共查询到16条相似文献，搜索用时 203 毫秒
1.
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。 相似文献
2.
时序递阶组合模型在冰川河流年径流量预测中的应用研究 总被引：2，自引：0，他引：2
应用时间序列分析方法，交雪源于天山的奎屯河的年径流量时间序列通过趋势项、周期项和平稳随机项的识别、建模与提取、建立了时序递阶组合模型。应用该模型对奎屯河年径流量进行了预测，为新疆生产建设兵团奎屯河流域灌区水资源合理配置和优化调度提供了科学依据。 相似文献
3.
滑坡位移非线性时间序列预测模型研究 总被引：1，自引：0，他引：1
《地质科技情报》2016,(5)
从分析滑坡位移的实际变化情况和滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。 相似文献
4.
隧道围岩压力的神经网络时间序列分析 总被引：2，自引：0，他引：2
围岩压力是隧道开挖后重要的反馈信息之一,受不确定性因素影响,围岩压力监测数据是一个不平稳的时间序列,包括趋势项和随机项。采用BP网络对不平稳时间序列进行数据拟合,处理趋势部分,利用ARMA模型处理随机部分。结合累进算法,对浙江某新建隧道围岩压力进行时间序列预测。结果表明该方法具有较高的预测精度,最大相对误差为3.73%,能够应用于工程实际当中。 相似文献
5.
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。 相似文献
6.
基于相空间重构的边坡位移预测 总被引：20，自引：1，他引：19
根据边坡位移时间序列的非线性性质, 应用基于相空间重构的实时预测方法, 可以充分利用时间序列信息, 预测
各种边坡变形演化趋势。 讨论了局域法和基于 Ly apunov 指数的预测法。 实例研究表明, 基于相空间重构的预测方法具
有比非平稳时间序列更高的预测精度和更广的适应性。 相似文献
7.
雷州半岛年降水量序列分析及预测模型 总被引：6，自引：1，他引：6
采用了雷州半岛徐闻气象站年降水量(1957～2002年)的时间序列资料,运用时间序列分析建模方法,对序列提取趋势项和周期项,并用自回归-滑动平均混合模型拟合剩余序列,然后再对年降水量序列进行预测。分析结果证明,建立的时间序列预测模型,具有较高的预报精度,其预测的结果可以用作雷州半岛旱情预报和防治的参考依据。 相似文献
8.
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。 相似文献
9.
以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。 相似文献
10.
岩石边坡系统是一典型灰色系统，其变形发展过程可以用灰色预测模型完成。尽管传统GM（1，1）模型预测有很多成功的实例，但是也存在一些预测偏差过大的情况，必须对其进行优化。逐步迭代法GM（1，1）模型不仅收敛速度快，而且与原始数据库序列的凹凸性保护一致。利用自编的计算程序对马步坎边坡预测测点G1沉降和开裂进行预测分析，结果表明逐步迭代法GM（1，1）优化模型计算精度较传统GM（1，1）模型和背景构造法GM（1，1）优化模型高，较好地反映了岩石边坡的变形趋势。 相似文献
11.
高边坡变形非线性时变统计模型研究 总被引：2，自引：0，他引：2
基于高边坡长期变形监测资料,深入分析了边坡变形的影响因素,建立边坡非线形时变统计监控模型,并将模型应用于锦屏一级水电站边坡工程。通过典型测点长期监测资料的分析,确定时效和降雨是影响边坡变形的2个主要因素,并给出了各自的表述形式,在Matlab平台上,采用非线性回归方法得到边坡非线性时变统计模型的参数。在此基础上,根据边坡变形拟合残差时序,采用ARMA模型方法进行拟合和预测,对边坡非线性时变模型的拟合和预测进行修正。结果表明,模型能较好地描述高边坡的变形特征,并且具有很好的拟合和预测精度。 相似文献
12.
结合支持向量机和马尔可夫链,提出了一种新的位移时序预测模型--支持向量机－马尔可夫链预测模型（SVM-MC）。通过对实测位移值的学习,利用经粒子群算法优化的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上应用马尔可夫链确定位移时序的状态转移概率矩阵,通过对状态的划分、实测值与支持向量机拟合值的绝对误差及相对误差等指标的分析,实现了对预测结果的改进。将该模型应用到某工程永久船闸高边坡的位移时序预测中,结果表明,该模型具有科学可靠、预测精度高的优点,在岩土体位移时序预测中具有有一定工程应用价值。 相似文献
13.
滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。 相似文献
14.
基于小波变换和GALSSVM的边坡位移预测 总被引：1，自引：0，他引：1
边坡变形是一个受多种因素综合作用的复杂非线性动力学演化过程,用现有的物理模型来解决边坡变形的预测问题有很大难度。大量的研究工作表明,用实测的边坡位移时间序列来预测边坡未来变形更为准确,而将多种方法组合起来进行预测成为研究的主要趋势。在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。首先利用小波变换将边坡时间序列分解为低频分量和高频分量,然后利用互信息法和伪近邻法得到各分量的时间延迟和嵌入维数并进行相空间重构,再根据各个相空间的特点建立相应的GALSSVM预测模型,最后把各分量的预测结果进行小波重构,重构后的结果即为最终的边坡位移预测结果。对丹巴滑坡预测研究表明,这种新的预测模型具有较高的预测精度,可以应用于实际工程 相似文献
15.
灰色-进化神经网络模型在深埋隧道围岩变形预测中的应用 总被引：4，自引：0，他引：4
由于深埋隧道围岩的变形受到构造、应力场、地下水、开挖方式等复杂因素的综合影响,具有位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将隧道围岩位移量分解成具有确定性的趋势项和具有不确定性的随机项。建立灰色–进化神经网络模型对趋势项和随机项进行预测,既结合GM（1,1）模型较好预测序列增长趋势的特点,又结合神经网络利用自适应实现网络总体误差最小的特点,进而解决了单一利用GM（1,1）模型时预测值的随机偏离量较大的问题,保证了预测的精度。将该模型应用于基于实测位移资料的堡镇隧道围岩水平收敛位移短期预测,较好地揭示了隧道围岩收敛位移演化的规律,为合理选取二次衬砌时机提供了参考。 相似文献
16.
Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model 总被引：2，自引：2，他引：0
Landslide prediction is important for mitigating geohazards but is very challenging. In landslide evolution, displacement depends on the local geological conditions and variations in the controlling factors. Such factors have led to the “step-like” deformation of landslides in the Three Gorges Reservoir area of China. Based on displacement monitoring data and the deformation characteristics of the Baishuihe Landslide, an additive time series model was established for landslide displacement prediction. In the model, cumulative displacement was divided into three parts: trend, periodic, and random terms. These terms reflect internal factors (geological environmental, gravity, etc.), external factors (rainfall, reservoir water level, etc.), and random factors (uncertainties). After statistically analyzing the displacement data, a cubic polynomial model was proposed to predict the trend term of displacement. Then, multiple algorithms were used to determine the optimal support vector regression (SVR) model and train and predict the periodic term. The results showed that the landslide displacement values predicted based on data time series and the genetic algorithm (GA-SVR) model are better than those based on grid search (GS-SVR) and particle swarm optimization (PSO-SVR) models. Finally, the random term was accurately predicted by GA-SVR. Therefore, the coupled model based on temporal data series and GA-SVR can be used to predict landslide displacement. Additionally, the GA-SVR model has broad application potential in the prediction of landslide displacement with “step-like” behavior. 相似文献