深圳市岩土综合勘察设计有限公司 518000
摘要：本文阐述了几种经典的沉降预测分析模型，之后通过实测观测数据进行案例分析得出不同预测模型的优缺点不同，灰色系统预测模型所需的原始数据较少，但其抗干扰能力较弱；时间序列模型需要大量的原始数据才能得到良好的预测效果；卡尔曼滤波模型则具有较好的可靠性。
关键词：变形监测；灰色系统模型；时间序列模型；卡尔曼滤波模型
中图法分类号：P207文献标识码：A
引言
从上世纪五六十年代开始，国外就开始研究沉降观测数据处理和预测，并且享有法律保护。我国从上世纪六十年代初着手从事这方面的工作研究。沉降观测数据处理和预测是一门多学科融合的学科，伴随着科学技术的发展，它得到了很大的提高，从而出现了一些新思路、新方法和新理论[1]。
由于建筑和建筑物沉降诸多不确定性因素的内在复杂性，虽然当前对沉降数据数据处理和预测模型越来越多，但是建立合适的预测分析模型也有很大的难度。从事这一研究领域的学者越来越高度重视采用多种预测方法来建立数据处理和预测模型。本文主要研究的典型模型有：灰色预测模型、时间序列分析和预测模型、卡尔曼滤波模型[2]。
1常见的几种预测模型
1.1 灰色系统分析模型
在变形监测的数据统计分析中，监测的时间越长，获得的数据越多，建立的模型条件就越好。但是在某些时候获得的数据信息贫乏，一些传统的数据处理分析模型对此分析效果不佳，甚至处理不了[3]。为了解决这个问题可以使用灰色系统分析模型，该模型主要是用来研究贫信息、小样本等不确定性数据问题[4]。
从图3可以得出：灰色系统预测模型所需的原始数据较少，但是其抗干扰能力较弱；时间序列模型需要大量的原始数据才能得到良好的预测效果；相比较这两种模型，卡尔曼滤波模型对结果的预测具有更好的精度。
3小结
本文首先介绍了几种经典的预测分析模型。其次，利用简单的实际案例进行分析比较。最后，对比分析总结出不同预测模型的优缺点。所得结论为：灰色系统预测模型在进行计算时所需的数据量较少，但是其抗干扰的能力是比较弱的，时间序列预测模型往往需要大量的原始数据作为基础，才能获得比较可靠的预测结果，当数据量少时，预测结果往往很难达到要求，卡尔曼滤波模型相对于另外两种模型，其预测结果最为稳定可靠。
参考文献
[1] 黄声享,尹晖,蒋征. 变形监测数据处理[M].武汉：武汉大学出版社，2003
[2] 白迪谋.工程建筑物变形监测及变形分析[M].武汉：武汉大学出版社，2002
[3] 邓聚龙.灰理论基础[M].武汉：华中科技大学出版社，2002
[4] Tzu-Li Tien. A research on the grey prediction model GM (1, n)[J]. Appl. Math. Computer, 2012, Vol.218 (9), pp. 4903~4916
[5] 王军德,杨国清. 时序分析模型在高挡墙沉降预报中应用[J].北京测绘,2012,03:63-66
[6] 马新生.时间序列分析中观测数据不完全时自协方差的矩估计[J]. 浙江教育学院学报,2009,05:95-100
[7] 伍锡锈,戴吾蛟. 动态变形监测中Kalman滤波方法研究[D].长沙： 中南大学，2011，20~26
[8]李洪亮, 时荣, 钟双.自适应卡尔曼滤波在大坝形变预报中的应用分析[J].测绘技术装备, 2015, 17(1):48-52.
[9]陈蕾, 刘立龙, 陈东银. 自适应卡尔曼滤波法用于变形监测数据处理[J].测绘工程, 2008, 17(1):48-50.
[10] 马攀，孟令奎，文鸿雁. 基于小波分析的Kalman滤波动态变形模型研究[J].武汉大学学报，2004，29(4)：349~353
[11] 曲轶松. 基于高斯过程的数据处理的研究[D].北京交通大学,2014
[12] 赵言,花向红,翟高鹏. GM(1,1)与自回归模型在位移监测中的应用[J].城市勘测,2011,03:115-118.
论文作者:范方标
论文发表刊物:《基层建设》2017年第12期
论文发表时间:2017/8/9
标签：模型论文; 卡尔论文; 数据处理论文; 武汉论文; 数据论文; 序列论文; 灰色论文; 《基层建设》2017年第12期论文;