基于组合模型的沉降监测数据预测系统开发

基于组合模型的沉降监测数据预测系统开发摘要：在工程建设项目中沉降监测有着重要的地位，随着监测设备和测量技术愈加完善，同时数据处理方法和预测模型的准确度得到了优化和提高。现目前，怎样将监测数据与预测分析高效一体化的结合成为有待解决的问题。本文主要概述沉降监测系统开发，灰色模型、神经网络模型的选用及组合。使用实例数据对其单一、组合预测模型进行精度比较分析。结果表明，组合预测模型相较于单一预测模型精度有明显提高，更适用于沉降预测。关键词：沉降监测；系统开发；组合预测Abstract:Settlementmonitoringplaysanimportantroleinengineeringconstructionprojects.Withtheimprovementofmonitoringequipmentandmeasurementtechnology,theaccuracyofdataprocessingmethodandpredictionmodelhasbeenoptimizedandimproved.Howtocombinemonitoringdatawithpredictionandanalysisefficientlyhasbecomeaproblemtobesolved.Thispapermainlyexpoundsthedevelopmentofsettlementmonitoringsystem,theselectionandcombinationofgreymodelandneuralnetworkmodel.Theaccuracyofthesingleandcombinedforecastingmodeliscomparedandanalyzedwiththecasedata.Theresultsshowthattheaccuracyofthecombinedpredictionmodelissignificantlyhigherthanthatofthesinglepredictionmodel,anditismoresuitableforsettlementprediction.Keywords:SettlementMonitoring,SystemDevelopment,CombinedForecasting1绪论1.1研究背景近年来，我国经济高速增长，加快城市现代化进程，越来越多的建（构）筑物拔地而起，将改变原有地面状态。随着地基载荷的增加，这也引起地基及周围地层的形变，如果形变超过规范的限度则会导致建筑物的安全隐患并同时造成严重的经济损失。因此，建立一套行之有效的数据处理、合理预测分析工程状态的系统是一项重要并有意义的工作。1.2国内外研究现状1.2.1国内研究现状建立数学模型解析形变过程，反应其形变特征，分析并量化出变形量与影响因子间存在的关系。1.2.2国外研究现状在美国等发达国家中，对于处理监测数据的理论方法和分析预测趋于成熟，并朝更深层次发展。1.3研究内容及技术路线1.3.1主要研究内容对预测模型的研究及沉降监测数据预测系统的建立。1.3.2技术路线本系统包含六个主要模块：登录模块、信息录入模块、数据录入模块、成果整理模块、S-P-T成果图输出模块以及预测分析模块。预测模块则以灰色模型、BP神经网络模型为基础，以串联方式组合形成预测模型。2灰色系统基本理论及研究2.1灰色系统理论已知信息不完全明确的系统控制理论称之为灰色系统理论。2.1.1灰色系统的概念及特征1、灰色系统的概念“灰”表示信息不完全明确，也就是常称为的灰色系统。2、灰色系统的特征（1）样本随机分布；（2）必需样本量少；（3）运算量小；（4）对于短、中期数据预测精度较高。2.1.2灰色系统理论的研究内容对信息不完全明确进行白化处理，掌握其机理，最终通过算法融合，得出未知信息。2.1.3灰色序列对原始数据按一定的规则进行处理的过程称为灰色序列的生成。2.2灰色模型2.2.1灰色模型的特性1、原始数据包含其间作用关系；2、对原始数据量无特殊要求；3、信息模糊、无需完备；4、原始序列以时间为序。2.3GM（1，1）模型2.3.1GM（1，1）模型简介灰色预测模型是以单变量作为研究对象的系统。2.3.2GM（1，1）建模对原始序列使用累加生成得出新序列，依据生成序列的发展趋势建立得出数学模型并对数据预测，而后进行累减还原到原始序列，最终达到预测的目的。2.3.3GM（1，1）模型预测使用GM（1，1）对实例数据进行拟合、预测。3灰色神经网络模型基本理论及研究3.1人工神经网络概念及理论人工神经网络是由若干简单的神经元广泛地互相连接而成的，模仿人脑结构及功能的信息处理系统。3.2BP神经网络模型及算法3.2.1BP网络结构由输入层、中间层和输出层组成。3.2.2BP网络训练过程与实现整个学习过程通过后向输出层误差来估计前向输出层误差，按顺序向后传递，不断对阈值和权值进行调整，最终达到任意输出层误差均满足预定值的目的。