基于时间序列的建筑物沉降监测研究

简要介绍了时间序列分析的基本原理、模型建立步骤,并通过上海市某一工程实例加以论证,事实证明:时间序列模型可以预报建筑物未来沉降趋势,而且预报的可靠度很高,所以该模型可用于建筑物沉降监测和预报。     

稳健时序分析在建筑物沉降监测中的应用

以高层建筑物为研究对象,提高预报精度为目的,详细研究了时间序列方法建立预报模型的方法,基于测量数据中存在异常值是难免的,将稳健估计方法引入时间序列建模,提出了基于稳健估计的自回归建模方法,采用某仓库两个沉降监测点连续42期观测数据对该方法进行了验证计算与分析,结果表明数据中存在异常值时,稳健比常规自回归模型的预报精度有较明显的提高。     

内蒙古孪井地区降水量的时间序列分析预报模型

本文介绍了非平稳时间序列分析预报模型的建模方法 ,通过对趋势项、周期项的检验与提取 ,将原序列化为平稳序列 ,利用ARMA (p ,q)模型对剩余的白噪声序列模拟 ,将各项分别预报再叠加即得到非平稳序列的预报结果。利用该方法 ,建立了内蒙古孪井地区降水量的预报模型 ,预报结果能够满足需要     

应用时间序列分析和非线性回归对沉降过程进行综合建模与预报

本文将时间序列分析和非线性回归用于沉降过程的综合建模与预报,给出了时间序列模型识别、预报的方法,以实测数据为例说明应用此法的全过程,并对计算结果进行了比较分析,证明了该方法的可行性。     

利用时间序列模型进行隧道管片沉降数据预报研究

对隧道管片沉降数据序列进行平稳化处理,采用时间序列模型中的自回归(AR)模型建立隧道管片沉降数据预测模型。结合工程实例的多期数据进行沉降预报,并与实测值比较,其结果充分说明:自回归模型在隧道管片沉降预报中具有建模快捷、计算简便、预报短期数据准确性高的特点。     

基于时序分析的深基坑周边建筑物变形监测预报

采用基于时序分析的方法,对深基坑周边建筑物进行了变形监测,通过研究不同时序模型,结合实际沉降数据,得出其模型以及模型参数,并利用参数进行预报分析,结果表明,应用时序分析的方法处理沉降数据十分有效可靠。     

深基坑开挖地表沉降预测方法研究

首先对地表沉降数据进行平稳化处理,然后研究了平稳化序列的建模和预报方法,最后结合地表沉降监测的具体实例进行了时间序列的分析与预报。通过与工程之间测值相比较,证明了该种沉降预测方法的正确性。     

基于时间序列交叉的供热负荷预报研究

根据供热过程的特点和节能控制的要求,提出对热力站作实时负荷预报,并以此作节能监控信号。现场测取热力站负荷预报样本序列,并对此样本序列进行预处理,然后建立基于时间序列预报的AR模型,最后对热负荷进行交叉预报。通过对预报结果的比较分析,该方法精度高,实时性好,满足供热工程的应用。     

基于LSSVM-ARMA模型的高层建筑地基变形时间序列预测

由于建筑物沉降受多种因素的影响和制约,其变化规律很难用一个显式的数学公式予以正确表达。本文基于时间序列预测法,结合小波变换、粒子群优化的最小二乘支持向量机和自回归移动平均模型建立了联合的预测方法和模型。将沉降变形时间序列通过小波分解和重构为趋势时间序列、随机时间序列。分别对趋势时间序列和随机时间序列采取滚动预测,最后将两个序列预测结果叠加即为最终预测结果。通过算例分析表明,该方法用于建筑物沉降与倾斜预测是可行的。     

城市高层建筑物沉降监测与稳定性分析

沉降监测对于建筑物的安全运营具有重要作用,科学、准确、及时地分析和预报建筑物的变形状况,对建筑物的施工和运营管理极为重要。本文结合沉降变形模型,以石家庄某小区高层建筑物沉降为工程实例,通过12个观测周期10个沉降点的监测,检验了基准点的稳定性,并对高层沉降观测的数据进行处理与分析,了解建筑物在施工及运营期间的实际沉降情况,分析地基在不同荷载作用下随时间的沉降规律,可为建筑施工和运营安全提供帮助。     

边坡变形的多因素时变预测模型

在深入分析边坡变形的影响因素及因子模式的基础上，通过融合回归分析和递推模型的优点，结合边坡位移时间序列实测资料，建立了边坡变形的多因素回归时变预测模型，并考虑了降雨和温度变化的影响。通过模型的预测值与实测数据的对比分析，可以监控边坡的变形和稳定性。工程实例表明，该方法具有预测精度较高且实时性强等特点，有较大的应用价值。     

滑坡预测的非线性混沌模型

根据滑坡位移时间序列的非线性性质，应用混纯时间序列预测方法，建立滑坡预测的非线性混纯模型。在此基础上，介绍了加权一阶局域算法，并用这种算法对清江茅坪滑坡实际位移监测数据进行预测计算。结果表明，这种建立在非线性混沌模型基础上的方法不仅预测精度高，而且计算量小，相对容易操作，从而为滑坡位移提供了一种新的预测方法。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

自适应时序模型在地下工程位移预报中的应用

自适应时序模型的基本原理就是将自适应滤波理论应用于自回归时序AR(n)模型中。该模型在一定程度上根据量测数据和估计结果自行调整模型参数，通过递推算法自动地对模型参数加以修正，使其接近某种最佳值，即便在尚不完全掌握序列特性的情况下也能得到满意的结果。通过对山东龙口洼里煤矿一回采巷道金属支架的收敛位移和北京地铁王一东区间隧道北正线中洞断面收敛位移进行自适应建模，预报结果表明，此方法可行，预报结果也令人满意。     

Forecasting local business activity from aggregate indicators

A regional forecasting technique is developed which combines national and local indicators to provide forecasts of local business activity. A regional business index is first developed to provide a time series from which the historical pattern of local business activity may be evaluated. The relationship between this time series and a similarly constructed national indicator series are first examined with cross-spectral analysis. The information from this analysis is used to guide the formulation of a transfer function time series model. Out-of-sample forecasts are then generated with the transfer model and a univariate ARMIA model. A comparison of these two forecasts to the actual regional index reveals that the transfer model provides a superior forecast.     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

Artificial Neural Networks for Forecasting of Fuzzy Time Series

Abstract: In this article, an artificial neural network for modeling and forecasting of fuzzy time series is presented. Modeling fuzzy time series with fuzzy data as random realizations of an underlying fuzzy random process enables forecasting of future fuzzy data following the observed time series. Analysis and forecasting of time series with fuzzy data may be carried out with the aid of artificial neural networks. A significant advantage is the fact that neural networks do not require a predetermined process model to simulate and forecast time series possessing fuzzy random characteristics. Artificial neural networks have the ability to learn the characteristics of an existing fuzzy time series, to represent the underlying fuzzy random process, and to forecast future fuzzy data following the time series observed. The algorithms developed are demonstrated using a numerical example.