变形监测缺失数据序列灰色建模方法探讨

周　清，王奉伟

(1.东华理工大学　测绘工程学院，江西 南昌 330013；2.江西省数字国土重点实验室，江西 南昌 330013)



变形监测缺失数据序列灰色建模方法探讨

周清1,2，王奉伟1

(1.东华理工大学测绘工程学院，江西 南昌 330013；2.江西省数字国土重点实验室，江西 南昌 330013)

在测量工作中,由于气候环境、观测方法、观测仪器以及观测人员自身因素等多方面的原因,可能造成观测数据的丢失或者不完全。文中针对这类数据的处理，采用加权平均法和三次样条插值法对缺失数据进行修复，建立GM(1，1)模型，并与非等间隔预测模型进行对比。通过两组仿真数据和两组实测数据验证发现：对于呈指数增长的序列和高增长序列修复之后建模预测精度更高；三次样条插值法数据修复后GM(1，1)建模预测精度较加权平均法预测精度更高；对于低增长序列，直接采用非等间隔建模预测精度更高。

缺失数据；非等间隔建模法；加权平均法；三次样条插值

对于时间序列而言,由于数据本身的相关性,若数据中存在缺失值,就会使得观测序列本身的相关性产生变化,如果没有合理的数据处理方法,那么必然会导致数据分析的不可靠,使得变形预报工作的准确度大大降低[1]。因此,针对变形监测工作中数据缺失这一情况,寻找一种合理的数据处理方法,使观测数据能够被合理利用而不至于完全丢失,同时又能满足精度和准确度的要求,则显得尤为重要。对于变形监测数据而言，通常采用灰色预测模型进行建模。……