李克昭，李志偉，趙磊杰

(1.河南理工大學 測繪與國土信息工程學院,河南 焦作 454000；2.北斗導航應用技術(shù)協(xié)同創(chuàng)新中心,河南 鄭州 450052)

?

灰線性馬爾科夫模型在建筑物變形監(jiān)測中的應用

李克昭1,2，李志偉1，趙磊杰1

(1.河南理工大學 測繪與國土信息工程學院,河南 焦作 454000；2.北斗導航應用技術(shù)協(xié)同創(chuàng)新中心,河南 鄭州 450052)

摘要：針對傳統(tǒng)灰色GM(1,1)預測模型在建筑物變形監(jiān)測預報中的擬合精度較差、預測精度較低和預測時間較短的問題，文中以傳統(tǒng)GM(1,1)、線性回歸和馬爾科夫模型為理論基礎，構(gòu)建了灰線性馬爾科夫預測模型，并結(jié)合某建筑物變形監(jiān)測的觀測數(shù)據(jù)，運用新陳代謝的計算模式進行預測。結(jié)果表明，灰線性馬爾科夫預測模型的擬合精度和預測精度優(yōu)于單一的灰色GM(1,1)預測模型和線性回歸預測模型，灰線性馬爾科夫預測模型具有預測精度高、預測時間長和穩(wěn)定性高的優(yōu)勢。

關(guān)鍵詞：GM(1,1)模型；線性回歸模型；馬爾科夫模型；新陳代謝

對建筑物的變形監(jiān)測分析與預報是非常必要的。變形監(jiān)測的預報可用于指導建筑施工、確保施工質(zhì)量和得到建筑物變形的先驗信息。灰色系統(tǒng)理論是研究數(shù)據(jù)貧乏、資料較少、不確定性問題的理論，非常適合于建筑物的變形監(jiān)測預報工作。

GM(1,1)模型是灰色理論的最簡單的預測模型之一，它打破了回歸分析和概率統(tǒng)計的局限性，以灰色生成函數(shù)為基礎，以微分擬合為核心的一種建模方法。但是GM(1,1)模型在構(gòu)建模型過程中受到隨機數(shù)據(jù)擾動影響較大，構(gòu)建的模型穩(wěn)定性較差。近年來，很多學者就針對GM(1,1)模型的初值確定[1]、GM(1,1)背景值的構(gòu)建[2]和GM(1,1)模型殘差的修正[3-4]方面做了很多方法的嘗試。但是對單一模型進行改進，對于提高預測精度相對來說是緩慢的，同時組合幾個互補的預測模型可使提高預測精度達到立竿見影的效果。

線性回歸預測模型[5-7]根據(jù)事物成長的規(guī)律性、事物發(fā)展的連續(xù)性以及事物因果的相關(guān)性對短時期的預測能夠取得非常好的效果，但對長期預測的效果并不明顯。馬爾科夫預測模型的轉(zhuǎn)移概率矩陣可以有效反映出隨機數(shù)據(jù)的波動程度，很大程度上彌補了GM(1,1)和線性回歸預測模型的局限性[8]。3種預測模型組合成灰線性馬爾科夫預測模型不僅提高了預測模型的精度和適用范圍，同時還能保證預測模型的穩(wěn)定性。本文以傳統(tǒng)GM(1,1)、線性回歸和馬爾科夫預測模型為理論基礎，將提出灰線性馬爾科夫預測模型，并結(jié)合某建筑物的變形監(jiān)測觀測資料，對組合預測模型進行驗證和分析。

1灰線性馬爾科夫組合預測模型的建立

1.1灰線性GM(1,1)模型

假設一組原始數(shù)據(jù)序列，記為X(0)，

(1)

對數(shù)據(jù)X(0)序列進行一次累加，生成的新數(shù)據(jù)序列記為X(1)，

(2)

(3)

式中：a為發(fā)展系數(shù)，b為灰作用量，其形式可以記為

(4)

(5)

