路基沉降预测非等时序改进灰色模型应用研究

讨论灰色系统理论在路基沉降预测中的应用，并对等间隔的灰色模型GM（1，1）进行改进，建立了任意时间间隔的非等时序改进灰色模型。通过实例比较，结果表明非等时序改进灰色模型的预测沉降量与实测沉降更接近，精度更高。     

软土路基沉降灰色预测模型的几个关键问题研究

应用灰色系统模型来预测公路软土路基沉降避开了土性物理指标、土体本构关系等复杂的理论问题,应用方便易行,但在运用灰色模型预测沉降中,不等时距处理问题、灰色模型的无限增长问题严重影响了沉降预测的精度,而且灰色系统理论用于沉降预测与施工动态控制时它的适用性也是一个值得研究的问题.研究表明应用三次B样条函数处理原始数据的不等时距、用缓冲弱化算子处理模型无限增长问题是可行的;灰色模型对短期实时沉降预测有较好的精度,对中期阶段性沉降预测可以满足公路施工控制标准的要求,但对长期或最终沉降量的预测值偏大,其适用性有较大的局限性.     

单桩荷载-沉降曲线拟合及极限承载力预测

以灰色预测理论为基础,运用灰色GM（1,1）模型,对单桩荷载-沉降（Q-s）曲线拟舍及极限承载力进行预测,论证了以灰色系统理论对单桩承载力进行预测的意义。结果表明,灰色预测具有要求数据少、计算简单而严密、精度高等优点,在工程中具有较高的实际应用价值。     

铁路路基沉降变形组合预测模型优化

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Poisson-Markov组合预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上与泊松曲线模型建立一种组合预测模型，并利用马尔科夫链进行残差修正，得到改进的动态GM-Poisson-Markov组合预测模型。利用汉巴南铁路路基沉降变形监测数据进行实例分析，将预测结果与泊松、灰色模型、非等间距无偏灰色模型以及组合模型预测结果进行对比分析，结果表明:模型对铁路软土路基沉降变形可取得较好预测效果，提高了预测精度与稳定性。     

沉降预测的等步长灰色时变参数模型

针对经典灰色系统模型的不足,根据灰色系统理论的信息处理原则,在模型中引入遗忘因子,建立了灰色系统沉降预测的等步长灰色时变参数模型,并在求解过程中引入遗忘因子以修正预测结果.模型充分考虑了预测系统的时变性和灰色性,从而降低对预测系统状态的预测误差.实例预测表明,灰色时变参数模型可以将工后总沉降量的预测误差控制在7.0 %以内.误差检验结果显示,预测结果的精度等级较遗忘因子修正前有显著的提高.     

沉降预测的等步长灰色时变参数模型

针对经典灰色系统模型的不足,根据灰色系统理论的信息处理原则,在模型中引入遗忘因子,建立了灰色系统沉降预测的等步长灰色时变参数模型,并在求解过程中引入遗忘因子以修正预测结果.模型充分考虑了预测系统的时变性和灰色性,从而降低对预测系统状态的预测误差.实例预测表明,灰色时变参数模型可以将工后总沉降量的预测误差控制在7.0 %以内.误差检验结果显示,预测结果的精度等级较遗忘因子修正前有显著的提高.     

灰色模型在建筑沉降预测中的改进与发展

灰色理论因其优良的灰色信息处理能力被广泛地应用于建筑沉降预测领域。但随着精度要求的提高,对灰色理论进行的改进从没间断过。从原始理论出发,结合近年来灰色预测模型发展的特点和存在的问题,总结了灰色模型在沉降预测中背景值、参数和控制量等方面的改进,分析认为下一步研究的重点将转向灰色模型方法改进,以及对灰色模型进行机理、权值组合方面的运用。     

GM(1,1)灰色模型在高路堤沉降预估中的应用

影响高路堤沉降的因素很多,可以将高路堤沉降过程看成一个灰色系统。该文利用灰色系统理论,建立了适合高路堤沉降预测的GM(1,1)沉降预估模型及其残差模型。最后将其应用于某高速公路高路堤沉降预测中,经与实测数据对比,表明预测精度良好。     

基于网络基坑沉降预测的马尔可夫修正模型

分析灰色GM(1,1)预测模型存在的理论缺陷,指出灰色GM(1,1)预测模型虽可用于小样本基础数据预测,但对基础沉降一类随机性强、波动性较大的数据拟合质量较差,预测精度降低。因而,提出利用马尔可夫链修正神经网络模型,其计算过程为:首先建立神经网络动态拟合模型作为基础沉降变化的基准线,在此基础上应用马尔可夫链确定系统状态转移概率矩阵,最后通过系统状态划分样本值与模型拟合值之间的残差及中误差等指标分析计算,最终完成基础沉降的准确计算,该模型应用于基础沉降工程实例运算,取得较好效果。     

道路交通事故灰色马尔可夫预测模型

在道路交通事故灰色预测的基础上，引入马尔可夫链预测理论，建立道路交通事故灰色马尔可夫预测模型。道路交通事故灰色马尔可夫预测兼有灰色预测和马尔可夫链预测的优点，模型克服了随机波动性数据对道路交通事故预测精度的影响，拓宽了灰色预测的应用范围。实例计算证明：道路交通事故灰色马尔可夫预测模型预测精度高于GM(1，1)模型预测精度，模型可以用于道路交通事故预测。     

