动态灰色预测模型及其在变形监测中的应用.docx

XX大学课程名称《变形监测数据处理》2015年5月11日评语老师对读书报告的评语:报告成绩：老师（签名）：年月日动态灰色预测模型及其在变形监测中的应用引言：在现代测量工程的实践和科学研究活动中，变形监测占有十分重要的地位。科学、实时、准确地分析和预报建筑物、构筑物的变形有着很重要的意义[5]。灰色系统理论是20世纪80年代，由中国华中理工大学邓聚龙教授首先提出并创立的一门新兴学科，它是基于数学理论的系统工程学科。主要解决一些包含未知因素的特殊领域的问题，它广泛应用于农业、地质、气象等学科[1]。灰色模型是一种研究所需原始信息量少、计算简单以及预测精度较高的方法,主要通过对部分已知信息的生成,开发,提取有价值的信息,实现对系统运行行为,演化规律的正确描述和有效监控[6]。现常用的是灰色预测模型GM(1, 1),但是该模型只是从静态的角度考虑未来时刻的状态,并未把未来可能影响系统状态的因素加入进去,可称之为静态模型。对于一个系统而言,随着时间的推移,系统受干扰的因素不断变化,系统状态也在不断变化。这时若直接套用GM(1,1)模型进行长期预测,一方面预测精度不断降低,另一方面模型未能反映出系统的变化,其预测可信度很小。因此,必须充分引入已知信息来反映系统的变化和状态,或在无已知信息的情况下,用灰色信息来淡化灰平面的灰度,这种模型由于及时地引入了新的已知信息或灰色信息,能够比较准确地反映系统的变化状况,故称之为动态灰色预测模型[8]。因此,较普通的静态灰色模型来说,动态的新息模型和灰数模型在作长期预测时具有更高的优越性[6]。本文对原有的GM(1, 1)模型进行了改进,在选择求解时采用最新的数据,再采用动态GM(1, 1)模型来进行求解,这样预测所得到的数据与真实数据之间产生了更大的联系。灰色预测模型的建立灰色GM（1，1）模型设非负离散数列为：N为数列长度。对 进行一次累加生成，即可得到一个生成序列，对此生成序列进行一阶微分方程 （2-1）记为GM（1，1）.式中， 和 是灰参数，其白化值（灰区间中的一个可能值）为 。用最小二乘法求解，得： （2-2）式中，求出 后代入（1-1）式，解出微分方程得 （2-3）对 作累减生成（IAGO），可得还原数据：或 （2-4）式（1-3）、（1-4）两式即为灰色预测的两个基本模型。当kn时， 为，模型模拟值；当k=n时，称为模型滤波值；当kn时；称为模型预测值。灰色GM（1，1）模型的精度灰色GM(1, 1)模型的精度一般用后验差方法来检验。它由后验差比值C和小误差概率P共同描述。设由GM（1，1）模型得到：计算残差记原始数列 及残差数列e的方差分别为 ，则 （2-5） （2-6）式中， ；然后计算验差比值 和小误差概率一个好的预测模型,要求C越小越好,一般要求C0.35,最大不超过0.65。预测模型好坏的另一个指标是小误差概率,一般要求P0.95,不得小于0.7。动态灰色预测模型的建立设原始数列为，进行一次生成后建立GM(1,1)模型(2-3)和(2-4),由(2-4)式得到n+1时刻预测值。然后去掉,加入灰数,重新构成等维动态序列：(3-1)建立新的GM（1，1）模型，预测n+2时刻，依次递补，逐个预测，称为等维灰数递补动态预测。等维灰数递补动态预测由于加入的信息不是实测值,而是预测值,它可以淡化灰平面的灰度,但仍然是灰色的。科学的建模过程应该是,一旦获得n+1时刻的实际观测数据(称为新息),便对原来的GM(1,1)模型进行一次改进，其方法是在序列中中去掉，加入,构成新的动态序列：，由于等维新息模型实时引入的是新的观测值,因此真实反映了系统状态的变化,可以有效地提高预报精度。GM(1,1)模型长期预测的有效性明显受系统时间序列长短及数据变化的影响。如果系统建模选用的数据序列太短,则难以建立长期的预测模型;数据序列过长,系统受干扰的成分多,不稳定因素大,易使模型精度降低。为此,在进行动态预测的同时,加入等维的约束条件,采用等维动态预测模型来弥补现有灰色模型的不足。动态灰色预测模型在变形监测中的应用为了验证实时动态灰色模型进行沉降预测的效果，在此列举一实例，使用原始GM（1，1）模型和动态GM（1，1）模型分别进行预测，比较两个模型预测成果的数值与精度，得出一定的结论。应用实例：在某超高层建筑物变形的监测中测得的某一个点A的14期沉降值数据，数据见下表，分别使用原始GM（1，1）模型和动态GM（1，1）模型进行预测：表（3-1）建筑物监测点A的10期沉降观测值数据周期数12345678910位移值（