基于小波多尺度分解的周期性变形信息探测

针对多期变形观测数据处理中探测周期性变形信息这一问题,引入小波多尺度分解。先用低频分量对趋势性进行拟合,再利用频谱分析探测各高频分量的周期性。理论分析、应用实例的结果表明,该方法不但模型统一,而且能探测出弱周期性变形信息。     

地下水位动态随机模拟

本文根据地下水位动态过程的周期性、趋势性、随机性三个特点，用时间序列迭加和模型，对河南省胜利渠灌区进行描述，模拟，取得了较好的结果。     

边坡系统的变形行为特征及模型化研究

总结出边坡系统的变形行为具有趋势性变化与震荡性变化相耦合的特点 ,将边坡变形分解为趋势性变形、周期性变形和随机变形三部分叠加组合而成 ,分别推荐或引用了有关表达式进行描述 ,并建立了边坡系统的变形行为特征模型。实例计算表明 ,该模型可以较好地模拟边坡系统的复杂变形     

灰色模型联合小波变换进行变形预测的研究

该文研究了基于灰色模型结合小波变换的变形预测方法。根据小波变换特点,对变形监测数据序列进行分解,对各个分解后的子序列利用灰色模型进行预测,最后重构出变形预测结果,且将该结果与灰色模型预测结果进行了比较。结果表明,该方法具有较强的预测能力,可作为变形预测的方法参考。     

基于经验模态分解和遗传支持向量机的多尺度大坝变形预测

 利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。     

基于灰色时间序列组合的隧道变形预测研究

随着各大城市地铁的兴建,各种工程事故相继发生,隧道开挖具有复杂性和特殊性,充分认识和掌握隧道围岩的变形规律,对于避免不必要的工程事故具有重要意义。本文基于隧道围岩施工期的变形监测数据,深入研究了时间序列分析、灰色系统理论和组合模型预测方法。结果表明,MGM(1,3)+AR(3)组合模型不仅能够反映数据序列的发展变化的趋势性,而且还能考虑数据序列随机波动的影响,组合模型拟合与预测的模拟预测精度高。研究成果为隧道围岩施工期和运行期的安全提供可靠依据,并未科学研究和理论计算提供参考。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

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。     

基于时间序列与长短时记忆网络的滑坡位移动态预测模型

针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。     

基于扩散指数模型的长沙房地产景气循环研究

为实现长沙房地产业持续健康发展,按照景气循环原理,收集长沙市2002~2014 年房地产市场各项指标数据,建立房地产景气循环评价指标体系。基于扩散指数模型,利用时间序列法测定各指标循环波动值,对长沙市房地产市场先行、同步、滞后景气扩散指数进行综合测度并绘制房地产市场景气循环走势图。根据同步扩散指数曲线与历史数据分析长沙市 2002~2014 年房地产市场运行轨迹,运用先行扩散指数和滞后扩散指数曲线分别对长沙市房地产市场景气情况进行预测和验证。应用该模型能够有效判断长沙房地产景气循环转折点并进行短期未来发展趋势预测,更好地实现房地产市场景气监测,为政府、消费者和房地产开发商三方投资决策提供参考     

规划设计学中的调查分析法18--时系列分析

一般在做规划时,对人口的变动及未来的预测是不可缺少的,特别是风景名胜区规划.除回归分析外,时系列分析可以清楚地表达这种倾向线的趋势,现以十渡风景名胜区人口、户数的统计结果作为应用说明的基础数据,详细阐述时系列分析数据的种类和构造,以及诸方法的概念和计算过程.     

形变监测数据的多尺度滤波

尺度是许多物理现象的内在特性,信号含有不同尺度的物理结构特性,随着信号分析的多尺度的变化引起的相应的信号特征的产生,消失,融合,这就是信号对多分辨率的感知,因而通过对信号的多尺度的分解可以很好的检测信号的特征。通过多尺度分解后建立各细节分量的变形分析模型为:H(ti)=f(ti)+β(ti)+εi,其中f(ti)为趋势部分,利用小波分析进行提取,我们可认为小波分析后低频部分为趋势部分信号,β(ti)为隐含周期性或者异方差性部分,平稳或非平稳随机分量,它包含在高频信号部分。利用正弦周期函数和RBF网络建立β(ti)逼近模型。εi表示随机误差部分。     

时间序列方法及其在实际办公楼能耗预测中的应用

建立了基于时间序列分析方法的建筑能耗预测模型,对上海某办公建筑逐月能耗进行预测.采用CensusX12方法进行季节调整,建立ARMA时序模型,并对季节因子进行温度化处理.模拟结果表明,采用时间序列分析的方法来预测建筑能耗是一种有效方法.     

