动态灰色模型在变形预测中的应用.docxVIP

第 1 页 共 5 页 动态灰色模型在变形预测中的应用 1 引言 目前,国内外各种大型工程(如地铁、大坝、深基坑等)都需要安 全监测,在进行工程质量数据预报时,使用较多的有统计模型、确定模 型及混合模型。当原始数据较多时,这些方法都能获取不错的预测效 果;但对于短序列数据 , 由于原始信息少 ,规律性不强 ,常规模型显得 无能为力,此时动态灰色预测模型是解决此类问题的有效手段。 动态灰色预测模型是灰色系统理论的重要内容之一 ,该模型可以 用来进行长期预测,具有所需信息量少,计算简单,模型预测精度高等 优点。长期预测时,模型需要及时补充新信息来反映系统的真实变化, 或在无新信息的情况下引入灰信息来淡化灰平面的灰度 ,从而提高长 期预测的精度,称之为动态灰色预测模型。本文结合广州地铁变形监 测数据详细分析和研究了两种动态灰色预测模型在此类问题中的应 用。 2 灰色预测模型 灰色预测模型又称 GM(GrayModel)模型,GM 模型是一个近似的差 分微分方程模型,具有微分、差分、指数兼容等性质,模型参数可调, 结构随时间而变,突破了一般建模要求数据多,难以得到 “微分”性质 的局限[1]。利用 GM 模型可对所研究系统进行全局观察、分析及预测。 根据预测因子的数目可细分为一阶多元预测模型GM(1,N)和一阶一元 第 2 页 共 5 页 预测模型 GM(1,1),实际中应用的较多的是 GM(1,1)模型,下文主要讨 论 GM(1,1)的建立及其应用。讨论灰色模型之前 ,我们需要构造序列 算子来生成灰色序列。 2.1 序列算子与灰色序列生成 灰色系统是通过对原始数据的挖掘、整理来寻求其变化规律的 , 这是一种寻找数据现实规律的途径,我们称之为灰色序列生成。灰色 系统理论认为,尽管系统表象复杂,数据离乱,但它总是有整体功能的, 因此必然蕴含某种内在的规律。一切灰色序列都能通过某种生成弱化 其随机性, 显现其规律性。 冲击扰动系统的大量存在,导致了定量预测结果与人们直观定性 分析结论大相径庭的现象经常发生。因此 ,寻求定量预测与定性分析 的结合点 ,设法排除系统行为数据所受到的冲击干扰 ,还数据以本来 面目,从而提高预测的命中率,乃是预测工作的首要问题。按上述步骤 重新建立GM(1,1),预测新值,如此递补,文献[4]称此种方法为灰数递 补动态预测模型。 此种模型中加入新的信息并非真值 ,而是来自模型预测 ,不断更 新的灰数会淡化模型的灰度。若建模过程中,可以随时更新数据,加入 最新真实信息 (简称新息),则同样可按上述方法建立动态预测模型 , 文献[2]称之为新陈代谢灰色预测模型。 从预测角度来看,新陈代谢灰色预测模型是最理想的动态预测模 型。随着系统的发展,老数据的信息意义将逐步降低,在不断补充新信 息的同时,及时地去掉老新息,建模序列更能反映系统在目前的特征。 第 3 页 共 5 页 尤其是系统随着量变的积累 ,发生质的飞跃或突变时 ,与过去的系统 相比,已是面目全非。 去掉已根本不可能反映系统目前特征的老数据, 显然是合理的。此外,不断地进行新陈代谢,还可以避免随着信息的增 加,建模运算量不断增加的问题。 另一方面模型预测精度受建模序列长度的影响较大 ,序列太短 , 模型难以反映系统真实行为特征,序列太长,模型受干扰因素太多,导 致模型的不稳定且计算量增加。 实际应用时可根据数据采样周期、 预 测长度要求及经验其他确定序列长度。有学者认为可加入等维的约束 条件,建立等维动态预测模型[6]。 4 动态 GM[1,1]模型在广州地铁变形监测中的应用实例及分析 广州大马站商业中心临近广州地铁一号线公园前站至农讲所站 上行线区间,在该商业中心基坑开挖到地下室施工至±0.00 高程期间, 需要对临近的地铁隧道结构变形变位进行监测。监测采用了基于测量 机器人的自动监测系统,实现列车运营条件下的不间断监测。 本文列举了已获取的沉降比较大的监测点 D43 点的沉降数据,整 个数据变化序列走势见图 1 所示(纵坐标为沉降量,单位 mm,横坐标为 时间轴,单位为天)。为了建立准确稳定的动态 GM[1,1]预测模型,考 虑到数据采样周期为 1 天,预测长度为 3-5 天内,我们选取序列长度为 10,预测步长为 5。另外由于数据变化不太平稳 ,为了弱化这种趋势, 为此本文引入了 (1)式的一阶弱化算子,构造原始灰色序列来建模。 由于原始数据较多 (共有 232 天观测纪录,且目前仍在继续跟踪 其变化量)基本上反映了地铁建成后系统的状态变化 ,我们分别选取 第 4 页 共 5 页 其中典型的四小段数据按照前文所述方法 ,分别建立两种动态灰色预 测模型进行 5 天内预测,并与实际观测数据进行比较,其中序列一利 用灰数递补预测模型,结果见表