將式(5)進行累減計算得到灰線性GM(1,1)模型的擬合值和預測值。從式(5)中不難看出：當m1=0時，預測方程為線性回歸方程；當m2=0時，預測方程為傳統(tǒng)GM(1,1)預測方程。因此，灰線性GM(1,1)預測模型繼承了傳統(tǒng)GM(1,1)和線性回歸的優(yōu)點。

1.2灰線性馬爾科夫預測模型

1)計算波動指數(shù)序列

(6)

2)劃分馬爾科夫狀態(tài)

(7)

式(7)表示為第k對象的波動指數(shù)處于第i種狀態(tài)Ei;a1i,a2i分別表示為狀態(tài)Ei的上下界。因此，總的狀態(tài)集合表示為

3)構(gòu)造狀態(tài)轉(zhuǎn)移概率矩陣

(8)

式中：mij(n)為狀態(tài)Ei經(jīng)過n步轉(zhuǎn)移到達狀態(tài)Ej的次數(shù)，Mi為Ei出現(xiàn)的次數(shù)。由n步轉(zhuǎn)移概率元素Pij(n)構(gòu)成n步轉(zhuǎn)移概率矩陣P(n)。

4)構(gòu)造未來狀態(tài)概率矩陣

(9)

式中選取離預測目標最近的s個原始對象，按照從近到遠的順序，所需的轉(zhuǎn)移步數(shù)分別為1,2,…,s，分別以各個對象所對應的狀態(tài)為初始狀態(tài)，在n步轉(zhuǎn)移概率矩陣P(n)中取各自所對應的行向量Pi(n)=[Pi1(n),Pi2(n),…,Pis(n)],i∈s，從而構(gòu)成新的概率矩陣。

5)得出預測方程。

(10)

2灰線性馬爾科夫預測模型精度評定

表1　預測模型精度評價[8]

3實例計算與結(jié)果分析

本文采用文獻[7]中的居民樓變形監(jiān)測工程數(shù)據(jù)，該工程為廣州市某地產(chǎn)開發(fā)公司開發(fā)的新建居民樓。按照二等水準的測量規(guī)范，獲得1#建筑物CJ1號點13期沉降累計觀測數(shù)據(jù)。本文利用前8期沉降累計數(shù)據(jù)進行建模，分別用GM(1,1)模型、灰色線性回歸模型、灰線性回歸預測第9～13期沉降累計數(shù)據(jù)。CJ1號點的觀測數(shù)據(jù)如表2所示。

表2　CJ1點的實測累計沉降量

3.1灰線性馬爾科夫模型數(shù)據(jù)計算

文獻[5-7]中表明，當建模過程中的建模期數(shù)n=8，參數(shù)m=1,2,3,4時，模型擬合精度最優(yōu)。參考文獻[12]的新陳代謝計算模式，用表2的前8期數(shù)據(jù)構(gòu)建灰線性馬爾科夫模型，預測第9期數(shù)據(jù)為例，計算過程如下：

1)利用前8期數(shù)據(jù)構(gòu)建灰線性GM(1,1)模型

X(0)=[2.82,3.51,4.59,5.87,6.89,

8.37,10.99,12.59].

2)灰線性GM(1,1)模型建模生成模型擬合序列、殘差序列和波動指數(shù)序列，同時計算可得第9期的預測值，如表3所示。

表3　灰線性GM(1,1)的計算結(jié)果

3)劃分馬爾科夫模型狀態(tài)。根據(jù)表3中的波動指數(shù)劃分為4種狀態(tài)：E1:[-4,-2]，E2:[-2,0]，E3:[0,2]，E4:[2,6]。

