联合多种数据驱动建模方法的滑坡位移预测研究

边坡位移是滑坡演化的宏观体现,分析并预测滑坡位移发展态势对于防灾减灾具有重要意义。由于滑坡位移曲线具有明显的非线性特征,单一模型往往难以刻画其非线性与复杂性。为发展一种普遍适用于滑坡位移的预测方法,提出了一种联合多种数据驱动模型的新方法。该方法根据时间序列分析理论,将滑坡位移序列分解为趋势项和周期项,趋势项采用并联型灰色神经网络处理,周期项则采用人工蜂群算法（ABC）优化后的极限学习机模型（ELM）处理,从而充分应用各种模型的优点。以三峡库区白水河和八字门滑坡为例,对位移数据进行分析处理后,灰色神经网络模型预测其趋势性位移,改进后的极限学习机模型对周期性位移进行训练及预测。结果表明:在预测精度上,优化后的极限学习机模型准确度高于极限学习机模型及小波神经网络等方法,提出的灰色神经网络与ABC-ELM的组合模型可作为实际工程的一个参考。     

一种新的煤层气产出动态预测模型

运用灰色系统和时间序列分析理论,建立了一种用于煤层气产出量拟合与预测的动态模型——等维递补灰色-时序组合模型。将这一新的模型应用于山西沁水盆地南部潘庄地区某些典型煤层气井排采量数据的拟合与预测。结果表明,其对历史数据的拟合具有较高的精度,可以适用于煤层气排采的中长期预测。      

基坑变形的灰色-时序动态预报方法

基坑变形是一个动态的相互依存的过程。在基坑开挖与施工过程中,可用灰色理论GM(1,1)与时间序列AR组合模型预测其变形发展。灰色模型预测发展趋势,时间序列预测其随机部分。根据某时间序列变形观测值分别建立灰色与时间序列预测模型,并随着新数据的加入适时修改模型参数。工程实例研究表明:用组合模型预测变形值,其误差大多数情况下小于5%;在数据较少或变形数据变化较大时,组合模型预测值明显优于单一模型预测值。但在数据较多且变化平稳时,用单一的灰色模型与灰色时间序列组合模型预测误差相差不大。预测步数越多,则预测精度越低。     

河流水质的灰色预测模型

本文应用灰色预测理认所建立的河流水质主要污染物溶解氧、高锰酸盐指数、氨氮、砷化物的普通ＧＭ（Ａ，１）和新息ＧＭ（１，１）预测模型均经三种方法检验合格，可利用所建立模型对未来时间的河流水质进行预测。     

地面沉降模拟计算的灰色离散GM（1，1）模型

地面沉降的模拟计算属于灰色问题,建立一个有效的灰色预测模型是十分重要的,在分析灰色线性回归组合模型模拟序列特点的基础上,建立了以原始数据直接建模的离散GM（1,1）模型（称为ODGM（1,1）模型）,将某沉降实例数据建立ODGM（1,1）模型,并与灰色线性回归组合预测模型进行比较,结果证明离散GM（1,1）模型优于灰色线性回归组合预测模型。     

深基坑支护结构侧向位移时间序列分析

以武汉地区深基坑支护实例为采集数据样本,采用时间序列分析方法拟合模型,目的是寻求支护结构侧向位移的ＡＲ（ｎ）数学模型,利用所建模型对支护结构侧向水平位移进行最佳预测,其预测值与实际值误差较小,预测精度度较高。     

边坡非线性位移的分段最小二乘-时间序列分析

利用最小二乘法对位移时间序列进行分段拟合以提取时间序列的趋势项，从而将非稳定时间序列稳定化，对去除趋势项的稳定时间序列即残差进行常规AR（p）时序分析。结合滚动预测方法，建立边坡失稳预测的叠合模型，以长江三峡某边坡为例，对该模型进行的检验表明：新模型的预测精度较高、实时可靠。     

基于GM（1，1）的组合灰色模型预测软基沉降

以灰色系统理论为基础,建立了沉降预测的组合灰色模型,对一般灰色模型具有的无限增长特性进行了改进和修正。在求解过程中,采用spline插值函数对现场观测沉降数据进行插值变换生成等时距序列,并对沉降预测模型的初值进行了优化选择,以提高预测精度。运用MATLAB语言编制模型计算程序,通过沉降预测实例及后验差法检验模型精度,表明沉降预测的组合灰色模型预测精度较高,具有较强的适用性。     

