极移时间序列建模及预测

基于自回归滑动平均(auto-regressive and moving average,ARMA)模型以及一阶差分ARMA模型分别对极移的X分量和Y分量进行了模型拟合,并利用所拟合的模型对极移进行了预测.通过与国际地球自转服务发布的实测极移数据以及其他方法对比,证明了所建立的拟合模型在短期预报上的有效性.且X分量的ARMA模型在39 d预报跨度内的整体精度优于一阶差分ARMA模型,而Y分量45 d内的一阶差分ARMA模型预报精度比ARMA模型预报精度更高.     

时域卷积组合模型在桥梁沉降预测中的研究

针对桥梁所承受的动静荷载特性差异问题,该文通过小波分解将垂直位移监测数据分解成低频和高频信号,低频信号稳定性强,主要呈现了静荷载影响特点,而高频信号波动性较大,呈现了动荷载影响特点,因此将低频信号和高频信号分别进行小波重构,重构后的低频信号和高频信号分别使用时域卷积神经网络和BP神经网络进行预测,并进行叠加处理得到最终预测结果。以常泰大桥实际静力水准沉降监测项目为例,将该文模型预测结果分别与小波优化的BP神经网络模型和小波优化的自回归滑动平均模型(ARIMA)预测结果进行对比分析,已有的两种模型预测的平均绝对误差分别为0.61 mm和1.38 mm,而该文模型预测的平均绝对误差为0.46 mm,预测精度的提高,为桥梁的施工和维护提供参考。     

改进的MEEMD-ARMA残差修正组合预测模型

针对改进集总平均经验模态分解(MEEMD)的端点效应、分解分量过多以及自回归滑动平均(ARMA)模型在极值点附近预测效果不好,该文提出一种改进的MEEMD与ARMA残差修正组合预测模型。采用支持向量机(SVM)进行数据延拓,样本熵为分解分量合并尺度以及残差修正预测值,较好地解决MEEMD的端点效应和分解分量过多的问题,提高ARMA模型预测值在极值点附近的精度。利用国际GNSS服务(IGS)提供的2015年年积日为135~164d不同经纬度电离层总电子含量数据,用3种模型对5d内的数据进行预测。实验结果表明:改进模型很好地抑制了端点效应,合理地减少了MEEMD分量,提高了极值点附近的预测精度,且整体精度得到大幅提升。     

采用自回归滑动平均模型的地球自转参数短期预报

根据地球自转参数时间序列的特性,给出了自回归滑动平均模型的识别方法,在自回归滑动平均模型参数估算中采用了长自回归白噪化方法,试验分析表明,采用该方法进行参数估计时具有简便较为有效的特点,同时,该方法的另一个特点是全部求解过程都是解线性方程组,避免了非线性运算。为减少地球自转参数时间序列相邻数据的强相关性,先扣除地球自转参数时间序列的趋势项和周期项,再对残差序列进行差分处理,最后利用自回归滑动平均模型对地球自转参数进行短期预报,有效验证了上述算法的可行性及正确性,地球自转参数短期预报结果与地球自转服务产品相当。     

基于时间序列的鄱阳湖水位分析与预测

以鄱阳湖外洲水文站为研究对象,主要介绍了水位与水流量的曲线模型以及自回归模型,选择短周期的水位和水流量数据,采用Matlab拟合最优的水位与水流量的曲线模型,剔除水流量对水位的影响,采用自回归模型并基于最小二乘原理对其剩余量进行拟合及预测。结果显示,曲线模型+自回归模型的拟合和预测效果明显优于单一的曲线模型和自回归模型,用后验差法检验显示预测精度等级为好,因此,该模型可对鄱阳湖外洲站水位进行短期预报。     

基于优化残差组合的北斗卫星短期钟差预报研究

为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性.     

基于ARIMA模型的边坡变形分析与预测

详细论述了时间序列分析中的平稳性分析、模型识别、模型评价和模型预测的过程，建立自回归滑动平均求和（ARIMA）模型对2016年6月29日-2017年10月4日共计461 d的边坡监测数据进行时间序列分析和预测。结果显示：利用ARIMA模型对边坡观测数据进行时间序列分析具有可行性，并能取得较好的效果，研究成果可为工程施工和防灾减灾提供技术参考。     

基于蚁群算法的组合预测在基坑沉降监测中的应用研究

运用曲线拟合、自回归法和指数平滑法对基坑变形监测数据进行初步预测,并利用蚁群算法将曲线拟合、自回归预测和指数平滑预测进行组合,实现最优权重的选取,完成组合模型的设计和实现.最后对某基坑监测数据预测和分析表明,基于蚁群算法的组合模型综合利用了单个模型的特点,预测结果比单一模型的预测精度有明显提高.     

