基于自适应分形分析方法的风速时间序列标度研究

风速时间序列标度分析可为风能预测等提供决策支持,进而提高风能利用程度。结合工程实例,尝试了将在全局拟合、非线性处理和求解精度等方面表现较优的自适应分形分析方法引入至风速时间序列的标度研究。通过与目前常用的去趋势波动分析方法对比显示两种方法的局部标度指数和全局标度指数均十分接近,验证了在风速时间序列标度研究中使用自适应分形分析方法的可行性。     

用时间序列逐步回归分析预报枯水期地下水位埋深

本文将逐步回归分析和时间序列分析方法结合起来进行枯水期地下水位埋深预报,使时间序列分析的参数大大减少。实例计算表明,预测精度较高。     

时间序列分析在地下水位动态预测中的应用

运用时间序列分析理论,结合SPSS统计分析软件对贺兰县地下水位动态变化进行了模拟和预测。结果表明:研究区地下水位年际变化无明显上升或下降的趋势,这表明研究区地下水补径排条件近年来变化不大。受灌溉和降雨的影响,研究区地下水位变化主要表现为一年的显著周期。将时间序列分析方法应用于地下水位动态预测,可以了解地下水位的变化趋势和周期性。该法计算简单,所需资料较少,短期预测精度较高。但是在实际应用时,数据需要不断及时更新。同时由于没有考虑地下水流系统的动力学机制和未来突变情况,应用时受到了一定限制,还需进一步完善。     

时间序列分析在中长期径流预测中的应用

时间序列分析是数据挖掘技术在水文领域应用较为广泛的一种方法,它可以从大量的水文数据中提取一般性的规律,为中长期径流预测提供新的分析方法和科学的决策支持。文中采用时间序列分析方法对察尔森水库的中长期径流进行预测,为开展中长期径流预测研究提供借鉴和参考。     

白石水库大坝安全监测数据分析与预测

季节性和趋势性时间序列为水库大坝安全检测数据的典型特征,将非平稳时间序列数据利用ARIMA模型准确预测。文章采用差分法平稳化处理非平稳时间序列,并对模型利用偏自相关和自相关函数识别,从而获取多个初选模型,通过对模型参数的估计确定最终模型,依据贝叶斯信息准则拟合和预测了检测数据。以白石水库大坝为例,运用最终模型计算分析一组安全监测数据,在此基础上对比分析实际位移数据与模型拟合预测数据。研究表明:对于短期安全监测数据的分析和预测ARIMA模型具有较强可行性和较高精度,可为水库大坝安全运行和科学管理提供数据支撑。     

给水管网漏失预测模型的研究

给水管网无论采用何种管材 ,随着时间的推移都会不可避免地发生漏失。根据实际给水管网的漏失数据 ,采用时间序列分析方法建立了给水管网漏失预测的线性指数平滑模型和二次曲线指数平滑模型。通过精度分析和比较 ,发现二次曲线指数平滑模型预测精度高于线性指数平滑模型 ,能更好地反映给水管网漏失频率随时间非线性增加的变化趋势。     

加权一阶局域法在边坡位移预测中的应用研究

目前,常用的变形预测分析方法有[1]:确定函数法、统计回归分析法、混沌时间序列分析法等.其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下,对历史观测数据进行重构相空间处理,建模比较简单、计算量小、预测精度较高. 研究建立了加权一阶局域法多步预报模型,运用Matlab6.5编制了计算程序,并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测,取得了较好的预测效果.     

加权一阶局域法在边坡位移预测中的应用研究

目前，常用的变形预测分析方法有：确定函数法、统计回归分析法、混沌时间序列分析法等。其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下，对历史观测数据进行重构相空间处理，建模比较简单、计算量小、预测精度较高。研究建立了加权一阶局域法多步预报模型，运用Matlab6，5编制了计算程序，并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测，取得了较好的预测效果。     

时间序列预测法在大坝变形监测数据处理中的应用

对变形数据的分析与预测是变形监测数据处理的重要内容.从时间序列的基本原理出发,详细论述了如何使用这种方法对变形监测数据进行建模与预测,并通过实例计算验证了此种方法具有较高的拟合和预测精度,较好地描述了变形监测点的变化规律.     

