一種基于組合模型的框架網(wǎng)點位移預測方法
【專利摘要】本發(fā)明公開了一種基于組合模型的框架網(wǎng)點位移預測方法，包括如下步驟：采集監(jiān)測數(shù)據(jù)；將監(jiān)測數(shù)據(jù)按時間順序分為：學習數(shù)據(jù)與檢驗數(shù)據(jù)；提取序列的規(guī)律性趨勢項；提取序列的不確定性隨機項；計算模型權重；建立組合預測模型；利用組合模型預測任意期數(shù)的框架網(wǎng)點位移值。較常規(guī)方法，本方法具有預測精度高、適用范圍廣等特點。
【專利說明】一種基于組合模型的框架網(wǎng)點位移預測方法

【技術領域】
[0001]本發(fā)明涉及一種地理信息領域的預測模型，具體是一種基于組合模型的框架網(wǎng)點位移預測方法。

【背景技術】
[0002]市域基礎框架網(wǎng)系統(tǒng)作為維持城市坐標框架的重要基石，在數(shù)字地圖生產(chǎn)、保障城市建設等方面發(fā)揮著重要的作用。然而，系統(tǒng)基準站點雖大多建在穩(wěn)定的建筑物上，但由于城市本身的板塊偏移、沉降等因素，隨著時間的變化，勢必會對市域基礎框架網(wǎng)系統(tǒng)基準站點的穩(wěn)定性造成一定的影響，引起框架網(wǎng)中基準站點的位移。為了維護市域基礎框架網(wǎng)的安全與穩(wěn)定，尤其在地質(zhì)條件較差的情況下，必須加強對基準站點進行位移監(jiān)測預報，因此需要在模型方法上尋求一種具有參數(shù)估計精度高、預報準確可靠等特點的預測模型。
[0003]目前常用預測模型有回歸預測模型、灰色系統(tǒng)預測模型、時間序列預測模型、神經(jīng)網(wǎng)絡模型等，由于框架網(wǎng)點位移一般包含有規(guī)律性的趨勢位移和不確定性的隨機位移，前者反映了框架網(wǎng)點位移的一種系統(tǒng)整體變化趨勢，后者則反映了框架網(wǎng)點位移受隨機因素影響的結果，而大多數(shù)模型受制于自身的局限性，無法精確擬合位移曲線，致使模型預測的結果不盡如人意，在實際工程應用中難以滿足要求。


【發(fā)明內(nèi)容】

[0004]發(fā)明目的:針對現(xiàn)有技術中單一預測模型存在的缺陷，可以將框架網(wǎng)點位移數(shù)據(jù)中的趨勢性位移和隨機性位移進行分離，通過提取序列的趨勢項和序列的隨機項相結合對框架網(wǎng)點位移規(guī)律和特點進行預測，發(fā)揮不同預測方法的長處，對樣本數(shù)據(jù)的趨勢項及隨機項進行預測，從而可以提高預測的精度。因此，本發(fā)明提供基于組合模型的框架網(wǎng)點位移預測方法，該方法預測精度高、適用范圍廣的特點。
[0005]技術方案:一種基于組合模型的框架網(wǎng)點位移預測方法，包括如下步驟:
[0006]步驟1:采集基礎框架網(wǎng)基準站點實測樣本，提取監(jiān)測時間ti;及點位移監(jiān)測數(shù)據(jù)Zi,其中，i = l，2，...，h;
[0007]將實測樣本數(shù)據(jù)按時間順序分為兩部分:第一部分為:由a(a ^ 10)個點組成的學習數(shù)據(jù)，用于預測模型建模；另一部分為:由b個點組成的檢驗數(shù)據(jù)，用于預測值檢驗。
[0008]步驟2:提取實測樣本序列的規(guī)律性趨勢項
[0009]設實測樣本序列為X(°) = {x(0) (1)，x(°) (2)，x(°) (3)，...，x(0) (n)}，其中
[0010]x(°) (k)≤1，k = 1，2，...，n ；x(0) (k)代表實測樣本序列中第k個的數(shù)據(jù)。
[0011]a)對X(°)進行一次累加處理，生成1-AG0序列為:
[0012]X(1) = {x(1) (I)，x(1) (2)，χω (3)，..，.χω (η)}，其中，