模型值所處的狀態(tài)，如表4所示。

表4　模型值狀態(tài)的劃分

4)計算轉(zhuǎn)移概率矩陣

5)計算第9期數(shù)據(jù)所處的狀態(tài)。第9期狀態(tài)的預測計算表如表5所示。

表5　第9期狀態(tài)預測表

從表5中可得，第9期的預測狀態(tài)為E4。

6)計算第9期的預測值。第9期的預測值為

3.2灰線性馬爾科夫模型數(shù)據(jù)結(jié)果分析

利用Matlab7.0軟件為平臺，按照上述計算步驟編寫程序，計算第9～13期的預測值，即：利用前8期觀測數(shù)據(jù)建模，得到第9期的預測值；然后去掉建模數(shù)據(jù)中第1期數(shù)據(jù)，加入第9期的預測值重新建模，計算第10期的預測值；依次類推，計算出第9～13期的預測值；最后，求取新陳代謝過程中所產(chǎn)生的擬合值和預測值的平均值，作為灰線性馬爾科夫模型的擬合值和預測值。其計算結(jié)果和分析如下：

1)GM(1,1)、灰線性GM(1,1)、灰線性馬爾科夫3種模型的擬合值和預測值見表6、表7。

表6　3種預測模型擬合值結(jié)果　mm

從表6得出，灰線性馬爾科夫的模型擬合殘差中誤差0.030 2mm，灰線性GM(1,1)模型的擬合殘差中誤差0.233 5mm，傳統(tǒng)的GM(1,1)模型的擬合殘差中誤差0.569 1mm?；揖€性馬爾科夫組合模型的擬合精度優(yōu)于前兩種預測模型。

表7　3種預測模型預測值結(jié)果　mm

從表7中得到，灰線性馬爾科夫預測模型的預測值殘差中誤差1.181 5mm，灰線性GM(1,1)預測模型的預測值殘差中誤差1.676 9mm，傳統(tǒng)GM(1,1)預測模型的預測值殘差中誤差3.354 3mm。灰線性馬爾科夫組合模型的預測精度優(yōu)于前兩種預測模型。

2)GM(1,1)、灰線性GM(1,1)、灰線性馬爾科夫3種模型的相對誤差見表8。

相對誤差更能直觀反映出模型的相對精度，區(qū)分出模型精度的優(yōu)劣。

從表8和圖1中可以看出，無論是擬合值還是預測值，灰線性馬爾科夫預測模型均優(yōu)于灰線性GM(1,1)預測模型和傳統(tǒng)GM(1,1)預測模型。因此，灰線性馬爾科夫預測模型更加準確，外推的預測值更多，外推的預測值更可靠，模型更加穩(wěn)定。

3)GM(1,1)、灰線性GM(1,1)、灰線性馬爾科夫3種模型的精度評定見表9。

表8　3種預測模型的相對誤差結(jié)果

圖1　3種預測模型相對誤差比較

傳統(tǒng)GM(1,1)灰線性GM(1,1)灰線性馬爾科夫P111C0.07450.07070.0149

經(jīng)計算，傳統(tǒng)GM(1,1)預測模型的小殘差概率P=1，方差比C=0.074 5；灰線性GM(1,1)預測模型的小殘差概率P=1，方差比C=0.070 7；灰線性馬爾科夫預測模型的小殘差概率P=1，方差比C=0.014 9。由于所選取的數(shù)據(jù)變化比較平滑，所以3種預測模型精度結(jié)果皆為優(yōu)。但是從方差比可以看出，灰線性馬爾科夫預測模型精度優(yōu)于前兩種預測模型。

4結(jié)束語

本文綜合傳統(tǒng)GM(1,1)模型、線性回歸模型和馬爾科夫模型的優(yōu)點，構(gòu)建了灰線性馬爾科夫預測模型，運用新陳代謝的計算模式對建筑物變形監(jiān)測進行預測。得出的結(jié)論為：灰線性馬爾科夫預測模型無論是擬合精度還是預測精度都要優(yōu)于單一的灰色GM(1,1)預測模型和線性回歸預測模型，灰線性馬爾科夫預測模型具有預測精度高、預測時間長和模型穩(wěn)定性高的優(yōu)勢。

對于變形監(jiān)測工作中實測的觀測數(shù)據(jù)建立合適的預測模型。在滿足工程應用的精度要求下，預測模型需要的觀測資料較少，減輕了大量的外業(yè)實測工作，提高了工作效率，同時提供了可靠的參考資料。本文建立的灰線性馬爾科夫預測模型，為了保證預測模型的可靠性，建議建模數(shù)據(jù)不要低于6期實測數(shù)據(jù)，同時建議連續(xù)外推的預測值不要超過5期為宜。

參考文獻：

[1]張彬,西桂權(quán).基于背景值和邊值修正的GM(1,1)模型優(yōu)化[J].系統(tǒng)工程理論與實踐,2013,33(3):682-688.

