作者：龚祖官; 豆红磊卡尔曼滤波复化辛普森公式建筑物预测
摘要：文中针对传统GM(1,1)模型在预测过程中易受到随机扰动的影响导致预测精度低、残值大的问题,提出一种同时优化原始序列和背景值的动态GM(1,1)模型。首先采用卡尔曼滤波对原始序列进行降噪,消除建模过程中因原始序列引起的扰动误差;其次采用复化辛普森公式对建模过程中的背景值进行修正,建立同时优化原始序列和背景值的GM(1,1)模型;第三对优化后的模型实时引入最新的监测数据,剔除最旧的数据,建立修正的动态GM(1,1)模型。以某建筑物监测数据为例进行计算分析,结果表明:同时优化原始序列和背景值的动态GM(1,1)模型精度优于传统GM(1,1)模型,能准确预测房屋沉降变化趋势。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