3.3灰色BP神经网络组合模型两者是有相似点的。并且灰色系统与BP神经网络能进行兼容。3.3.1组合模型的基本原理灰色系统与神经网络模型各自有其自身的局限性，通过这两种模型的组合实现取长补短的目的。3.3.2灰色BP网络建模方法首先使用灰色模型进行预测，其后将拟合序列求残差作为神经网络训练样本输入，得出修正残差序列。3.3.3模型精度检验常采用均方误差、平方和误差、平均相对误差评价模型精度高低。4预测模型实例对比分析4.1工程概况成都市高新西区（京东方）租赁住房建设项目。4.2项目原始沉降监测数据原始沉降观测数据表：表4-1沉降监测原始数据表参数项目参数期数123456沉降值/mm10.510.911.712.413.113.5期数789101112沉降值/mm14.014.815.115.716.417.6期数13141516沉降值/mm18.619.821.122.34.3不同模型在工程中的应用4.3.1灰色模型在工程中的预测使用该模型对13-16期数据进行预测，计算得出平均相对误差为5.04%。4.3.2抗差加权GM（1，1）模型在工程中的预测使用该模型对13-16期数据进行预测，计算得出平均相对误差为4.59%。4.3.3BP神经网络在工程中的预测使用该模型对13-16期数据进行预测，计算得出平均相对误差为2.53%。4.3.4灰色-BP神经网络组合模型在工程中的预测使用组合模型对13-16期数据进行预测，计算得出平均相对误差为0.81%。4.4预测成果精度分析从以上数据对比得出：灰色-BP模型的预测效果相对于其他三种模型是最好的，但由于灰色-BP神经网络模型在进行网络构建时，需要对隐含层节点数进行选取，并调整阈值与期望，过程较为复杂。其中，灰色预测模型不稳定且精度最低，尤其是长期预测，但其操作最为简单。抗差加权GM（1，1）预测模型相对于灰色预测模型能较好地降低由于粗差引起的波动。BP神经网络模型的数据拟合性较好，但需对数据量有一定的要求，当样本数据不足时容易造成预测精度偏低等问题。5MATLAB软件介绍及系统简介5.1MATLAB软件MATLAB是一款用于数据分析、算法开发及数值计算的数学软件。5.2沉降监测数据预测系统结构图5-1沉降监测数据预测系统结构图5.3系统总体架构本系统的总体设计思路框图如图5-2所示。图5-2系统设计思路结构图5.4系统功能模块介绍及实例操作5.4.1系统登陆模块登陆界面如图5-3所示。图5-3系统登陆界面5.4.2工程基本信息录入模块对于一个新的工程、新的监测对象，为了方便管理及区分，需要输入其基本信息。例如，工程名称、测量单位、负责人员等信息，其界面如图5-4所示。图5-4原始数据截图5.4.3沉降监测数据录入模块为了数据方便、快捷地录入系统，因此将相关数据按照监测日期、载荷量、监测点号及高程四部分依次写入txt文本文档中如图5-5所示。图5-5原始数据截图5.4.4沉降监测成果整理模块处理后的数据输出Excel中，得到“沉降观测数据一览表”，见表5-1。该过程加入写入进度条，见图5-6。表5-1沉降观测数据一览表图5-6写入进度条5.4.5S-P-T成果图输出模块通过系统绘制出S-P-T图。考虑到可能导入监测点数较多及更人性化处理，可对其中指定点和监测时段的S-P-T图进行绘制，见图5-7。图5-7S-P-T曲线图绘制完成S-P-T图后，为使图更整洁美观，用户可自定义修改字体、坐标箭头大小等属性，界面见图5-8。图5-8属性自定义图2.1.6沉降预测分析本系统采用抗差加权GM（1，1）模型及BP神经网络模型的组合模型对后期沉降量进行预测，界面见图5-9。图5-9系统预测界面最终输出预测结果见图5-10：图5-10预测结果表5-2系统预测结果表观测期数观测值(mm)预测值(mm)残差(mm)相对误差平均相对误差1130.0730.8173-0.74732.48%1.28%1232.6332.60110.02890.08%由表5-2分析最终得出的实验数据，误差较小，满足工程的使用要求。总结与展望运用沉降监测数据预测系统能较快对数据进行处理、输出表格、绘制沉降曲线图并预测未来沉降量。通过对三种不同模型各自的优缺点了解。将三种模型的优点相互融合，形成串联式灰色-BP神经网络组合模型，提高了灰色模型对于长期预测的精度。本系统目前只包含灰色预测模型与BP神经网络模型的组合模型，未来还可尝试加入其他预测模型，以提高不同环境下的预测精度；在每一次对BP神经网络进行训练时，其网络并不能自动进行记忆，需要及时将训练后的网络进行保存，这点还有待提高；由于MATLAB组件库并不完善，在系统操作过程中有不便之处，应结合其他编程软件来改善这一问题。参考文献[1]李晓蕾.基于灰色系统理论的变形分析与预报模型应用研究[D].西安：长安大学，2008.[2]A.Ismail,D-S.Jeng.Modellingload–settlementbehaviourofpiles