城市燃气负荷非平稳时序预测模型的研究

以时间序列分析理论为基础，针对城市燃气负荷具有非平稳时间序列的特点，介绍了非平稳时序模型建模流程。提出了基于Box和长自回归白噪化的改进建模方法，建立了城市燃气负荷用Fourier级数描述周期项及AR模型描述平稳项的非平稳时序模型。     

小波分解层数对电离层预报的影响

针对电离层总电子含量(TEC)所具有的非线性、非平稳的特性,本文将小波分析理论引入到时间序列分析方法中,对IGS中心提供的不同纬度前8 d电离层格网点观测数据进行不同层数的分解,而后采用ARIMA模型预报后4d TEC数据。将预报结果与观测数据对比并统计精度,实验结果表明对电离层格网点数据进行1层~3层分解能够取得较好的预报效果,并且采用1层分解所得预报效果最佳。     

基于HP-EMD和ARMA的短期风速预测

针对风速为非线性非平稳序列的特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)和自回归滑动平均模型(auto-regressive moving average model,ARMA)的预测方法。EMD在对风速序列进行分解时,可能存在模态混叠现象,会影响风速预测精度,为此,提出一种加入高频谐波来抑制模态混叠的方法。首先对风速序列加入高频谐波进行EMD分解,获得比原始序列较平稳的子序列,即固有模态函数(intrinsic mode function,IMF),然后利用ARMA模型对子序列进行建模预测分析,最后将子序列的预测结果相加得到风速的预测值。和EMD-ARMA及直接利用ARMA模型进行预测的结果相比,本文所提的方法预测精度更高。     

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。     

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。     

建筑物差异沉降的时间序列分析与预报

从时间序列分析的基本原理和方法出发,结合建筑物变形监测的关键技术指标差异沉降量的实例分析,给出了时间序列数据平稳化处理、模型定阶的统计检验、模型参数估计以及预报分析的方法,建立的时间序列自回归模型拟合与预报精度较高,为建筑物的地基处理及运营安全提供可靠的决策依据。     

非平稳性地下水动态序列分析及预测

参数模型将非平稳时间序列分离成趋势成分、周期成分和随机成分, 分别建立参数方程, 叠加后可用于非平稳时间序列的预测     

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。     

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。     

边坡位移时间序列分析预测

将边坡位移看成是一系列时刻t1,t2,t3,…,tn得到的时间序列,采用时间序列AR模型,对其进行模型识别、参数估计、位移预报。预测结果表明：AR模型实时建模的分析方法能较好地反映边坡位移变形的动态变化规律,准确预报出边坡位移的发展趋势。     

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。     

Proper orthogonal decomposition of two vertical profiles of full-scale nonstationary downburst wind speeds[lzcl]

The paper proposes a novel analysis framework for nonstationary wind speeds, from which accumulated results can potentially lead to or enhance empirical nonstationary wind speed models such as the hybrid one for downbursts in (Eng. Struct. 26 (2004) 619). This framework is motivated by the proper orthogonal decomposition (POD) technique and consists of four major steps: separation, POD, approximation and property inference. In the first step, the original wind speed time histories are separated into their time-varying mean speeds and fluctuating speeds through wavelet shrinkage, which is a promising new tool for smoothing; fluctuating speeds are further expressed as the product of their time-varying standard deviations and normalized fluctuating speeds with unit variance. In the second step, the POD is applied to the time-varying means, standard deviations and normalized fluctuation. In the third step, by properly selecting the number of retained modes, the original time series can be approximated to a numerical model. Finally, wind properties such as velocity vertical profiles and turbulence vertical profiles can be calculated from the model. The POD employed herein is a specific POD for arbitrary multivariate data representation. The normalized fluctuations are characterized by both their power spectral densities (PSD) and evolutionary power spectral densities (EPSD). The concept of EPSD for nonstationary processes is briefly presented and one EPSD estimator is given. Specifically, the PSD/EPSD of an original process is related to the PSD/EPSD of the principal coordinate process obtained by the POD. This framework is applied to two sets of nonstationary full-scale thunderstorm downburst wind speed time series. Many appealing downburst properties are obtained and the benefit of the POD is demonstrated.     

