基于Lyapunov指数的观测数据短期预测

本文介绍大坝观测数据的Lyapunov指数预报分析方法，应用混沌方法对大坝时间观测序列数据进行处理，并将这种混沌特性应用于大坝变形预测，根据大坝变形的时间观测数据及计算所得的Lyapunov指数规律，就可计算得到较好的预测结果；并对混沌时间序列相空间重构中的延迟时间间隔和嵌入维数的选取方法进行了讨论；结合实例对Lyapunov指数预测方法进行计算验证。     

基于混沌时间序列的地下水动态预报

以重构相空间理论为基础,介绍了混沌时间序列的预测方法,并借助G-P算法、C-C方法和小数据量方法从武威盆地地下水位埋深一维时间序列中提取Lyapunov指数,计算结果表明此时间序列具有混沌特性,在此基础上建立了混沌时间序列的一阶加权局域预测模型,对武威盆地的地下水位埋深进行预测。结果表明,该模型预测精度较高,可有效的对地下水埋深的动态进行预报。     

基于Lyapunov指数的混凝土体积变形混沌预测

根据混凝土工程的自生体积变形观测时间序列,基于相空间重构,给出了混凝土自生体积变形时序线性和非线性两种混沌预报模式,据此,以实际工程为例建立了混凝土工程变形观测数据的混沌预测方法.首先,采用插值方法对掺MgO的碾压混凝土收敛变形观测序列进行了预处理,以获得等间隔变形序列;然后,对该变形序列,利用上述混沌分析方法,获得的最大Lyapunov特征指数为0.02;分别采用近邻等距法和最大Lyapunov指数预报模式,对变形序列进行了预测.与观测变形相比较,变形预测结果比较理想.     

基于RBF多变量时间序列的滑坡位移预测研究

斜坡是一个受到多种因素影响的混沌动力系统,斜坡位移是其内部力学现象的宏观表现,具有很强的不确定性,从而导致难以建立斜坡位移的确定性方程。滑坡是斜坡的一种成因类型,具有相同的系统特性。滑坡经过防治后,其位移的主要外在动力因素除地下水外同时还受到防治设施的控制。滑坡位移及其影响因素所构成的混沌时间序列能够反映滑坡位移动力系统的历史行为。根据观测获得的多变量时间序列重构原滑坡位移动力系统,采用RBF神经网络实现变量间的映射关系,对滑坡位移进行了预测。预测结果对比分析表明:采用多变量时间序列预测模型能对滑坡位移进行有效预测,取得比单变量时间序列预测模型更好的预测效果;多变量时间序列预测模型具有更明确的物理力学意义,更能反映滑坡演化变形的实质特征。     

基于非线性动力学的滑坡位移预测

利用非线性动力学的宏观研究方法对清江库岸茅坪滑坡的位移时间序列进行了分析,发现滑坡系统在演变过程中存在混沌。在此基础上,介绍了一种混沌的平均零阶局域预测法,对滑坡位移进行了预测计算,第1个月的相对误差仅为 0.66%,并且前3个月的相对误差都控制在5%以内,初步计算结果令人满意。
     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

基于多元时间序列的河流混沌特性研究

以混沌理论为基础,提出了河流混沌特性分析方法。选择对河流演变有重要影响的宽深比时间序列和水沙时间序列,首先对这些时间序列进行相空间重构,计算不同河型的宽深比、径流量和含沙量时间序列的饱和关联维数和最大Lyapunov指数,然后通过求这些时间序列的饱和关联维数的加权平均值和最大Lyapunov指数的加权平均值,得出不同河型的混沌特性。以黄河下游的6个河段3种河型为例,对宽深比、径流量和含沙量时间序列,分别进行混沌特性分析。研究结果表明,河流演变具有明显的混沌特性,但不同河型表现出的混沌特性不同,游荡河型混沌特性较强,弯曲河型混沌特性较弱。通过对河流混沌特性分析,有助于加深对河流演变预测的进一步认识。根据混沌理论,混沌系统短期行为可以预测,而长期不能预测。所以,河流演变预测是短期可行,长期很难预测、甚至是不可预测的。     