基于灰色理论的时间序列分析在地面沉降预测中的应用

地面沉降的准确预测对减灾防灾和指导地区工程规划和建设意义重大。使用地区地面沉降观测数据,将灰色理论模型与时间序列分析相结合,构建组合模型。该组合模型既反映地面沉降与其影响因素之间的灰色关系,又考虑地面沉降观测数据的随机性,有利于对地区地面沉降做出科学合理的预测。     

河流封冻日期长期预报的MMFA模型

本介绍了均值生存函数这一时间序列分析中的新概念，并经过主成分分析建立了时间序列模拟与预测的数学模型（记作ＭＭＦＡ）。该模型应用于黄河下游利津河段封河日期序列的模拟和预报。结果表明，１９５０－１９８１年度序列拟合的平均相对误差为９．５％，１９８１－１９９１年度序列预报的精度达８５％以上。总之，ＭＭＦＡ模型应用于黄河下游封冻日期长期预报是完全可行的。同时指出了ＭＭＦＡ模型的实用性和存在的不足之处。     

金矿资源量灰色建模预测法

本文应用灰色预测的理论，在给出了矿床定性预测－灰色关联分析预测法的基础上，提出了矿床资源量定量预测－灰色ＧＭ（１，１）拓扑预测法。理论分析和预测结果表明，该方法适用于矿床的定量预测，为预测金矿资源提供了科学依据。     

杭州市城市垃圾量的灰色预测及其关联分析

以杭州市历年生活垃圾排出量为参考序列，由人口变化、国民收入等因素组成５个比较数列，按灰色理论计算得关联系数、关联度和关联序，进而分析各因素之间随时间变化的动态关系及其特征。并以城市垃圾量的数据建立了ＧＭ（１，１）模型，预测杭州市垃圾排出量。结果表明，模型精度较高，预测值的验证性良好。我们认为环境水文地质方法可以在提高城市环境质量方面发挥良好的作用。     

哈尔滨市江南地区地下水水位水质灰色系统均值生成序列算子预测

地下水位，水质是受多种（水文、气象、地貌、地质、水文地质条件和人为活动）因素影响，其原始数据列表象复杂，离乱，但它必须蕴含某种内在规律性。关键是选择适当方法去发掘和利用它。一切灰色序列都能通过某种生成弱化其随机性，显现其规律。建立ＧＭ（１．１）模型采用均值生成和序列算子，对哈尔滨市江南地区地下水位，水质预测，结果较其它方法预测结果更接近实际，精度更高。     

GM—BP串联组合预测模型在滑坡变形监测中的应用

为了提高滑坡的预测精度,通过对灰色GM（1,1）模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM（1,1）模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。     

滑坡变形组合预测方法的研究

为了预测边坡变形大小,以便及时采取防治措施,通过取不同的迟滞时间对原始监测数据进行相空间重置获得新的数据序列,再以这些新的数据序列为基础,采用预测残差平方和最小的线性优化方法,将ARMA时间序列法和GM（1,1）灰色理论的预测结果进行组合,对某矿的边坡变形量进行滚动组合预测。对不同方法的预测精度和预测残差的标准差进行了对比分析,结果对比表明,组合预测较单项预测方法残差标准差明显减小,且相空间重置后的组合预测结果提高了直接预测的平均预测精度,这为边坡变形趋势的预测与防灾预警提供了可靠的方法。     

基于灰色GM（1,1）模型的城市工业用水量预测

介绍灰色理论建模原理和模型参数辨识方法,并以实例（抚顺地区1994~2004年工业用水资料）建立灰色GM（1,1）预测模型,运用残差检验与后验差检验2种方法对模型进行精度检验,其模型拟合精度达98.72%。用所建立的模型对抚顺2001~2004年工业用水量进行外推预测。结果表明,该灰色模型用于工业用水量预测,符合其灰色特性,通用性好,并且所需数据少,计算量适中,预测结果与当地实际情况比较吻合。     

地下水水位的灰色动态预测模型

本文从灰色系统理论的基本原理出发，介绍了建立地下水水位灰色动态预测模型的方法。作为应用实例，为渭北煤田东部矿区建立了奥灰水水位ＧＭ（１，１）模型，对全区预测奥灰水水位及寻找奥灰地下水源有一定参考价值。     

基于R/S分析法的等维灰数递补动态GM(1,1)模型预测矿井涌水量

针对矿井涌水量时间序列的分形与灰色特征,采用重标极差分析法（R/S分析法）确定涌水量时间序列的Hurst指数和平均循环周期,在一个周期内建立等维灰数递补动态GM（1,1）预测模型。充分利用最新信息,提高模型预测精度。运用基于R/S分析法的GM（1,1）模型对陕北某矿矿井涌水量进行分析预测,结果表明,模型拟合程度好,预测精度高,能够为矿井安全生产提供决策依据。      

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。