基于指数平滑技术的灰色沉降预测模型及应用

GM(1,1)模型是沉降预测中应用较为广泛的模型之一,在实际应用当中发现其预测效果有时候较差甚至完全失效。将指数平滑技术引入到灰色预测模型中,该方法既充分利用了观测序列中的有用信息,又大大减少其随机性,将平均斜率法对灰色模型的背景值计算方法进行了改进,将原始观测数据序列变换成规律性强的呈指数变化的序列。某公路试验段实测沉降数据计算表明,新方法有满意的拟合和预测效果,为提高建模精度提供了新的途径。     

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。     

垄茶高速公路土石混填路基沉降特性分析

垄茶高速公路建设中,部分高填方路段采用了一些加固措施以加速稳定,为了确保建设质量和指导施工,还对处治后路基进行了沉降观测。目前,灰色理论的 GM（1,1）模型在沉降预测中应用较广,大量研究成果表明预测值与实测值较为吻合。但在实际观测中,数据多为非等时距,因此需要选择合理的原始数据序列并进行等时距变换。采用了灰色系统理论方法对某一处强夯处治后的土石混填路基进行了沉降特性研究以评估处治效果,计算结果显示处治方式较为合理,对垄茶高速公路类似高填方路基的处治有较好的指导和参考作用。     

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。     

灰色模型在铁路软基沉降预测中的应用

依托上海至南通铁路DK84+420，DK85+900工点的建设，基于灰色理论，建立GM（1，1）灰色模型，分别采用等时矩和不等时矩观测方式，预测了两工点沉降趋势和最终沉降量。研究结果表明:沉降周期三个月内实测数据与预测数据相比，相对误差为4%左右，证明灰色GM（1，1）模型在软土沉降预测上可行；根据实测资料可构建灰色模型时间相应序列方程，预测出断面总沉降值，检验沉降值及沉降速度是否符合规范；同时可构建沉降预测方程，数值模拟沉降趋势。     

高填路基沉降灰色预测模型的新方法与应用

将确定积分常数的方法分为3种:1)通过建模数据序列的第一点确定积分常数;2)通过建模数据序列的最后一点确定积分常数;3)通过建模数据序列拟合误差最小点确定积分常数。并分别对湖南省邵怀高速公路高填路基沉降观测的6组数据进行了预测,通过对预测结果的对比分析,提出了根据建模数据选择曲线类型的方法。在预测中对部分数据进行了光滑性检验,对于不满足光滑性条件的2组数据采用累计沉降来建立路基沉降灰色系统预测模型,可使高填路基沉降量预测准确度显著提高。     

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。     

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。     

基于灰色理论的高速公路软基沉降监测数据插补研究

研究了多变量灰色模型——MGM(1,n)模型对软基沉降监测数据进行插补,插补结果基本满足要求。并用常用的灰色模型修正方法对MGM(1,n)模型进行修正,修正结果较未修正前均有了不同程度的改进,数据的拟合和短期预测精度较好,但长期预测结果有待提高。同时采用了相邻监测序列的已知数据对缺失值的预测结果进行进一步修正,这样得到的预测精度有了很大提高,能满足沉降缺失值序列数据插补的要求。     

GM（1，1）模型在高填方路基沉降预估中的应用

文中讨论了不同高路堤沉降预估方法的特点,并以某高速公路沉降观测点实测数据为例,建立了灰色GM（1,1）预估模型;并编写相应程序对高路堤后期沉降进行了预测,将预测结果与实测结果进行了对比。结果表明,灰色GM（1,1）预估模型可以对实测数据进行更好的拟合,且其对后期的预测沉降量与实际沉降量更接近。     

基于Verhulst模型的长短桩复合地基沉降预测

通过对软土路基沉降特征的分析,提出了利用灰色理论结合Verhulst模型对长短桩复合地基进行沉降预测,给出模型精度评定方法,并提出非等时距沉降序列转换为等时距的插值方法.实例计算表明,该方法拟合误差小,预测精度高,预测结果理想可靠.     

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。     

基于时间序列分析法的软土路基沉降预测研究

采用时间序列分析法，根据已有的路基沉降观测数据，建立模型，预测路基沉降的发展趋势。实例分析表明:利用该分析法预测路基沉降，不仅能避开软土路基复杂的力学性质，还可避开利用传统的路基沉降计算方法所用到的大量参数，而且建模比较简单，所得最终预测结果误差较小。     

动态灰色理论模型在路基沉降预测中的应用

详细阐述了灰色模型的基本内容和动态灰色模型的实现,并成功将其应用于陕西省某路段软土地基的沉降预测。实践及理论证明,动态灰色预测模型由于实时加入系统的最新数据,提高灰区间的白度,预测精度比传统灰色模型高,表明动态灰色模型理论正确,精度合格,能够满足实际工程应用。用MATLAB编制了动态灰色模型预测程序,使应用该模型进行预测变得简便易行,大大节省了工作量。     

路堤沉降与稳定观测数据处理方法对比分析

用双曲线回归拟合法、指数曲线拟合法和星野法3种方法进行了路堤沉降与稳定观测数据的处理，通过对拟合结果的分析说明了三种方法的各自特点。结果表明，3种方法的短期沉降预测能力均较好，星野法模型较其它两个模型与实际最贴近，双曲线模型与星野法模型拟合效果相近，而指数曲线模型预测的最终沉降量较另外两个模型偏大。     

基于三弯矩样条函数插值模型的非等距时序灰色预测方法

给出了三弯矩样条函数插值模型,用以解决非等距时序GM（1,1）的灰色预测问题.在国际平整度指数IRI的非等距时序样条灰色预测应用实例表明,该方法在作非等距时序列向等距时序列转换中保留了原有数据序列所呈现出的阶段性规律,具有精度高、实用性强的特点.     

非等时距皮尔曲线在高路堤沉降预估中的应用

皮尔曲线所描述的生物生长过程的规律与高路堤沉降规律有相似性,基于此,文中将皮尔预估曲线引入到高路堤的沉降预测分析中,建立了能考虑沉降观测时间的非等时间间隔的非等时距皮尔预估模型,并引入新的模型求解方法克服了3段计算法的缺陷。最后将其应用于某高速公路高路堤沉降预测中,经与实际沉降观测数据对比,预测精度较好。     

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。     

非线性耦合模型在桥梁桩基沉降预测中的应用研究

通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。