宜昌站月径流时间序列的混沌特性分析

关于水文时间序列的混沌特性识别,目前已有多种方法和指标,但单独一种方法一般不能作为混沌特性识别的充分条件。根据相空间重构和混沌理论,对宜昌站1900～2007年的月径流序列进行了较全面的混沌特性分析。首先采用C-C法计算重构参数对月径流序列进行相空间重构,然后分别计算其关联维数、Lyapunov指数和Kolmogorov熵,用这3个不同的混沌判别指标并行分析宜昌站月径流序列是否具有混沌特征。经计算,宜昌站月径流序列各个混沌判别指标均表明其具备混沌特征。     

日径流序列混沌识别中合理长度的确定

混沌理论是进行水文时间序列分析的重要手段。为保证分析结果的可靠,主张充分利用现有资料,但目前缺乏时间序列长度对混沌特性识别影响的研究。以长江上游武隆站和北碚站日径流序列(1951年-2012年)为例,通过对二者进行混沌分析,研究了最大Lyapunov指数对序列长度的响应。结果表明,日径流时间序列长度过小时会影响混沌识别结果,使结果缺乏可靠性;并不是样本序列长度越长混沌识别结果越好;当序列长度达到3 000左右时,序列的混沌特性达到稳定,结果可靠并缩短了计算时间。     

地下水动态的混沌动力学特征及预报研究

地下水位变化能够综合反映地下水演化的动态特征。选用禹州市2号井的地下水位时间序列作为研究对象,选取21 a的前1 500个数据,揭示其混沌动力学特征。运用G-P算法计算得关联维数d=1.67,最优嵌入维数m=5。采用复自相关法计算得时间延迟为78 d。采用C-C方法得时间延迟τ=78,m=5。最后计算最大Lyapunov指数λ1=0.010 3>0,表明地下水位时间序列具有混沌特性。同时,根据最大Lyapunov指数对地下水位进行预报,取得了较好的结果。     

滑坡体监测数据的改进变维分形-人工神经网络耦合预测模型

滑坡体变形预测对滑坡灾害治理具有重要的意义。根据边坡的演化特性,在研究得到滑坡是一个非线性动态系统,其监测数据具有分形特征的基础上,利用改进变维分形预测模型对滑坡体的监测数据时间序列趋势项进行预测,并引入人工神经网络对时间序列的偏离项进行纠偏优化,从而建立滑坡体监测数据的改进变维分形-人工神经网络（IVDF ANN）耦合模型,并以茅坪滑坡体的实测位移为例进行预测。预测结果证明,该模型充分利用分形理论的自相似性和人工神经网络的自学习能力,具有良好的抗噪性,对小数据量的监测数据能够达到较高的预测精度和较好的预测长度,为滑坡体安全监控预测提供了新的参考方法。     

滑坡位移监测动态预报时间序列分析技术研究

采用三次样条函数插值法处理非等距时间序列,运用时序分析方法建立了滑坡位移动态预报的ARIMA模型和CAR模型,并将其应用于茅坪滑坡,取得了良好的实际成果,为判断茅坪滑坡的动态特征提供了可靠的理论依据.     

茅坪与新滩滑坡体变形机理类比研究

 为了研究清江茅坪典型滑坡体稳定性,基于失稳前长江新滩滑坡实测曲线进行了滑坡体变形分析。清江隔河岩水库库岸茅坪滑坡体约有2350×104m3, 是由十分复杂的物质构成的典型滑坡体,而水库蓄水直接影响了滑坡体的稳定性;后部白岩底部采煤造成陡壁崩塌,又对滑坡体产生了巨大加载效应。通过监测茅坪滑坡体变形过程,类比长江新滩滑坡体在破坏前几个阶段的变形特征,为预测茅坪滑坡体破坏提供了有价值的参考。     

