基于HP-EMD和ARMA的短期风速预测

针对风速为非线性非平稳序列的特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)和自回归滑动平均模型(auto-regressive moving average model,ARMA)的预测方法。EMD在对风速序列进行分解时,可能存在模态混叠现象,会影响风速预测精度,为此,提出一种加入高频谐波来抑制模态混叠的方法。首先对风速序列加入高频谐波进行EMD分解,获得比原始序列较平稳的子序列,即固有模态函数(intrinsic mode function,IMF),然后利用ARMA模型对子序列进行建模预测分析,最后将子序列的预测结果相加得到风速的预测值。和EMD-ARMA及直接利用ARMA模型进行预测的结果相比,本文所提的方法预测精度更高。     

基于SVM的混沌时间序列预测模型应用研究

混沌时间序列预测是混沌理论的一个重要应用领域和研究热点,目前它在信号处理、自动化控制等领域中已得到了广泛的应用。本文联系支持向量机(SVM)和混沌时间序列预测的相关理论,建立基于二者的变形序列预测模型。同时,结合具体实例从变形时间序列的混沌识别、相空间重构以及预测模型的参数优化等方面探讨了模型的具体建立过程。实验结果表明,该模型的预测精度要优于BP神经网络。     

基于混沌SVM与ARIMA的工程造价组合预测

为了解决工程造价预测的时效性问题,针对传统线性时间序列预测模型可靠性不高的缺点,引入混沌相空间重构和支持向量机技术,并将两者耦合组成一种非线性预测模型,再利用ARIMA在整体线性趋势预测方面的优越性,对非线性模型进行修正。混沌SVM和ARIMA预测构成组合模型的两个子过程,将两个子过程的预测结果综合平均即可得到最终预测结果。经实例计算,组合模型比最大Lyapunov指数、ARIMA和只将相空间重构与SVM进行耦合的方法拟合效果好,预测精度高,证明其的确具有线性趋势拟合和非线性波动拟合的双优势。     

基于混沌时序预测方法的冲击地压预测研究

冲击地压的预测研究通常是通过监测对冲击地压的发生、发展过程比较敏感的指标来进行的，监测指标值的大小和变化规律是进行预测的基础，监测数据在未来一定时期的峰值变化和走势变化规律对于预测过程具有重要意义。首先，通过对互信息和伪邻近点数的计算，确定观测序列的延迟时间和嵌入维数等相空间重构参数；然后，在对观测序列相空间重构的基础上，运用一阶局域近似法和基于最大Lyapunov指数法等混沌预测方法对冲击地压上作面的观测时间序列进行数学建模，并与传统的数理统计预测方法进行对比分析；最后，用实例对冲击危险区域的电磁辐射序列及顶板下沉速度序列等进行预测运算和分析，其结果表明，运用混沌理论的预测方法可达到较高的预测精度。     

基于优化K-GM(1,1)在桥梁变形预测中的应用研究

传统GM(1,1)模型在建模过程中易受到随机扰动的影响导致预测精度低、残值大。将卡尔曼滤波和灰色理论结合,先使用卡尔曼滤波消除扰动误差,并对滤波后的数据序列进行初始值和背景值的优化,建立K-GM(1,1)模型。结合桥梁沉降变形监测数据,采用两种模型分别预测对比分析,研究结果表明:优化的K-GM(1,1)模型精度优于传统灰色模型,桥梁沉降监测值与预测值变形一致。     

基于GM(1,1)和ARMA组合模型的桥梁监测数据预测

针对单一预测模型在桥梁监测数据预测中存在的预测精度不高等缺陷,基于最优加权组合理论,将GM(1,1)和ARMA构造成一个全新的组合模型,单一预测模型的组合能在一定程度上提高模型的拟合能力,故而可以取得更好的预测效果。结合四川省绵阳市北川县筲箕湾大桥在线健康监测系统的实测挠度数据,分别采用单一预测模型和两种单一模型构造成的组合模型来预测其未来值,并将预测值与实际值比较,发现组合模型的预测MRE(1.567 6%)均小于单一ARMA预测模型的MRE(1.951 4%)以及单一GM(1,1)预测模型的MRE(1.604 8%),说明组合模型较两种单一模型拥有更高的预测精度。     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

基于相空间重构的滑坡位移时间序列预测

本文基于滑坡时间序列位移,根据相空间理论构建位移时间序列矩阵,利用熵值理论求取熵值。通过熵值变化及位移预测误差反馈调整该时序相空间重构的嵌入维数,然后利用支持向量机学习创建支持向量回归机模型。并通过实例进行位移时间序列预测,预测效果好。     

隧道围岩收敛变形的改进GM(1,1)预测模型

为了有效提高隧道围岩变形的预测精度,对传统GM(1,1)预测模型进行了改进。改进模型通过对原始监测数据列优化重构,降低了量测误差、外界因素等噪声干扰造成的监测数据随机突变和离散性,提高了模型预测效果,并结合梅花山隧道典型监测断面对改进GM(1,1)预测模型进行了检验。研究结果表明:改进GM(1,1)预测模型增强了环境适应能力;预测结果与实际监测数据吻合程度明显提高,具有较好的实际工程应用推广价值。     

基于Kalman滤波的改进灰色模型在基坑变形监测中的应用

变形监测数据由于其离散性、高噪声等特点,使得监测数据呈现一定的波动性、随机性,为了对监测体的稳定状态及变形趋势做出更加准确的分析,本文拟采用Kalman滤波+新陈代谢GM(1,1)模型组合方式,利用Kalman滤波对原始监测数据滤波消噪,并结合新陈代谢GM(1,1)模型对变形趋势项进行建模分析,来预测变形趋势。结合实际案例分析,基于Kalman滤波的新陈代谢GM(1,1)相比于传统的单一GM(1,1)、ARMA模型,有效降低了观测噪声影响,并具有更高的预测精度。     