【權利要求】
1.一種基于組合模型的框架網(wǎng)點位移預測方法，其特征在于，包括如下步驟: 步驟1:采集基礎框架網(wǎng)基準站點實測樣本，提取監(jiān)測時間ti，及點位移監(jiān)測數(shù)據(jù)Zi，其中，i = I, 2,..., h ； 將實測樣本數(shù)據(jù)按時間順序分為兩部分:第一部分為:由a(a > 10)個點組成的學習數(shù)據(jù)，用于預測模型建模；另一部分為:由b個點組成的檢驗數(shù)據(jù)，用于預測值檢驗； 步驟2:提取序列的規(guī)律性趨勢項
設原始序列為 X(°) = lx(°) (I)，x(0) (2)，x(0) (3),..., x(°) (n)}，其中
x(0) (k) ^ I, k = I, 2,..., η ； a)對X(°)進行一次累加處理，生成1-AG0序列為: x(1) = {x(1) (I)，Χ(1) (2)，χ(1) (3),..,.χ(1) (η)}，其中，
b)對Χω作緊鄰均值生成，得到序列Ζω= {ζω(2)，ζω(3)，...，ζω(η)}，其中，
Z(1) (k) = 0.5x(1) (k) +0.5x(1) (k_l)，k = 2，3，...，n (2) c)得到灰微分方程，若G= 為參數(shù)列，且
則灰微分方程為:
xi0) (k) +aza) (k) = b (3) d)灰微分方程的白化，將公式(I)代入公式(2)，得到
dt.解此方程得到:
e)運用最小二乘法對參數(shù)a、b進行估計，應滿足 a = (B1 BY'Br Y(δ) 計算得到參數(shù)值代入公式(4)，對預測數(shù)據(jù)經(jīng)累減處理后即可提取序列的整體預測趨勢項:
步驟3:提取序列的不確定性隨機項 原始序列Ix (k)}，其自回歸模型為:
其中，lv(k)}為零均值的白噪聲序列； 利用最小信息準則確定模型階數(shù)n，即:
AIC (n) = pin σ 2+2n (8) 使上式最小時對應的η為最佳階數(shù)，其中，P為序列數(shù)據(jù)總個數(shù)；σ 2是階數(shù)為η時的殘差方差;
根據(jù)公式(7),令 k = η+1, η+2,...，N,
利用最小二乘法可得參數(shù)估計:
通過參數(shù)估計可得提取序列的隨機項為:
步驟4:計算權值 分別計算序列趨勢項提取方程與序列隨機項提取方程的預測誤差，令:
式中，yt為實際觀測值，elt、e2t分別為序列趨勢項提取方程與序列隨機項提取方程的預測誤差； 計算加權平均預測誤差絕對值之和，令:
式中，Λ、J2分別為序列趨勢項提取方程與序列隨機項提取方程預測誤差的絕對值之和；J表示加權平均預測誤差的絕對值之和；b為檢驗數(shù)據(jù)個數(shù)； 由于模型預測誤差絕對值之和越小，說明該模型的預測精度越高，因此相應的權重則越大，可知權值計算得:
步驟5:建立組合預測模型 利用灰微分方程來提取序列規(guī)律性趨勢項，自回歸方程提取序列不確定性隨機項，根據(jù)預測誤差絕對值之和計算模型權重，組合以形成新的預測模型，如下形式:
式中，ft為t時刻組合模型的預測值，k” k2及f\，f2為序列趨勢項提取方程與序列隨機項提取方程的權與預測值。
【文檔編號】G06F19/00GK104200088SQ201410424799
【公開日】2014年12月10日 申請日期:2014年8月26日 優(yōu)先權日:2014年8月26日
【發(fā)明者】儲征偉, 張濤, 王慶, 周衛(wèi), 常永青, 戴相喜, 張鳳梅, 張?zhí)旒? 許培培, 郭海, 張開坤 申請人:南京市測繪勘察研究院有限公司