WA-BT-ELM耦合模型在黄土滑坡位移预测中的应用

黄土滑坡的变形演化过程往往受到多种因素的影响,呈现出非线性特征。基于小波分析函数(Wavelet Analysis,WA)、提升回归树(Boosting Regression Tree,BT),以及极限训练机(Extreme Learning Machine,ELM)方法,提出一种名为WA-BT-ELM的黄土滑坡位移预测新方法。该方法将非线性位移数据作为一时间序列,运用小波分析函数将监测点累积位移曲线分解为若干子小波;随后使用提升回归树对所有子小波进行重要度分析,剔除相关性不高的子小波以去掉冗杂信息;最后运用极限训练机,结合筛选得到的子小波对滑坡位移进行预测分析。基于该模型对甘肃省永靖县黑方台滑坡区的滑坡位移监测数据进行预测,得到了优于ANN,BPNN,SVM,ELM,以及WA-ELM预测模型的结果,故认为WA-BT-ELM模型是一种有效的黄土滑坡位移预测方法。     

基于滑坡监测数据的时间序列位移预测

滑坡位移变形的产生及演变 ,对于滑坡安全稳定性的评价至关重要.以德化县美湖乡上际村桥亭头滑坡为例 ,将边坡失稳时的总位移分解成位移的趋势项和位移的周期项 ,通过时间序列方法对滑坡位移进行预测 ,在监测数据的模糊离散性与随机性的基础上以及变形参数所呈现的相关规律 ,通过GM(1 ,1)的灰色模型获得位移的趋势项 ,采用了时间序列的方法对其进行拟合 ,并通过自回归(AR)模型使得非平缓时序转化为平缓时序.最终再通过时间序列加法得到滑坡总位移预测值.结果显示具有较高精度 ,对了解边坡位移的发展趋势以及研究边坡的动态稳定性是有效可行的.     

基于外因响应的滑坡位移预测模型研究

根据滑坡位移序列的单调性和非线性,将滑坡位移分为趋势项和偏离量,建立曲线回归-BP神经网络模型对滑坡位移进行动态预测。以三峡库区树坪滑坡为例,首先通过曲线回归提取滑坡位移趋势项;然后在选取滑坡位移动态变化影响因子的基础上,建立BP神经网络模型逼近位移偏离量;最后将趋势项和偏离量预测值叠加,得到滑坡位移预测值。结果表明,该模型可更好地反映影响因子动态变化对滑坡位移发展的关键作用,预测的平均相对误差为3.3%,有效地提高了预测结果的精度。     

基于ARIMA时间序列模型的滑坡位移预测预报——以三峡库区王家坡滑坡为例

为深入研究滑坡的位移特性,以三峡库区王家坡滑坡为例,基于简单移动平均法及时间序列的减法模型分解滑坡位移的趋势项位移和周期项位移,对趋势项位移采取多项式拟合处理,对周期项位移进行一阶差分处理,并分析其自相关函数ACF及偏自相关函数PACF,然后根据模型的识别规则,建立了ARIMA(1,1,1)模型。根据时间序列的加法模型,将两部分预测位移相加即为滑坡位移预测的总位移。模型与实测结果对比表明,该预测预报模型效果较好,基本反映了滑坡位移的整体趋势,且实现了对滑坡累积位移的滚动预测,在滑坡累积位移短期预测预报中具有一定的适用性。     

基于诱发因素作用特征的滑坡变形时序模型

降雨、库水位变化是滑坡发生的主要外在诱发因素,降雨和库水位变化的滞后性和周期性是滑坡变形的重要作用特征。考虑降雨及库水位变化的滞后性和周期性对滑坡累积位移的影响,直接将降雨和库水位变化作为滑坡变形位移预测的影响变量,建立多元时序模型。以三峡库区秭归县白水河滑坡为例,首先用灰色模型提取趋势项位移,然后利用滞后的降雨量和滞后的库水位的变化量预测当期的周期项位移,最后将趋势项位移与周期项位移叠加,得到滑坡累积位移的预测值。结果显示,此方法能够很好地反映滑坡诱发因素对滑坡变形的动态影响,预测的平均绝对误差为1.97%,预测精度较高。