高层建筑沉降预计方法探讨及应用.docVIP

高层建筑沉降预计方法探讨及应用 　　摘要 　　沉降预计是高层建筑沉降观测数据处理中非常必要的一环，为此，讨论了多元线性回归与GM(1,1)模型的建立过程，并结合青岛市某高层建筑沉降观测数据，分析了这两种方法的的预测精度及适用性。通过实验比较，结果表明：这两种模型在相对平稳的变形中都能满足变形预测要求，但GM(1,1)模型在前期预测精度较高，而多元线性回归则在已有多期数据的情况下预测精度较高，两种方法宜配合使用。 　　关键词沉降观测 沉降预计多元线性回归GM(1,1) 　　中图分类号： [TU196.2] 文献标识码： A 文章编号： 　　 　　1 多元线性回归分析法 　　 　　1.1多元线性回归原理 　　多元线性回归分析是各种回归分析方法的基础, 它是研究因变量与多个自变量之间相关关系的最基本方法, 其基本原理如下: 　　设与个自变量存在线性关系： 　　（1） 　　式中：,,,,是未知参数；,,,是个可测量并可控制的非随机变量，是随机误差，为了估计回归参数,,,,及，我们进行了次观测，得组观测数据，它们的回归关系可写成如下形式 　　 　　 　　 　　 （2） 　　以上为多元线性回归的函数模型[1][2]。 　　若记 　　，，， 　　则有 　　（3） 　　由，求个未知的回归参数,,,,的最小二乘估值，可组成如下误差方程： 　　（4） 　　在最小二乘估计的准则下，得法方程为： 　　（5） 　　如果，则可得： 　　（6） 　　即为线性回归方程的系数。 　　求得回归参数后，可得到多元线性回归方程为： 　　（7） 　　以及残差 　　（8） 　　1.2 多元线性回归方程显著性检验 　　实际问题中，事先并不能确定因变量和各个自变量之间是否存在有线性关系。所以求出回归方程后，还需要对回归方程进行统计检验，来判定方程是否显著。那么，假设 　　:,,, 　　构造统计量 　　 （9） 　　式中，――回归平方和，； 　　――剩余平方和或残差平方和，。 　　在原假设成立时，统计量应服从分布，故选择显著水平后，可用下式检验原假设 　　（10） 　　对回归方程的显著性进行检验。若上式成立，即认为在显著水平下，回归方程是显著的。 　　 　　2GM(1,1模型 　　2.1 GM(1,1)模型的建立 　　GM(1,1)模型是在实际应用中，使用最多、最广泛的灰色预测模型[3][4]，相比其他模型具有更加简单、方便且效果明显的优势。 　　设所有原始数据为非负数据，组成数列为： 　　 　　为序列长度。对进行一次累加生成，即可得到一个生成序列，其中：。 　　对原始数列进行准光滑性检验，得序列光滑比 　　 （11） 　　若原始数列满足 　　 （12） 　　则称为准光滑序列。那么其一阶累加生成序列具有指数规律，那么对此生成序列建立一阶微分方程 　　（13） 　　记为GM(1,1)。式中和为待定参数。用最小二乘法求可解得参数列： 　　 （14） 　　式中， 　　求出后代入（13）式，解出微分方程得： 　　（15） 　　对作累减生成（IAGO），可得还原数据： 　　 　　或 　　（16） 　　式（15）、（16）即为GM(1,1)模型预测的两个基本公式。当时，称为模拟值，当时，称为滤波值。当时，称为预测值。 　　在实际建模过程中，一般要求原始数列中的数据之间具有相同的时间间隔，这样才能保证模型具有好的滤波效果，从而提高预测的精度。 　　2.2 GM(1,1)模型检验 　　GM(1,1)模型建立之后，其预测效果和精度能否满足要求，就必须对其进行模型检验。后验差检验是GM(1,1)模型一种常用的精度检验方法，它是对建模数据分布的统计特性进行评估，并由小误差概率和后验差比值来描述精度。 　　按GM(1,1)建模法求出的转化为原始序列的估值，计算残差： 　　 　　 　　记原始数据序列及残差数列的方差分别为，则 　　 　　式中，，， 　　然后计算后验差比值和小误差概念，即 　　 　　 　　模型精度等级=max{p所在级别，c所在级别}，一般地，将模型精度分为四级，见表4.16。 　　表4.16GM(1,1)模型精度等级 　　 　　 　　3应用实例 　　现有青岛某高层建筑沉降观测成果资料，选取JK5号监测点沉降观测数据，运用多元线性回归和GM(1,1)模型对其沉降进行预测。线性回归方法选取期数和楼层作为自变量，沉降量作为因变量，进行预测分析。另外运用灰色系统GM(1,1)模型，把观测值序列看作等时间间隔序列，进行预测分析。预测结果比较见表1，实测值和两种方法预测值折线图如图1所示。 　　表 1 预测结果比较