神经网络回归,利用人工粒子群算法搜索网络的最优参数,从而获得预报模型。经与逐步回归、简单BP神经网络回归比较验证,实例表明本预报模型具有收敛快、鲁棒性强和预报精度较优等特点,兼有大坝性态分析评估辅助意义,具有一定的工程实用性。 相似文献
7.
8.
9.
10.
11.
大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。 相似文献
12.
针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。 相似文献
13.
位移监控模型需要对拱坝变形性态兼具良好的解释和预测能力。水压-滞后-周期性温度-时效四因子HHST(Hydraulic,Hysteretic,Seasonal and Time)模型能够合理地解释锦屏一级拱坝的黏弹性滞后变形性态。为进一步提升该模型的预测精度,使用支持向量机(SVM)建立有限元计算所得拱坝黏弹性滞后位移与其因果因子之间的隐式关系,再将其融入到HHST模型中,进而基于多元线性回归建立拱坝位移的组合监控模型。以锦屏一级拱坝为例,减少输入因子数的组合模型的预测精度明显高于直接以HHST模型中18个因子作为输入的单一模型;SVM对滞后水压位移分量的预测精度明显高于基于约束最小二乘法的线性回归模型,采用2种滞后水压分量所建组合模型对拱坝变形性态具有相近的解释能力,而采用SVM滞后水压分量建立的组合模型可有效地提高拱坝位移的预测精度,多测点均方误差(MSE)平均降低21.67%,决定系数R2整体提高0.07%。 相似文献
14.
15.
为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析( PCA) 和径向基( RBF) 神经网络的混凝土坝位移趋势性预测模型( PCA - RBF) 。首先,利用主成分分析,将混凝土坝多测点 的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分 量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预 测。最后,将本法应用于某混凝土坝,结果表明,PCA - RBF 模型的均方根误差( RMSE) ,平均绝对 误差( MAE) 和平均绝对百分比误差( MAPE) 分别为 2. 037 8 mm,1. 698 6 mm 和 3. 32% ,显著低于传 统的多元回归统计模型、径向基神经网络模型( RBF) 和利用经主成分分析进行因子处理的 BP 神经网 络模型( PCA - BP) ,说明 PCA - RBF 模型有着良好的预测精度。 相似文献
16.
17.
18.
为提高白水河滑坡位移预测精度,提出一种新的预测模型,即基于自适应噪声完全集合经验模态分解(CEEMDAN)-蝙蝠算法(BA)-支持向量回归机(SVR)-自适应提升算法(Adaboost)的模型。以该滑坡为研究对象,利用CEEMDAN将滑坡位移分解为趋势项以及由IMF分项构成的波动项。首先采用BP神经网络对趋势项位移进行预测,随后利用CEEMDAN-BA-SVR-Adaboost模型对波动项进行预测,并将预测结果与CEEMDAN-PSO-SVR-Adaboost、CEEMDAN-BA-BP-Adaboost、CEEMADAN-BA-SVR、BA-SVR-Adaboost模型预测结果进行对比分析,验证本模型在位移预测方面的优越性。此外,利用CEEMDAN-BA-SVR-Adaboost模型对ZG118波动项位移进行预测,同时计算ZG93监测点最终累计预测位移。结果表明,对白水河滑坡位移进行预测时,CEEMDAN-BA-SVR-Adaboost模型具有较高的准确性和适用性。 相似文献
19.
陈吉江 《水利水运工程学报》2014,(2):95-99
针对一些水库水质监测数据序列不仅具有平稳性、周期性,而且具有显著的多尺度性的特点,在单一自回归模型的基础上,利用多尺度小波分析的原理与方法对水质数据序列作预处理,进行分解与重构,并对重构的不同尺度下的数据子序列分别建立高、低频自回归预测模型,最后叠加各尺度下的预测结果。将该方法应用于梁辉水库4种水质指标的预测研究,结果表明与单一自回归模型相比,预测精度有明显提高。 相似文献
20.
建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。 相似文献