神经网络法在深基坑变形实时预报中的应用研究

根据深基坑变形的基本特征 ,用神经网络建立了深基坑变形的实时预报模型 ,编制了用于预报的神经网络程序 ,并对上海某深基坑工程变形监测数据进行了建模预报 ,预报结果与基坑边坡实际位移数据相吻合 ,说明了该方法的有效性和实用性     

Near-Term Travel Speed Prediction Utilizing Hilbert–Huang Transform

Abstract:  Accurate short-term prediction of travel speed as a proxy for time is central to many Intelligent Transportation Systems, especially for Advanced Traveler Information Systems and Advanced Traffic Management Systems. In this study, we propose an innovative methodology for such prediction. Because of the inherently direct derivation of travel time from speed data, the study was limited to the use of speed only as a single predictor. The proposed method is a hybrid one that combines the use of the empirical mode decomposition (EMD) and a multilayer feedforward neural network with backpropagation. The EMD is the key part of the Hilbert–Huang transform, which is a newly developed method at NASA for the analysis of nonstationary, nonlinear time series. The rationale for using the EMD is that because of the highly nonlinear and nonstationary nature of link speed series, by decomposing the time series into its basic components, more accurate forecasts would be obtained. We demonstrated the effectiveness of the proposed method by applying it to real-life loop detector data obtained from I-66 in Fairfax, Virginia. The prediction performance of the proposed method was found to be superior to previous forecasting techniques. Rigorous testing of the distribution of prediction errors revealed that the model produced unbiased predictions of speeds. The superiority of the proposed model was also verified during peak periods, midday, and night. In general, the method was accurate, computationally efficient, easy to implement in a field environment, and applicable to forecasting other traffic parameters.     

利用地质统计学预测煤层厚度

 煤层厚度是煤矿设计与开采必不可少的数据,准确地预测煤层厚度,不仅能给煤矿提供有力的地质保障,而且还能给煤矿带来巨大的经济效益。煤层厚度预测可根据已知钻井煤层厚度数据通过拟合或回归分析方法来计算,但由于钻孔数据量有限,因此,所预测出的煤层厚度在孔间与外推区域存在较大误差。三维地震资料在横向上具有良好的连续性,若能将稀疏的钻井数据和密集的地震数据有机的结合起来,将有助于提高井间和外推区域煤层厚度的预测精度。协克里金是地质统计学中的一种二元、无偏、最优插值方法,是以区域化变量理论为基础,以变差函数为基本工具。钻井煤层厚度和地震振幅属性在空间上既存在一定的分布规律,又存在局部的随机性,因此可将钻井煤层厚度和地震振幅作为区域化变量,用变差函数进行模拟,预测出的煤层厚度,既可反映钻井数据煤层厚度的变化规律,又可体现出地震数据的变化趋势。利用研究区巷道揭露的见煤点实测煤层厚度数据,对协克里金法预测煤层厚度进行检验,结果发现煤层厚度预测误差大大降低,精度得到明显提高。这种煤层厚度预测方法特别适合在开展过三维地震勘探的煤矿使用。     

临近基坑建筑物沉降神经网络动态预报

将BP神经网络与遗传算法结合,建立了建筑物沉降的动态预报模型。实例分析表明所建立的模型预测精度较高,预报值与实测值吻合较好,该方法对建筑物沉降的实时预报有一定的实用性。     

混凝土抗渗性能预测的未确知判别分析模型

混凝土抗渗性直接影响着混凝土的耐久性,为解决传统试验方法耗费大量时间的不足,提出用未确知判别分析模型对多种配合比的混凝土进行渗透性仿真计算.该研究成果可以减少混凝土试配次数,节约大量的人力、物力和时间,为高性能混凝土的研究发展奠定了基础.结果表明此模型的可靠度很高,可以用于混凝土渗透性的设计及评估.实例分析表明,建立的...     

大体积混凝土基础底板温度控制

本文介绍了大体积混凝土温度场的伽辽金法的应用。并对大体积混凝土底板进行了温度场预测计算和现场测温。并对预测和实测的结果进行了比较分析。     

多步滚动实时预报法在深基坑开挖监测中的应用研究

对传统BP神经网络存在的不足进行改进,并将其应用于深基坑开挖监测中,建立深基坑变形的实时预报模型;提出一种基于时间效应的多步滚动实时预报法,并利用Windows系统平台,在MATLAB7.0环境下,采用可视化的面向对象编程技术,编制深基坑变形实时预报的计算机程序。实例分析表明:该方法收敛速度快,预测精度高,预报值与实测值吻合较好,深基坑变形的实时预报具有一定的实用性。