一种基于加权混合模型的预测模型设计.docxVIP

一种基于加权混合模型的预测模型设计 摘要：鉴于传统GM(1,1)模型在中长期预测中容易产生较大偏差，设计了一种Logistic函数与残差GM(1,1)加权混合的预测模型，并利用实测的高铁沉降数据将加权混合模型和两种传统模型进行实验对比，以检验预测质量的提升效果。结果显示Logistic函数和迭代残差GM(1,1)加权预测模型在中长期预测中相对单独使用残差GM(1,1)模型和Logistic模型具有更高的预测精度和稳定性，在中长期沉降的预测中有很好的应用前景。 由于地下岩土结构复杂，在进行高铁路线建设时不可避免地要考虑地面沉降带来的影响，掌握沉降数据能为施工安全顺利进行提供保障1 加权预测模型1.1 GM(1,1）函数模型灰色理论根据因素之间发展态势的相似或相异程度来衡量因素之间关联的程度，从而揭示事物动态关联的特征和程度由GM(1,1）模型的灰色微分方程为：利用方程式（3）计算结果累减可得：即得到原始数据模拟值序列，而当tn时x?GM(1,1）微分方程中包含a、u两个参数，一般采用最小二乘法计算，则计算得出结果1.2 迭代残差修正GM(1,1)为了让GM(1,1）模型在加权时具有更高的精度，可采用残差修正模型对GM(1,1）模型进行迭代修正。残差修正模型的原理是利用原始GM(1,1）模型产生的残差序列作为新的GM(1,1）预测样本，预测出残差修正序列，并利用该序列对原始预测数据进行改正经过计算发现，一次修正的预测结果并不能达到预期的水平，因此尝试使用迭代残差修正，利用样本最后一期的残差大小，设定迭代预测的最大修正阈值，以此阈值为迭代循环结束的标志，进行多次迭代修正。实验证明该方法混合后的预测效果较单次修正显著提升。1.3 Logistic函数模型Logistic函数曲线是一条随时间呈现“S”型的增长曲线，它表现了事物长期发展的一般规律式中，x为输入的样本即自变量；?为模型参数；S式中，S(t）是预测值；S计算出所需参数a、b和S1.4 加权混合模型经过观察发现，由于GM(1,1）模型拟合一般参考历史最近的若干期数，因此累计沉降曲线出现较大波动的时候预测值容易增长或下降过快，以至于预测误差随时间不断上升，其误差增长的方向往往与波动的突变方向相同。Logistic模型由于是全局拟合，累计沉降量曲线在局部出现小幅波动的区域会有较大误差，但其偏离的方向通常与突变方向相反，且一般呈现明显规律，因此可以利用加权函数模型来提高中长期预测精度。结合二者在中长期预测中误差量呈现的规律，本文尝试使用时间函数设定权值。为了确定预测值的初始权值，需要根据模型对样本数据的拟合情况进行初始定权。经过实验发现，仅仅进行一次定权得到的权值稳定性很差，而在样本数据之后设定一个原始数据已知且数据量较少的权值修正区间，利用样本数据建模进行预测后，根据该区间内的数据对权值进行一次校正，可以有效提升初始权值的质量。因此，假设第一次预测时残差GM(1,1）样本数据为n综上所述，令GM模型拟合值数组为S求得初始权值P令混合模型的预测值数组为S2 实验与分析为了检验混合模型是否在中长期预测中具备更高的精度和稳定度，采用了MATLAB对武九客运高铁瑞昌至九江段的两个路基沉降观测点DK198+750和DK198+850的数据进行200 d长期预测的数据，利用3种模型分别预测10期累计沉降值并与真实值比对。2.1 建模过程由于该数据两次观测的时间间隔在36期后发生了变化导致不方便建模，因此利用MATLAB进行三次样条内插处理，将时间间隔统一为1 d，最终得到201期数据。本实验将前190期作为建模样本，192期作为定权校正样本，预测之后8期的累计沉降量。首先，利用Logistic函数模型进行建模，要找到关键点的位置。由于寻找拐点的方式是寻找斜率d S/dt最大的位置，寻找沉降速度增长最快点（t在处理数据时发现，两组数据都不是从开始沉降点t2.2 精度评定3种模型的残差数据如表4、表5所示。经过对比可见，混合模型的残差平方和比两种传统模型更小，在中长期预测中的精度要优于残差GM(1,1）模型，也明显优于Logistic函数模型。再利用灰色预测的后验差检验法对3种模型进行拟合质量检验。设vˉ为残差绝对值的平均值，sˉ为原始数据均值，v(i）为预测值残差，s(i）为实际观测值，i为期数，则原始数据的均方差为对比可见，尽管3种模型都达到了较高的精度标准，但混合模型的残差离散度更低，稳定性和精度都高于残差GM(1,1）模型和Logistic函数模型，预测效果非常好。3 结束语本文基于迭代残差GM(1,1）模型和Logistic函数模型提出的混合预测模型，