基于ARIMA与Holt-Winters组合模型的电离层TEC预报

分别采用时间序列中的求和自回归移动平均模型ARIMA(Autoregressive integrated moving average)模型和指数平滑模型Holt-Winters的加法模型,对IGS站发布的广西地区16个格网点进行短期的电子含量TEC预报。并利用组合权重的方法对两种模型组合进行TEC短期预报。分析比较不同季节各个模型的预测效果,以及电子含量的变化与太阳黑子数变化之间的联系。结果表明,组合模型的预测精度在各个季节都优于两种单一模型,不同季节,太阳黑子数的含量和电离层电子含量预测的精度也有较大差异。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

一种基于SARIMA的经验对流层延迟模型

为了减弱对流层延迟的影响,提高GNSS定位精度,探讨了在无气象参数的条件下,利用预测模型计算对流层延迟的可能性,并提出了一种经验对流层延迟预测模型,即基于季节性自回归移动平均模型（SARIMA）的对流层延迟预报方法。结合中国长春和上海两个地区的ZTD数据进行预测分析,预测结果表明：基于SARIMA的ZTD预报模型能够满足不同地区不同时段下的ZTD估计需求,是一种较高精度的ZTD预报方法。     

基于时间序列的变形监测数据处理方法比较研究

本文首先对时间序列的一些基本原理进行介绍,详细阐述了简单移动平均法、加权移动平均法、趋势移动平均法等方法。结合实测的基坑测斜数据进行分析、预测,比较三种不同模型的预测精度,表明趋势移动平均法在基坑测斜数据处理中具有最好的拟合性。     

组合模型在沉降预测中的应用研究

预测建筑物沉降的方法有多种,高精度预测才是关键。本文在利用灰色模型和泊松曲线模型进行预测结果的基础上,利用最小二乘法原理,建立加权组合预测模型与变权组合预测模型,求得相应规划模型的权系数,通过对预测结果进行分析比较,认为组合预测模型能提高预测的精度。     

变权组合预测模型在大坝沉降监测中的应用

为探讨变权组合预测模型在变形监测中的应用,以监测某大坝沉降量为实例,研究基于线性回归预测模型和灰色模型GM(1,1)的变权组合。通过预测该大坝坝内沉降量,比较两种单一预测模型和变权组合预测模型的预测误差平方和,证明变权组合预测模型在沉降预测中具有更好的预测精度。     

BP模型在变形监测数据分析和预测中的应用

本文通过对BP网络模型的研究,建立BP神经网络预测模型,并使用VC++语言编程加以实现。将模型应用于东江大坝实测变形监测数据的分析和预测,对时间序列建模和以环境变量为自变量两种方法建模,发现这两种模型都可以很好的实现变形量的预测,且以自变量为因素所建立的模型预测精度更高。     

基于冠层反射光谱的水稻产量预测模型

基于地面实测的水稻冠层反射光谱,计算了常用的8个植被指数,并在产量形成生理特征的基础上,系统分析了水稻籽粒产量及其构成因素与各植被指数之间的关系。结果表明,通过单一生育时期或某个生育阶段的光谱植被指数来直接估测产量精度较低。发现叶面积氮指数(叶片氮百分含量与叶面积指数的乘积)的变化趋势很好地反映了产量的形成过程,且与光谱植被指数极显著正相关,基于此建立了水稻的光谱植被指数-累积叶面积氮指数-产量估测模型(VICLANIYieldModel)。并将其与LAD-产量模型、多生育期复合估产模型进行了比较,表明本模型预测精度最高。     

一种时空路径支持下的车辆油耗与排放估计方法

交通运输中能耗与污染物排放给人类环境带来了严峻挑战。本文提出了一种时空路径支持下的油耗、排放估计新方法。该方法首先在时空集成的三维坐标系下建立个体车辆的时空路径并从中识别移动/停留行为,然后根据时空路径段与提取的运动参数利用COPERT模型估计车辆的油耗和排放,最后提出一种时空路径的N维表达模型,将车辆的运动特征与时空路径段的油耗与排放统一进行可视化。试验中利用武汉市GPS轨迹大数据估计并分析了单辆车与路网片区的油耗与排放,结果显示本文提出的时空路径支持下的车辆油耗与排放估计方法在估计精度与可视化方面优于传统的基于平均速度估计方法,能够更加准确地估计和表达车辆油耗与排放。     

pGM(1,1)模型在变形预测中的应用

分析了GM（1，1）模型在背景值取值上的不足，提出了一种基于权的pGM(1,1)模型，通过模型比较，表明pGM(1,1)模型具有更好的预测效果，并用该模型进行了实际的变形预测。     

Dam deformation analysis based on BPNN merging models

Hydropower has made a significant contribution to the economic development of Vietnam, thus it is important to monitor the safety of hydropower dams for the good of the country and the people. In this paper, dam horizontal displacement is analyzed and then forecasted using three methods: the multi-regression model, the seasonal integrated auto-regressive moving average (SARIMA) model and the back-propagation neural network (BPNN) merging models. The monitoring data of the Hoa Binh Dam in Vietnam, including horizontal displacement, time, reservoir water level, and air temperature, are used for the experiments. The results indicate that all of these three methods can approximately describe the trend of dam deformation despite their different forecast accuracies. Hence, their short-term forecasts can provide valuable references for the dam safety.     

新陈代谢灰色模型在地铁变形监测中的应用

针对地铁开挖造成的地表变形预测问题,本文探讨了灰色模型的基本原理与优势,并以某地铁实测变形数据为依据,采用新陈代谢GM(1,1)模型进行建模预测,以ARMA预测模型、GM(1,1)模型分别进行对比分析。通过精度评定,获取可靠结论。实验结果表明,3种预计模型均可获取一定精度的预测值,新陈代谢GM(1,1)模型的预测值准确可靠,精度高于另外两种模型,为同类变形预计的实际工程项目提供了依据,具有参考价值。