基于时间序列分析的动态变形预报.pdfVIP

第30卷第4期 贵州大学学报(自然科学版) V01．30No．4 ofGuizhou 2013年8月 Joumal University(NaturalSciences) Aug．2013 文章编号1000—5269(2013)04—0054—04 基于时间序列分析的动态变形预报 张显云1’孙，张鹏飞1’2，杜宁1’2，张 俊1’2 (1．贵州大学矿业学院，贵州贵阳550025；2．贵州非金属矿产资源综合利用重点实验室，贵州贵阳550025) 摘要：对变形体的变形趋势做出预报，是变形监测的主要任务之一。时间序列分析能顾及各期 数据间的统计相关性，通过建模实现变形体的动态变形预报。鉴于AR模型估计参数时有递推 公式，且工作量小，故在介绍时问序列模型的基础上，结合变形监测实例，讨论了AR模型的建模 过程，并采用AR模型实现了变形的动态预报。 关键词：时间序列；AR模型；变形预报；精度 中图分类号：TB22文献标识码：A 对变形监测获得的数据进行整理、加工和分 析，做出变形预报，是变形监测中数据处理与分析 的主要任务之一。长期以来，变形分析与处理方法 (MovingAverage)参数；{a。}序列称为白噪声序 大都假设各期观测数据序列是统计上独立或互不 相关的，这类统计方法是一种静态的数据处理方 MovingAverage 法。然而，无论是按时间顺序排列还是按空间顺序 型；若自回归参数妒i(i=1，2，…，P)均为零，则(1) 排列的数据序列，数据之间或多或少地存在着统计 式为滑动平均模型，记为MA(q)，q称为滑动平均 自相关现象。时间序列分析法则能考虑逐期观测 模型的阶数；若滑动平均参数Oj(j=1，2，…，g)均 值间的相关特性及观测资料的时间顺序，通过建立 为零，则(1)式为自回归模型，记为AR(p)，P称为 相应的数学模型来描述客观现象的动态特征，从而 自回归模型的阶数，AR(p)模型如(2)式：[4‘71 利用过去观测资料实现对未来数值的预测¨‘2j。 (2) X￡=妒lX卜1+妒2Xt一2+…+妒。置一。+ol 鉴于AR模型建模相对容易，且参数估计具有递推 其误差方程为： 公式、工作量小等优点，本文在介绍时间序列模型 K=妒lX。一l+妒2X。一2+…+妒，X。一，一置， 的基础上，结合变形监测实例，讨论了AR模型的 (t=P+1，P+2，…，n) (3) 建模步骤，并将其用于变形预报，取得了较好的模 误差矩阵形式为： 型拟合效果及较高的短期动态预报精度。 V=x西一l， (4) 1 时间序列模型 (4)式中， 对于平稳、正态、零均值时间序列{置{，若置 P 瓦一， XJ 一一惯 + X 邑 的取值不仅与其前P步的各个取值x川，xm，…， p V= ，X= ： ： x。有关，而且还与前g步的各个干扰a川，um， ● ● …，o。有关，则按多元回归的思想，可得最一般的