[2]袁豹,岳東杰,李成任.基于總體最小二乘的改進GM(1,1)模型及其在建筑物沉降預測中應用[J].測繪工程,2013,22(3):52-55.

[3]李秀珍,孔紀名,王成華.灰色GM(1,1)殘差修正模型在滑坡預測中的對比應用[J].山地學報,2007,25(6):741-746.

[4]郭蘭蘭,鄒志紅,安巖.基于殘差修正的GM(1,1)模型在水質(zhì)預測中的應用[J].數(shù)學的實踐與認識,2014,44(19):176-181.

[5]高寧,崔希民,高彩云.高層建筑物沉降變形的灰線性預測[J].測繪科學,2012,37(3):96-98.

[6]陳懷爭,王勇.灰色線性回歸組合模型在變形監(jiān)測數(shù)據(jù)處理和預測中的應用[J].資源與產(chǎn)業(yè),2011,13(增1):165-167.

[7]張俊中,雷偉偉,王睿,等.灰線性回歸模型在建筑物沉降分析中的應用[J].河南科學,2015,33(3):416-420.

[8]王磊,武術(shù)靜,李長青.灰色馬爾科夫模型對煤自燃發(fā)火預測的研究[J].河南理工大學學報(自然科學版),2015,34(1):35-39.

[9]楊燦,楊敏華,汪奇松.基于灰色馬爾科夫鏈預測系統(tǒng)的設計與實現(xiàn)[J].測繪通報,2009(6):182-183.

[10] 沈哲輝,黃騰,唐佑輝.灰色-馬爾科夫模型在大壩內(nèi)部變形預測中的應用[J].測繪工程,2015,24(2):69-74.

[11] 楊錦偉,孫寶磊.基于灰色馬爾科夫模型在平頂山市空氣污染物濃度預測[J].數(shù)學的實踐與認識,2014,44(2):64-70.

[12] 岳仁賓,騰德貴,胡波,等.灰色模型在深基坑變形監(jiān)測中的應用研究[J].測繪通報,2014(S1):85-87.

[責任編輯：劉文霞]

DOI:10.19349/j.cnki.issn1006-7949.2016.10.002

收稿日期：2015-06-26

基金項目：國家自然科學基金資助項目(41202245；41272373)；河南理工大學骨干教師資助項目(72105/090)

作者簡介：李克昭(1977-)，男，副教授，博士.

中圖分類號：TV698.1

文獻標識碼：A

文章編號：1006-7949(2016)10-0005-05

Application of grey line Markov model to the deformation monitoring of buildings

LI Kezhao1,2,LI Zhiwei1,ZHAO Leijie1

(1.School of Surveying and Landing Information Engineering,Henan Polytechnic University,Jiaozuo 454000,China；2.Collaborative Innovation Center of BDS Research Application,Zhengzhou 450052,China)

Abstract：Traditional gray GM (1,1) predicting model has the problems of poor fitting accuracy,lower prediction accuracy and shorter prediction time in deformation monitoring and forecasting of buildings.In this paper,a combination of the traditional GM (1,1) model,linear regression and Markov model is constructed of grey linear Markov model.Combined with observations data of the deformation monitoring of buildings,the metabolism computing model is used to predict.The results show that：the fitting accuracy and model prediction accuracy of the linear Markov model gray model are better than a single gray GM (1,1) forecast model and linear regression forecasting model.Gray linear Markov model has the advantages of high accuracy,long time and high stability of prediction.

Key words：GM(1,1) model；linear regression models；Markov model；metabolism