基于EMD―GM时间序列建模与预测.docVIP

基于EMD―GM时间序列建模与预测 　　【摘要】介绍了基于EMD-GM的时间序列模型的建模步骤，利用Matlab实现程序化。通过实例验证了其能够快速、精确地进行计算，可以帮助工程人员对所得数据进行准确性分析和预测。 　　【关键词】变形监测；时间序列模型；灰色模型；经验模态分解（EMD）；组合模型； 　　1 引言 　　由变形监测得到的累计变形量所组成的时间序列是非平稳的，本文采取组合模型的方法对其进行建模，基本思路是：首先用EMD将时间序列分解为本征模态函数和趋势项两大部分，对于本征模态函数部分，使用ARIMA模型进行建模与预测，对于趋势项部分，采用GM（1，1）模型进行建模与预测，最后将以上两部分求和，得到最终的非平稳时间序列的预测结果。 　　2 基于EMD-GM的时序模型的建立 　　通过真理归纳，对于建模思路已基本清晰，建模的大体流程如图1.1，具体算法由MATLAB实现。 　　图1.1 建模流程 　　组合模型的建立主要由以下几个模块组成： 　　（1）时间序列的三次样条插值模块。该模块主要针对非等间隔数据，它的功能是将数据等间隔化，采用的方法是三次样条插值。 　　（2）EMD分解模块。该模块利用经验模态分解（EMD）的方法，将数据分解成本征模态函数部分和趋势项部分，这两部分数据是后面建模的基础数据。 　　（3）ARIMA模型建模模块。该模块主要包括数据预处理、模型识别与定阶、参数估计、模型适用性检验等。通过这个模块对分解得到的本征模态函数部分进行建模和预测。 　　（4）GM（1，1）模型建模模块。该模块主要包括累加生成序列、求解微分方程系数、求解时间响应序列、累减还原、精度检验等。通过这个模块对分解得到的趋势项部分进行建模和预测。 　　（5）求和模块。这个模块实际上就是一个数据重构的过程，是EMD分解的逆过程，方法是将ARIMA模型的拟合预测值与GM（1，1）模型的拟合预测相加，目的是将数据还原为对原始时间序列的拟合预测值。 　　3 实例分析 　　变形监测数据的累计变化量是非平稳的时间序列，既有长期稳定的趋势特点，又有短期波动的特点。此处分别采用传统的单一模型ARIMA模型和GM（1，1）模型及文章提出的基于EMD-GM的时序组合模型对其进行预测，对预测结果进行比较分析。 　　3.1基于EMD-GM的时间序列分析在滑坡变形预测中的应用 　　滑坡是非常多发的自然灾害现象，多发生在山区，它的诱发原因有很多，比如地震、地下水活动等。由于滑坡发生的频率之高、范围之广已远远超过了地震，给人类生命安全造成的威胁和对自然资源造成的危害也不容小觑，已成为名副其实的第二大地质灾害。世界上很多国家都存在滑坡的威胁，尤其是多山的国家。而我国约有三分之二的国土面积是山地，约 的陆地受到滑坡威胁，是世界上受滑坡灾害影响最大的国家之一。因此，认识滑坡的发生发展规律，开展滑坡监测、预报、预警研究，并采取有效措施加以预防和综合治理具有重要意义。其中，采用合理的预测模型对滑坡未来变形量做出准确的预报是十分关键的一步。 　　此处建模所采用的原始数据来源于文献。为某高边坡监测点TP/BM35GP04从1995年2月至2003年10月的Y方向累计位移量，在此不一一列举。利用前43期数据建立不同的预测模型，预测后10期数据，并将其结果分别与实测值进行比较。 　　（1）用单一的时间序列分析模型对原数据进行拟合、预测。将预测值与实测值进行比较。 　　（2）用单一的灰色模型对原数据进行拟合、预测。将预测值与实测值进行比较。 　　（3）用EMD-GM时序组合模型对原数据进行拟合、预测。将预测值与实测值进行比较。 　　首先，采用经验模态分解方法对原始数据进行分解，得到两个本征模态函数及趋势项；分解得到的趋势项，单调且可以很好的反映实测数据的变化趋势。 　　其次，分别用时序模型对本征模态函数进行拟合预测，用灰色模型对趋势项部分进行拟合预测，并将两部分拟合预测结果求和，得到最终的EMD-GM时序模型拟合、预测结果。 　　（4）为了更好、更直观的比较三种模型拟合预测结果的好坏，对以上结果进行整理，如图3.1所示。 　　图3.1 　　从图3.1上可以很清晰的看出，使用EMD-GM时序组合模型可以很好的拟合已测数据，预测值相对于ARIMA模型和GM（1，1）模型更接近实测值。 　　通过实例分析，应用本文提出的组合模型，得到了较好的拟合预测结果，可以证明：EMD-GM时序模型能够基于非平稳时间序列的数据特点，充分利用时间序列模型及灰色模型的优点，相较于单一的时间序列模型和灰色模型，在对数据进行拟合预测时精度得到了很大提高，在工程实践中具有良好的适用性。 　　4 小结 　　本章总结了基于EMD-GM的时间序列模型的建模过程，并将该