基于Kalman滤波的ARIMA-NAR神经网络模型

兰州理工大学学报 ›› 2022, Vol. 48 ›› Issue (2): 131-135.

基于Kalman滤波的ARIMA-NAR神经网络模型

牛全福^*1,2, 李月锋^1,3, 张曼¹, 傅建凯¹, 马亚娜¹

1.兰州理工大学土木工程学院, 甘肃兰州 730050;
2.甘肃省应急测绘工程研究中心, 甘肃兰州 730050;
3.甘肃土木工程科学研究院有限公司, 甘肃兰州 730050

收稿日期:2019-07-03 出版日期:2022-04-28 发布日期:2022-05-07
通讯作者: 牛全福(1973-),甘肃天水人,博士,副教授.Email:330398304@qq.com
基金资助:
国家自然科学基金(41461084)

Application of ARIMA-NAR neural network model based on Kalman filter in deformation monitoring of deep foundation

NIU Quan-fu^1,2, LI Yue-feng^1,3, ZHANG Man¹, FU Jian-kai¹, MA Ya-na¹

1. School of Civil Engineering, Lanzhou Univ. of Tech., Lanzhou 730050, China;
2. Emergency Mapping Engineering Research Center of Gansu, Lanzhou 730050, China;
3. Gansu Civil Engineering Research Institute Co., Ltd, Lanzhou 730050, China

Received:2019-07-03 Online:2022-04-28 Published:2022-05-07

摘要/Abstract

摘要： 深基坑变形监测在城市建设安全施工中显得越来越重要.鉴于监测数据不可避免地存在噪声及单个预测模型存在的预测残差问题,为提高基坑监测预测精度,以兰州市某深基坑监测中具有明显沉降的ZJ52为例,采取一种基于Kalman去噪的ARIMA-NAR神经网络组合模型进行预测分析.结果发现,经Kalman去噪后建立的ARIMA-NAR组合模型的预测结果的平均绝对误差、平均相对误差和残差方差分别为0.43、0.04、2.23 mm,预测结果均优于单一的ARIMA和NAR神经网络模型的预测结果,预测精度较好,其结果可为本项目的安全施工提供可靠指导.

关键词: 深基坑, 滤波, 组合模型, 预测

Abstract: Deformation monitoring of deep foundation pits is becoming more and more important in the security control of urban construction. Because of the unavoidable noise in the monitoring data and the prediction residual problem from the single prediction model, it is necessary to improve the prediction accuracy of deep foundation excavation. Taking ZJ52 of a deep foundation pit in Lanzhou as an example, and based on Kalman filtering, the paper used a combined model of ARIMA-NAR neural network to predict and analyze the change trend of the observation point. The results show that the average absolute error, average relative error and residual variance from the established model are 0.43 mm, 0.04 mm and 2.23 mm, respectively. The prediction results are better than those of single ARIMA and NAR neural network models. The prediction results from ARIMA-NAR neural network with Kalman filtering can provide reliable guidance for the security construction of this project.

Key words: deep foundation pit, filtering, combination model, prediction

中图分类号:

牛全福, 李月锋, 张曼, 傅建凯, 马亚娜. 基于Kalman滤波的ARIMA-NAR神经网络模型[J]. 兰州理工大学学报, 2022, 48(2): 131-135.

NIU Quan-fu, LI Yue-feng, ZHANG Man, FU Jian-kai, MA Ya-na. Application of ARIMA-NAR neural network model based on Kalman filter in deformation monitoring of deep foundation[J]. Journal of Lanzhou University of Technology, 2022, 48(2): 131-135.

参考文献

[1] 张旷成,李继民.杭州地铁湘湖站“08.11.15”基坑坍塌事故分析 [J].岩土工程学报,2010,32(增刊1):338-342.
[2] 孙海忠.关于上海某基坑坍塌事故的分析研究 [J].地下空间与工程学报,2012,8(增刊2):1743-1746.
[3] 薛贝,蔺小虎,刘长星,等.基于回归模型的广场基坑沉降预测分析 [J].地理空间信息,2018,16(9):107-109,12.
[4] 吴国平,王振波.地下工程开挖位移的灰色理论预测模型 [J].南京建筑工程学院学报,2000(2):54-58.
[5] 胡冬,张小平.基于灰色系统理论的基坑变形预测研究 [J].地下空间与工程学报,2009,5(1):74-78,168.
[6] 冯玉国.灰色优化理论模型在地下工程围岩稳定性分类中的应用 [J].岩土工程学报,1996(3):62-66.
[7] 徐洪钟,杨磊.基于最小二乘支持向量机回归的基坑变形预测 [J].南京工业大学学报(自然科学版),2008(2):51-53,58.
[8] 吴欢.基于改进支持向量机的深基坑变形预测模型研究 [D].赣州:江西理工大学,2013.
[9] 林楠,李伟东,张文春,等.最小二乘支持向量机在深基坑变形预测中的应用 [J].辽宁工程技术大学学报(自然科学版),2014,33(11):1471-1474.
[10] 袁金荣,赵福勇.基坑变形预测的时间序列分析 [J].土木工程学报,2001(6):55-59.
[11] 郑丽,白宝玉.基于时间序列的基坑地表沉降预测模型及其应用 [J].长春师范大学学报,2015,34(10):75-80.
[12] 郭松.基于时间序列分析的基坑沉降监测数据分析研究 [D].南昌:东华理工大学,2015.
[13] 马丽霞,王凤艳,陈剑平.基于人工神经网络的大坝变形分析与预报—以西津大坝27#点的变形监测为例 [J].吉林大学学报(地球科学版),2009,39(3):487-491.
[14] 张世豪,朱德华.基于BP神经网络的深基坑变形预测 [J].南京工程学院学报(自然科学版),2016,14(3):17-22.
[15] 张树光,张向东,李永靖.基坑周围地表沉降的人工神经网络预测 [J].辽宁工程技术大学学报(自然科学版),2001(6):767-769.
[16] 王远良.基于卡尔曼滤波的超高层建筑结构变形监测与分析 [D].广州:广州大学,2018.
[17] 陈炳志.基坑变形灰色人工神经网络预测模型及其应用 [J].山东科技大学学报(自然科学版),2010,29(5):53-57.
[18] 徐秀杰,黄张裕,刘国超,等.改进的灰色GM-AR组合模型在基坑监测数据处理中的应用 [J].测绘与空间地理信息,2015,38(1):200-203.
[19] 刘杰.组合预测模型在基坑变形监测中的应用 [J].北京测绘,2017(4):46-49.
[20] 方苏阳,蒋创,魏涛,等.基于时间序列的动态神经网络沉降预测 [J].测绘与空间地理信息,2018,41(11):24-27.
[21] 王磊,高峰.基于时间序列-BP神经网络在基坑方面的应用研究 [J].测绘与空间地理信息,2018,41(6):201-205.
[22] 伍锡锈.基于小波分析的Kalman滤波组合模型在边坡监测中的应用 [J].工程勘察,2019,47(3):67-71.
[23] 白晓东.应用时间序列分析 [M].北京:清华大学出版社,2017.
[24] 龚国勇.ARIMA模型在深圳GDP预测中的应用 [J].数学的实践与认识,2008(4):53-57.
[25] 袁鲁山.基于NAR神经网络的车速预测及应用 [D].大连:大连理工大学,2016.