小波、模糊与统计相关结合的径流预测方法研究

在模糊聚类、识别与统计相关结合的预测模型的基础上,引入小波分析理论,提出了小波、模糊与统计相关三者有机结合的预测模型。其基本思路是:先把各预报因子逐个进行小波分解,再将分解的小波序列带入模糊聚类、识别与统计相关结合的预测模型,求取类别变量特征值与预测对象之间的回归方程来进行预报。其显著特点是利用了小波分析的多分辨率功能,小波分解后将非平稳时间序列分解成适当的多个平稳时间序列及一个经平滑而比原序列平稳得多的序列,提高了数据变化的稳定程度,把噪声和真实数据进行了一定的区分,减小了预测因子中噪声对预测对象的影响,从而提高了预测精度。在新疆雅马渡站年径流量的预报中,预测效果比单纯用模糊-统计相关模型进行预测的效果要好,具有更高的预报精度。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

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。     

非线性振荡分析在土石坝变形监测资料的应用研究

传统的时间序列法是对土石坝变形观测量在特定时间范围内的变化特征进行拟合建模,无法揭示观测点变形测值之间的共性。采用分形理论中非线性振荡分析方法,研究了变形时间序列数据的相关性及后续建模选取数据的有效性,提出的定标指数可用来甄别监测点时间序列的位移值是否存在长期记忆性,有效的预测未来的发展趋势,并指出后续建模选取时间序列的起始范围。实例应用结果表明提出的方法可较好的分析土石坝变形性态及预测预报,为土石坝变形安全分析提供了一种新途径。     

基于流变统一格式的库岸堆积体斜坡变形监控模型及应用

库岸堆积体斜坡受库水位变化、时效和降雨的影响显著,研究蠕变对堆积体稳定性的影响可为其准确预测、预报提供科学依据.基于岩土体流变统一格式的推导,结合修正的西原模型,提出多因素作用下的库岸堆积体斜坡变形监控模型,为其时效因子的选取提供了理论依据.实际应用表明,相对于传统的统计模型,该模型可明显提高回归精度,具有一定的实用价值和推广价值.     

大坝变形的小波分析与ARMA预测模型

大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列。其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA（p,q）模型,从而在现有水位、温度观测资料下预测坝体未来的变形趋势。实例计算结果表明,结合小波分析的时间序列法建立的预测模型,预测精度高于统计回归分析,预测效果良好,可作为一种有效方法应用于大坝变形预测中。     

陕北年径流序列的谱分析研究

径流周期识别是径流模拟预测的依据。基于功率谱和极大熵谱分析原理,进行了陕北地区12个测站的年径流序列的周期识别。结果表明：最大熵谱分析具有高分辨率的周期识别的特点,陕北地区的年径流一般具有2－4年、11年左右和18－24年的水文周期。对于年径流序列长度大于35年的测站,功率谱分析和最大熵谱分析的分析结果一致,但是对于序列长度小于35年的序列,功率谱分析表现出分辨率低的不足;最大熵谱分析具有分辨率高的特点,提取的主要周期符合实际。     

基于原型监测资料的特高拱坝变形实时风险率模型

混凝土坝风险率分析模型通常基于结构极限状态功能函数对单个监测点一维时间序列建模,未考虑变形监测点之间的相关性及多重共线性问题.基于原型监测资料,考虑各分区所有测点的相关性及不同分区变形之间的协同性,引入面板数据理论对特高拱坝监测点进行聚类分区,在拟定单测点风险率函数的基础上,提出计算特高拱坝变形分区单测点实时风险率的方...     

滑坡监测数据处理预报软件研究及应用

滑坡监测数据处理预报软件系统滑坡监测资料数据库及滑坡失稳预报模型为一体，它包括一个主控程序和８个主要功能模块；４个层次的滑坡失稳预报模型（变形阶段判别，中长期预测，短期预报，临滑综合判断）和３个变形阶段（初始变形，匀速变形，加速变形）。经滑坡实例验证，预报精度较高。该系统是进行滑坡监测数据管理与处理的实用软件。     

多因子静态灰色模型在大坝安全监测中的应用

本文结合实例详细地说明了多因子静态灰色模型的建模机理,并用大坝变形监测数据建立了GM(0,N)模型,通过实例计算对模型进行了精度分析,并对大坝的变形态势进行预测,得到了较好的预测精度。将多因子静态模型与回归模型进行比较,进一步说明了灰色系统模型在较少数据情况下的优越性。从而进一步表明灰色系统理论对大坝变形分析来说确实是一种有效的数据处理方法。     

基于回归分析和小波变换的边坡变形组合预测研究

为有效地判断边坡变形的发展趋势,基于边坡变形的现场数据,首先利用回归分析和小波变换分解边坡变形数据的趋势项和误差项,并选取若干最优的分解数据进行组合确定边坡变形数据的趋势项和误差项,再利用BP和RBF神经网络对趋势项和误差项序列进行预测,得到单项预测的结果,最后研究分析了定权组合预测和非定权组合预测的效果。结果表明在趋势项和误差项的分离过程中,不同分离方法的分离结果具有一定的差异,以6次多项式回归、5次及7次傅里叶回归和sym2小波变换的结果较好;同时,在单项预测中,分项预测的效果要优于传统的单项预测,验证了分项预测的有效性,并由组合预测的结果可知,2种组合预测的效果均较好,均很大程度上提高了预测精度,且非定权组合的预测精度要优于定权组合预测的精度。上述研究为边坡的变形预测提供一种新的思路。