GPS-RTK数据识别分析桥梁结构模态参数

以自锚式悬索桥天津市富民桥为背景,在交通不封闭的情况下对富民桥的动态响应进行连续的实时监测,通过GPS传感器采集结构振动位移原始数据。应用时间序列法(ARMA)扩展随机减量法(RDT),对预处理和滤波降噪后的监测数据进行分析,识别桥梁结构的模态参数。研究结果表明,该方法与有限元分析得出的结果非常接近,证明该法用于GPS-RTK数据识别桥梁模态参数可行可靠。     

MGM(1,n)模型在沉降监测数据插补中的应用

考虑相邻测点的变化信息,用MGM(1,n)模型预测得到的沉降数据与实测值较接近,可用于沉降监测数据的插补。利用相邻监测序列实测值对MGM(1,n)模型预测结果进行修正,修正后的预测结果具有更高的拟合精度。     

基于支持向量回归的锅炉出水温度时间序列预测

燃煤供热锅炉系统是一个非线性复杂系统,在实际应用中存在诸多优化问题.本文在分析锅炉系统工作过程及控制系统结构的基础上,结合锅炉参数的时序性特点,对时间序列进行相空间重构,构建训练样本数据对并建立基于支持向量回归的时序数据预测模型,从而实现对锅炉输出参数(出水温度)的预测.实际系统数据的仿真表明,该模型预测结果基本符合实际运行情况,可以为相关人员进行锅炉优化控制提供决策支持.     

改进灰色GM(1,1)模型在隧道围岩位移预测中的应用

传统灰色GM(1,1)模型 ,多适用于等间距序列监测数据的模拟预测 ;对非等间距则往往产生较大的滞后误差。提出了一种经改进的GM(1,1)模型 ,经实例分析 ,该模型适用于隧道围岩位移非等间距监测数据序列的位移预测 ,且都能获得很高的模拟和预测精度     

基于ARMA模型的盾构隧道结构损伤识别

地铁盾构隧道健康监测的关键是损伤位置的识别。针对盾构隧道结构特征,提出了基于自回归滑动平均(ARMA)模型的损伤识别方法。首先采用分区和归一化方法对加速度信号进行预处理,作为自相关函数分析的输入以克服噪声影响,避免噪声干扰引起ARMA模型拟合中的偏差;然后,采用部分自相关函数方法建立ARMA模型,定义基于马氏距离和ARMA模型的损伤指标(DI);对移动荷载激励下的盾构隧道结构进行数值模拟,并利用基于ARMA模型的损伤识别方法分析各工况下隧道结构的加速度响应,实现对盾构隧道结构损伤的检测和定位;最后,进行了缩尺盾构隧道结构损伤识别试验,验证了所提出的基于ARMA模型的盾构隧道结构损伤识别方法的有效性。     

海底开采岩层变形混沌时序重构与安全预警系统研究

对海底金矿床开采过程中不同高度岩层位移进行了监测,对岩层变形时间序列重构相空间,用混沌理论揭示了不同高度岩层位移在相空间中的相点距离演变规律。用神经网络建立了岩层变形相空间相点距离演化预测模型,预测了新立矿区海底开采岩层变形,并建立了海底开采岩层变形安全预警系统。采用梯度下降法与混沌优化方法相结合方法训练神经网络,使神经网络预测模型实现快速训练的同时,避免陷入局部极小,同时提高了模型计算精度。研究表明,岩层变形表现出混沌特征,对其相空间重构后,岩层变形的细微变化特征被放大,其内在规律能得到充分展示,为建立海下开采安全预警系统提供了基础。     

灰色BP神经网络组合模型在地铁沉降监测中的应用

地铁路基沉降监测是变形监测中的一项重要内容,关系到交通运营的安全问题。为准确对地铁沉降进行预测,在灰色GM(1,1)模型及BP神经网络模型的理论知识的基础上,利用某地地铁沉降监测数据,采用灰色BP神经网络组合模型对地铁监测数据进行预测。通过监测数据和预测数据的对比分析,得出组合模型对地铁沉降数据预测较为准确、精度较高的结论。     

ARMA模型在商业建筑群能耗预测中的应用

建立了基于时间序列分析方法的建筑能耗预测模型,对广州市区的商业建筑逐月总能耗进行预测。模拟结果显示,ARMA模型能够较好地拟合及预测能耗值,模型预测结果与实际值比较吻合,ARMA模型在短期建筑能耗预测中是一种精度较高的方法。     

矿区形变监测数据动态分析研究

采用时间序列的方法对矿区监测数据进行分析与预测,提取某矿区相关监测数据,利用时间序列模型对监测数据进行回归分析和研究,并对矿区形变进行预测及评定,得出时间序列可以对矿区变形进行短期预测的结论,预测具有重要的意义。     

基于卡尔曼滤波的GM模型及其在公路边坡变形预测中的应用

在公路边坡变形监测与预测中,当用GM(1,1)模型对稳定的变形数据序列进行预测时,效果较好。但是,如果变形数据中因外界因素干扰而出现异常数据,使变形曲线发生波动,此时单纯采用GM(1,1)模型进行预测,就难以取得理想的预测精度。为此,本文提出一种基于卡尔曼滤波的GM预测模型,即先用卡尔曼滤波法对原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。通过公路边坡变形预测的应用研究,证明基于卡尔曼滤波的GM模型可以有效地提高预测精度。