大坝位移的改进非等间距GM(1,1)预测模型

基于灰色理论建立的GM(1,1)灰色预测模型常被用于大坝位移实测资料序列的分析。为提高大坝位移预测精度,在分析传统GM(1,1)预测模型构建原理、步骤的基础上,提出了对原始数据序列进行平滑处理、对背景值和残差序列进行优化等方法,建立了大坝位移预测的改进非等间距GM(1,1)模型,并用某大坝水平径向位移监测数据对其进行了检验,结果表明:改进的模型在大坝位移预测中的适用性更强,不仅提高了预测精度,而且保留了灰色模型建模灵活、所需数据少等优点,用于短期预测效果较好,用于长期预测的效果有待考证。     

PSO-GM(1,1)模型在结构损伤诊断中的应用

通过粒子群算法求解GM(1,1)模型中的参数α和μ,对传统的GM(1,1)模型进行了改进。通过实例分析表明:基于粒子群算法的GM(1,1)模型对非平缓数据序列的拟合精度显著优于传统的GM(1,1)模型,对平缓数据序列,在拟合的平滑性和与原始数据序列的整体接近程度上优于传统的GM(1,1)模型。将该方法应用于结构损伤预测,结果表明:基于粒子群算法的GM(1,1)模型对检测数据的处理能力更强,预测数值与真值的整体吻合度更高,从而使模型能更好地应用于复杂结构及复杂情况下的损伤预测。     

基于灰色理论的城市用水量预测

运用灰色预测理论建立用水量的GM(1,1)模型,以邯郸市区历年用水量为原始数据序列进行预测,用后验差法检验模型精度。该模型实质上是一个指数型函数,其预测效果很大程度上取决于原始数据的特点,要求时间序列近似指数规律变化或者说要求数据总体上呈单调较平缓变化,而不是周期性或无序性变化。     

基于GM(1,1)动态模型群组法的高锰酸盐指数预测

高锰酸盐指数(COD_(Mn)))是水质监测与评价的核心指标,客观反映水体受污染情况。通过累加不同时间段的南沙河干流COD_(Mn)原始数据建立GM(1,1)动态模型群组,使模型群组在动态过程中产生预测值,克服了单一模型随数据序列不规则波动拟合性差等缺陷。其建模精度大于90%,预测结果平均相对误差小于10%,计算结果准确、可靠,可作为水质监测校核辅助手段,为突发水质污染应急监测提供科学依据。也可广泛应用于水质监测与评价、辽河流域水资源保护规划等工作中。     

改进的灰色灾变模型在干旱预测中的应用

为提高传统的GM(1,1)模型精度,分别从原始数据序列检验和建立残差修正模型两方面进行了改进,并将改进的灰色灾变模型与不进行原始序列检验的GM(1,1)1模型和对原始数据序列进行检验的GM(1,1)2模型进行了比较。结果表明:改进的灰色灾变模型精度最高;运用该模型预测榆林市未来可能发生干旱的年份分别为2012年、2015年和2019年。     

基于灰色系统的年降雨量预测模型探析

灰色预测是采用原始数据序列所生成的新的数据序列进行建模的一种方法。本文根据丹东地区5年的年降雨量系列数据,利用灰色GM(1,1)建立预报模型来预报预测未来降雨量。     

重构背景值双变权GM(1,1)中长期预测模型构建

为了解决传统GM(1,1)模型在中长期预测中存在的局限性和较大偏差问题,提高模型预测精度,拓宽其应用范围,结合全信息变权弱化缓冲算子、全信息加权平均法、Newton-Cotes公式和三次牛顿插值公式,从原始数据变换、背景值重构、初始条件优化3个方面对传统GM(1,1)模型进行改进,建立了重构背景值双变权GM(1,1)中长期预测模型。用西安市年供水量统计数据对模型进行精度检验与分析,结果表明精度检验等级为一级,具有很好的预测精度,可用于西安市年供水量的预测。     

EMD-GM(1,1)模型及在大坝变形预测中的应用

大坝水平位移影响因素复杂,形成的数据序列一般不具有单调性,但灰色GM(1,1)模型只有在数据序列具有单调性时才能得到比较好的结果。针对这种情况,详细讨论了EMD-GM(1,1)模型的基本内容及建模过程。EMD-GM(1,1)模型利用EMD的自适应性,自动地从目标序列提取出若干个独立的内在模式分量（IMF）,剩余余项则具有单调性,然后采用GM(1,1)模型对余项进行拟合,并使用适宜的方法对各IMF分量进行拟合,最后通过加权平均求出最终值。仿真试验表明,EMD-GM(1,1)模型由于考虑了白噪声对模型的影响,提高了灰区间的白色度,预测效果比传统的GM (1,1)模型效果好。因此,在大坝变形的预测预报中EMD-GM(1,1)模型比GM (1,1)模型具有更高的应用价值。     

基于EEMD-SE-LSTM的混凝土坝变形监测模型

为提高混凝土坝变形监测数据的预测精度,构建了一种基于集成经验模态分解(EEMD)与样本熵重构(SE)的长短期记忆网络(LSTM)预测模型.模型利用EEMD对原始数据序列进行分解,并计算每个分量序列的样本熵,以原始序列样本熵作为基准进行重构,再对重构后的各序列建立LSTM模型进行预测,最后把各预测值叠加以得到最终预测结果.以某混凝土拱坝为例,将该模型预测结果与EMD-LSTM、LSTM和SVM模型的预测结果进行对比,结果表明EEMD-SE-LSTM模型具有更高的预测精度,在混凝土坝的变形预测中具备更好的可行性与优越性.     