基于区域生态系统健康评估的土地利用 规划研究——以北京市为例

健康的区域生态系统能持续提供生态系统服务,是实现城市可持续发展的基础。同时,城市土地利用直接影响区域生态系统的健康状态,因此如何在健康视角下合理规划与协调城市土地利用方式,成为风景园林与城市规划领域的重点研究课题。以北京市为例,基于2007和2017年的土地利用类型,采用CA-Markov模型对2027年自然发展、快速发展、多目标保护和森林建设4种土地利用情景进行预测,统筹生态系统的物理健康与功能健康评价,构建区域生态系统健康评估框架,探讨4种土地利用情景下更健康的城市土地利用规划新方法。结果表明,与2017年健康状态相比,北京市快速发展情景的区域生态系统健康评估结果呈现负值,其他情景下均呈现良好的增长趋势,森林建设情景下增长最为明显。坚持生态优先、绿色发展、集约化发展建设用地和加强森林建设,可大幅提升区域生态系统的健康状态。     

时间序列分析与频谱分析联合用于变形监测分析与预报

变形监测技术和理论在不断地进步和发展,很多优秀的方法被应用到变形监测数据处理方面。本文是基于时间序列法和频谱分析法对沉降观测数据进行处理,主要研究如何使用时间序列法和频谱分析法对变形监测数据进行处理和分析,并对未来短期内的变形趋势进行预测。首先从时序分析法入手,对数据进行处理、分析以及预测;然后再将频谱分析法融入到时序...     

非线性时序分析模型在地下工程位移预报中的应用

在现场采集大量数据的基础上，对支架位移建立了非线性时序分析模型ＳＥＴＡＲ（ｄ，ｌ；ｐ１，ｐ２）。用该模型对支架位移进行了拟合和预报，取得了较为满意的结果，为应用位移反分析方法预报支护结构的稳定性创造了条件     

时间序列分析方法在干旱区地下水位动态预测中的应用

地下水动力学模型与时间序列模型都可用于分析、预测干旱区地下水位埋深动态变化。但比较而言,时间序列模型无须进行专门的试验来获取有关地质参数,方法易于掌握,计算量小,因而更便于应用推广。本文采用时间序列分析方法分析新疆南部平原区地下水位变化,通过HP（Hodrick-Prescott）滤波方法与ARMA（p,q）模型相结合...     

Funktionalanalyse versus Trendanalyse zur Absch?tzung anthropogener Einflüsse auf Grundwasserganglinien

The European Water Framework Directive recommends investigating trends in groundwater head time series by means of trend analysis in order to assess possible harmful anthropogenic impacts. This approach encounters substantial problems. Usually the Mann-Kendall test is applied which does not consider interactions between trends and auto-correlation in the data. These are very common in groundwater head time series. As a consequence, trend significance has been substantially overestimated. In addition, significance, magnitude and trend sign depend strongly on the selected time span. A functional analysis based on a principal component analysis of groundwater head time series was introduced as an alternative. It yielded very robust results, independent from the selected periods. To determine anthropogenic impacts on groundwater heads, deviations of observed data from the expected behaviour could be investigated. Data requirements and the computational effort of this approach are about the same compared to trend analysis.     

Predicting the maintenance cost of construction equipment: Comparison between general regression neural network and Box–Jenkins time series models

This paper presents a comparative study on the applications of general regression neural network (GRNN) models and conventional Box–Jenkins time series models to predict the maintenance cost of construction equipment. The comparison is based on the generic time series analysis assumption that time-sequenced observations have serial correlations within the time series and cross correlations with the explanatory time series. Both GRNN and Box–Jenkins time series models can describe the behavior and predict the maintenance costs of different equipment categories and fleets with an acceptable level of accuracy. Forecasting with multivariate GRNN models was improved significantly after incorporating parallel fuel consumption data as an explanatory time series. An accurate forecasting of equipment maintenance cost into the future can facilitate decision support tasks such as equipment budget and resource planning, equipment replacement, and determining the internal rate of charge on equipment use.