基于时间序列分析地动态变形预测模型研究.PDFVIP

文章编号：2004-01-14-0021 文章标识码：A 基于时间序列分析的动态变形预测模型研究 1 潘国荣 1 （ 同济大学测量与国土信息工程系，上海四平路 1239号，200092） 摘 要：本文提出了基于 AR并将其推广到 CAR模型对时间序列统一建模的新观点和方法， 可大大减少计算量，并在微机上编程实现。以实例对动态模型与静态模型分别作了应用比较， 结果表明，时间序列分析动态模型是系统分析的重要方法，是统计预测法中的高级预测方法， 预测精度高，用途广泛。而静态模型适合于内插，不适合于外推预报。 关键词：动态模型；静态模型；预测 中图法分类号：TU196 地铁工程的兴建，从施工开始到竣工，以及建成后整 ARMA(2,1) ，LARMA(n+1,n) ，并用 F 检验法，通常只须 个运营期间都需要不断地进行变形监测。变形监测的目的 建立 n+1 个模型就可得到时间序列所服从的 ARMA(n,n-1) 是要对变形监测数据进行正确的处理，建立合理的模型， 模型，避免了定阶的困难，改进和简化了 Box 和 Jenkins 对未来变形作出准确的预报，从而减少事故的发生，保证 的建模方法。例如，对于一个服从ARMA(5,3) 的时间序列， 安全。时间序列分析是一种动态数据处理方法。动态变形 用 Box 和 Jenkins 方法建模，在找到合适模型之前，可能要 模型的辨识正是基于时间序列的建模问题展开。 拟合多达 23 个模型，而用吴贤铭和 Pandit 方法只须建立 6 1、模型综述 个模型。 传统时间序列 x(t)建模方法是基于 ARMA （p,q ）模型： 但由于吴贤铭和 Pandit 的建模方法仍以 ARMA 模型 () ( ) ( ) 为基础，且所用的参数估计方法是非线性最小二乘法，因 x t −a x t −1 −L−a x t −p 1 p (1) 而建模的计算量仍相当大。对此，本文提出基于 AR 模型 () ( ) ( ) e t +c e t −1 +L+c e t −q 1 q 对时间序列统一建模的方法，这是基于任何可逆的 ARMA 其中 p,q 为模型的阶；a 、c 为模型的参数；e(t)是均值为零、 模型可用阶数充分大的 AR 模型逼近到任意精度。 i i 方差为σe2 的白噪声。当所有 ci ＝0 时,(1)式化为自回归 引入单位延迟算子 B ，Bx(t)=x(t- 1) ，则(1)式可简写为： （AR ）模型；当所有 ai ＝0 时,(1)式化为滑动平均（MA ） ( ) () ( ) () A B ⋅x t c B ⋅e t (3) 模型。 传统时间序列是用极大似然（ML ）法估计参数