灰色模型在基坑支护变形预测中的有效应用

在采用GM(1,1)模型预测基坑支护变形,通过选取恰当的原始数据序列,并进行残差修正,能得到精度很高的预测结果。并对此进行了实际工程的算例分析,计算过程中采用了方便快捷的EXCEL方法。     

基于EMD-TAR组合模型的滑坡位移预测研究

针对非线性波动性发展的滑坡,为了提高其位移变化的预测精度,以经验模态分解(Empirical Mode Decomposition)方法对滑坡监测地表位移的时间序列进行处理,将不规律变化的位移序列转化为存在一定规律变化的模态分量,得到不同频率的位移分量,对每一分量单独预测,避免误差相互影响,通过预测所有分量的变化趋势来综合预测位移序列的变化趋势,利用改进门限自回归模型(Threshold Auto Regressive)对非稳态谐波描述性较好的优势预测滑坡位移分量,最后模态叠加得到最终预测位移,建立了基于经验模态分解和门限自回归模型的组合预测模型,结合白水河滑坡实例数据验证该模型的预测精度,通过与BP神经网络模型、长短时间记忆网络模型进行预测对比,提出的组合模型预测精度较高,为滑坡位移的预测提供了一种新的方法。     

基于EEMD和人工蜂群算法的黄水沟年径流预测

针对单一模型预测年径流量精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的组合预测模型。在建模过程中,利用EEMD算法对河川年径流量时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了年径流量非线性组合预测模型。利用该模型对新疆黄水沟2001~2014年径流量进行预测,结果表明,该预测模型取得了较好的预测效果,与SA-BPNN方法和GA-LSSVR方法对比分析,模型评价指标精度均有很大提高。     

灰模型GM(1,N)在径流量预测中的应用

介绍多维灰模型GM(1，N)。以澜沧江上游昌都水文站为对象，分析降水、气温与径流量之间的灰关联度，建立了GM(1，3)模型，有效提高了径流量模拟的精度，通过残差检验和后验差检验，结果表明，该模型精度达到2级，预测精度达到91.91％，符合建模要求，能够用于年径流量预测。     

基于加权灰色-马尔可夫链模型的城市需水预测

城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m³和79 818.34万m³,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。     

基于EMD-LSTM模型的河流水量水位预测

基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。     

基于提升小波优化模型在大坝位移预测中的应用

针对传统建模主观性造成的精度影响以及预测数据的噪声干扰,提出了基于提升小波的系统优化GM(1,1)模型.该模型可有效剔除监测信息的噪声分量,减小预测误差,同时根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,建立了优化GM(1,1)预测模型的最优初始值.对某大坝位移监测信息进行了计算,相对传统GM(1,1)模型而言,优化GM(1,1)模型可明显提高预测精度.     

小波神经网络在径流预测中的应用研究

将小波变换应用到径流序列分析中,获得了黄河陕县水文站109年径流序列的组成情况和变化趋势。用BP神经网络与小波变换相结合,对该站109年径流序列进行了研究,认为：①小波网络预测模型是综合小波变换与神经网络两者优点而形成的一种数学建模分析方法;②小波神经网络的建模算法可有效提高预测精度;③小波神经网络预测中一些数据的预测结果欠佳,其原因主要是由于不存在理想的数字滤波器和误差累积所致。对影响结果的因素进行了分析,并对神经网络、小波神经网络在径流分析中的应用做了评价。     

基于RBFNN数据延拓和CEEMDAN方法的径流序列组合预测

为提高径流预测精度,采用径向基神经网络(RBFNN)数据延拓技术处理完全集合经验模态分解(CEEMDAN)方法中的端点效应问题,并根据分解结果特点构建RBFNN-ARIMA组合预测模型。以1957—2013年黄河源区唐乃亥水文站年径流数据为例,先将选定的序列采用RBFNN进行延拓,然后进行CEEMDAN分解,对得到的分解分量运用RBFNN-ARIMA组合模型进行预测重构得到年径流量预测结果。研究表明,原始序列经过RBFNN数据延拓后再进行CEEMDAN分解,其所得分量可以有效反映不同时间尺度上的波动特征;ARIMA模型对高频IMF1分量的拟合效果较差,对其他中低频分量拟合效果较好;RBFNN-ARIMA组合模型预测结果的平均相对误差为5.23%,相较于RBFNN模型和ARIMA模型预测精度分别提高了9.88%和5.62%。因此,运用基于CEEMDAN方法的"分解-预测-重构"模式进行水文预测,对原始序列进行合理延拓并针对各分量特点进行组合预测可有效提高预测精度。     

灰色马尔科夫模型在年降水量预测中的应用

在遵循新信息优先的灰色理论前提下,分别将第一个时刻的数据x(1)(1)、最后时刻的数据x(1)(n)以及前一个时刻的数据x(1)(k-1)作为初始条件建立GM(1,1)模型,并采取加权的方式对各模型的预测结果进行求和,得到改进后的GM(1,1)模型预测结果。然后,利用马尔科夫模型对优化灰色模型预测结果进行修正。实例应用结果表明:灰色马尔科夫模型预测精度比传统灰色模型有明显提高,与实际降水量数据的拟合程度更好。     

贵州省工业需水量预测研究

等维灰色递补模型以灰色模型为建模基础,引入贵州工业用水量历史数值,选择合适的数据序列,建立预测精度较好的GM(1,1)预测模型,从而构建灰色递补GM(1,1)预测模型。该模型预测精度等级为"好",故预测需水量具有可靠性和参考价值。灰色递补模型显著地减小了后验差比值C,弥补了灰色模型的不足,可为城市中长期供水规划提供方法选择。