天府广场下穿隧道基坑开挖实测与预测分析

以成都天府广场下穿隧道基坑开挖为工程背景,通过实测数据分析了基坑开挖后地表变形、地中倾斜的规律;应用灰色法和指数平滑法两种模型进行预测,并对两种预测结果进行了比较.结果表明:基坑开挖近1个月内地表沉降增大明显,随后逐渐趋于稳定;地中位移最大值的位置可能从地表附近转为地中较深处;灰色法预测在前期精度较高,但随着时间的增加,其预测精度不如指数平滑法.     

基于灰色-马尔可夫模型的道路PCI预测方法

本文利用马尔可夫模型修正传统灰色GM(1,1)模型的残差,建立基于时间序列的路面PCI动态预测模型;并利用MATLAB软件开发了灰色-马尔科夫链预测模型框架,实现了路面PCI滚动动态预测。将预测模型应用到某高速公路PCI预测中,结果表明该模型的预测能力强,比传统灰色GM(1,1)模型的预测精度更高,能满足实际工程需求。     

灰色系统理论在桥梁线形控制中的应用与研究

在桥梁施工控制过程中,灰色系统理论得到了广泛的实用,而使用最多的是GM(1,1)模型来预测标高,但是通过实践证明GM(1,1)模型所预测的数据精度并不是非常准确,因此对灰色系统理论进行进一步的研究是迫切的。笔者在沈阳四环跨越沈丹线立交桥实际工程的施工控制中应用了灰色系统理论方法,采用了3种不同的样本数据建立GM(1,1)模型。并建立4个样本数的GM(2,1)模型,并对以上模型所预测的标高结果与实际标高进行对比分析。实践证明灰色理论成功的应用在了跨越沈丹线立交桥的施工控制中,并验证了GM(2,1)模型在预测精度上高于GM(1,1)模型,而增加样本数据非但不能提高GM(1,1)模型所预测的精度反而随着样本数据的增多精度随之降低。     

GM（1，1）模型在长沙绕城高速公路软土地基沉降值预测中的应用

通过路基填筑过程所获得的有效获信息有限,缺少较准确的描述,符合灰色系统理论最少信息原理特征,因此凭借对灰色预测模型最核心的 GM（1,1）模型的研究,建立合适的灰色预估模型来对沉降进行预测。通过模型计算与现场实测的比较,结果表明：GM（1,1）模型可用于沉降值的预测,计算精度较高。     

灰色系统理论在填石路堤沉降预测中的应用

基于填石路堤沉降现场试验,采用负指数曲线拟合路基沉降与时间关系,其与沉降变化趋势吻合较好,说明应用灰色系统理论预测填石路堤沉降是可行的。结合填石路堤沉降特点,首先建立相同沉降观测时段的灰色系统GM(1,1)模型,再运用最小二乘法优化GM(1,1)模型参数,并分别进行实例预测。结果表明,与GM(1,1)模型预测相比,参数优化模型预测精度会有显著提高,且能满足工程要求。     

基于动态GM-Markov优化模型的高铁路基冻胀变形预测研究

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Markov预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上利用马尔科夫模型进行残差修正，得到改进动态GM-Markov预测模型。利用某高铁路基冻胀变形监测数据进行实例分析，将改进的动态GM-Markov模型预测结果与灰色以及非等间距无偏灰色模型、最优组合模型预测结果进行对比分析，结果表明:改进的动态GM-Markov模型对于波动性较大的冻胀变形可以取得较好预测效果，提高了预测精度与稳定性。     

基于灰色理论桥梁群桩基础工后沉降的预测

基于灰色系统理论,应用其等时距GM(1,1)模型及改进的新陈代谢模型对沉降进行预测,通过与蕴藻浜特大桥一墩的沉降观测资料的对比分析,证明文中提出的工后沉降灰色理论预测方法,在工程实际中是可行的。     

灰色理论在软土路基沉降分析中的应用

根据灰色理论建立GM(1,1)模型,得到时间响应函数及预测模型,据此对路基沉降过程和最终沉降量进行预测,其预测精度满足工程需要.     

基于灰色模型的高速公路路基沉降预测

在公路施工过程中,路基施工质量的好坏是确保公路施工质量的关键,为确保路基施工质量,必须掌握路基沉降的变化情况,特别是要能够较为合理地预估路基沉降的变化情况.文中利用灰色系统理论建立GM(1,1)灰色预估模型及其残差模型,并应用于某高速公路路基沉降变形预测中,预测结果和实测结果能较好地吻合,验证了预估模型的精度和预测方法的可行性.     

青藏铁路路基沉降变形的灰色预测模型研究

灰色系统预测模型的本质是对已知数据序列进行类型为指数形式的曲线拟合,然后将曲线延伸到未来,由此对未知的数据做出预测。介绍所建立的青藏铁路路基沉降变形的灰色预测GM(1,l)模型,试验应用表明,该模型具有较高的预测精度。