时间序列的截尾和拖尾_挠度数据时间序列分析

挠度数据时间序列分析

在桥梁健康监测系统中，利用各类传感器采集能够反应桥梁结构状态的变化数据，如应变、挠度等，从这些数据中挖掘得到反映桥梁健康状况的信息，实际上就是对这些监测数据进行数据分析和处理，从而及时知道和掌握桥梁健康安全状况。而且桥梁监测数据基本都是时序数据，其中挠度数据直观反映了桥梁自身重量和行使车辆产生的竖向压力引起桥梁在竖向产生的位移，因此，对桥梁挠度监测数据进行时序分析，对桥梁结构健康监测系统的研究具有非常现实的意义。

时间序列分析一般都是对历史数据进行建模，从而预测未来。说简单点就是对时间序列的几何曲线进行拟合，拟合后根据曲线的变化来预测未来值。所以说，选择好合适的模型对时间序列数据进行拟合可以说是时间序列分析的关键点。本文利用 ARMA 对挠度监测数据进行建模并根据模型进行分析。

本文利用MATLAB工具对挠度监测数据进行时间序列分析。

本章具体工作如下：

1、 监测数据平滑。对挠度监测数据利用移动过滤器对原数据进行平滑，观察

挠度监测数据整体的规律情况。本文将从、小时、天、月等角度对整年的挠度监

测数据进行观察分析。

2、 平稳性分析。本文利用ADF单位根检验、自相关函数图对挠度监测数据

进行平稳性检验。若是非平稳序列则对数据做平稳化处理。平稳化处理分为有两

种情况，若挠度数据序列是非平稳的，并有一定程度上的增长或下降趋势，则对

数据进行差分处理，如果挠度数据序列存在异方差，则对数据进行相关技术处理，

处理后的结果要是数据序列的自相关函数值和偏相关函数值以一定方式逼近零。

3、 确定合适的时间序列模型。对平稳的挠度数据序列做自相关和偏自相关分

析。根据数据序列的自相关函数和偏自相关函数的特点在 AR 模型、MA 模型、

ARMA 模型三个模型之中选择合适的模型建立模型。若挠度数据序列的偏相关函

数是截尾的，自相关函数是拖尾的，可断定挠度序列适合 AR 模型；若平稳的挠度

数据序列的偏相关函数是拖尾，自相关函数是截尾的，则可挠度数据序列适合建

立 MA 模型；若平稳的挠度数据序列的自相关函数和偏相关函数都是拖尾的，则

挠度数据序列适合 ARMA 模型

4、 模型的参数估计与定阶。采用自相关函数与偏自相关函数图对模型的未知

参数进行估计，然后用 AIC 准则对模型进行定阶，最后采用对定阶模型的参数进

行估计。

5、 模型检验。对建立的模型的残差序列进行白噪声检验。

一、数据平滑与分析

在桥梁健康监测系统中，挠度监测数据蕴涵了桥梁结构状态信息，对挠度数据进行整体分析观察具有实际意义。许多决策的制定需要知道监测数据的整体走势，在桥梁部门对桥梁的监管过程中，对监测数据的发展趋势有足够的了解，有利于对桥梁的维护计划提供依据。本文对高桥的挠度数据进行整体的趋势分析。由于挠度数据有一定的噪声，本文采用移动平均法对挠度序列进行平滑处理，这样对于挠度数据整体的观察分很有帮助。为了更全面的对挠度数据进行观察，小时、天、月等角度对整年的挠度监测数据进行观察分析。本文对高桥的 3 个月的挠度监测数据进行观察分析。

高桥挠度监测数据是一小时采集一次，因此以小时的角度对挠度数据的观察不用对预处理后的监测数据进行概化处理。以天为单位对数据进行观察时，就要对原始数据进行概化处理了，每天的挠度值取一天内挠度监测数据的均值。同理以周为单位时，每月的挠度值取一周里挠度均值。

5.1 实验

①实验数据

以高桥监测数据中的挠度监测数据作为试验数据，表 5.1 中的数据是 3 个月挠度监测数据中的前 50 个数据，单位是 mm。这 3 个月的数据是 1 月到 4 月份采集的数据，高桥的挠度监测数据是每隔一小时采集一次。原始数据是有日期的，为了做实验方便，把日期化为数字序号，且以小时为单位。

先对原始数据进行整体观察分析，由于挠度监测数据伴有噪声，这样的数据作图进行观察可能很难看到取规律性。移动滤波器可以去除一定噪声，对数据进行处理后可以很容易看到数据序列趋势。图 5.1 是原始挠度监测数据图，图 5.2 是经过 5 点移动平均滤波器处理后的图，图 5.3 是 12 点移动平均平滑过的图。

从图 5.1 中可以看出挠度监测数据有许多噪声，波动比较范围比较大，但图的整体趋势是平衡的，说明桥梁的健康状况良好，但此图有噪声的影响，结论不是很可信。从图 5.2 中可以看出噪声少了很多，波动范围明显变小了，监测数据有点整体向上的趋势，但不是很明显。从图 5.3 中可以看出波动范围再次变小，数据的发展趋势可以明显看出了，说明滤波器的效果不错，可以知道挠度监测数据的整体发展趋势是向上了，即挠度的平均值在三个月内在逐渐变大。对这个变化的产生原因的研究对桥梁健康状况的把握很有意义。

从5.4图中可以看出，挠度数据有周期性，但周期性没有规律性，挠度数据的走势有明显的上升趋势，说明 2014 年 1 月份到 2014 年 4 月份监测挠度的那个截面挠度在不断增大，这值得引起注意，对桥梁结构的安全预警有重要参考价值。图 5.5 是滤波后的图，特征明显了很多，除了可以看出有向上的趋势，还可以看出每 10 天都至少有一个波峰和波谷，即一个不规则的周期。

从图5.6中可以看出第一个月挠度数据平均值上升了约0.6mm，第二个月下降了0.2mm，第三个月上升约0.7mm。整体上桥梁挠度数据上升了约1.2mm，所以三个月的挠度的变化不大，这个不一定是桥梁结构的问题，很可能是温度的问题，因为从一月份到三月份温度是会整体升高的。

5.2时序模型建立

时间序列模型是需要通过历史数据来建立的，因为模型的未知参数需要数据来估计，所以历史数据的质量会影响建立模型的精确度。距离预测数据越近的历史数据对预测值预测越好。图 5.7 是时序模型建立的一般过程，可以归纳为：

1、 根据实际时序数据的特性和时间序列理论选择合适的模型类别。

2、 根据识别准则在模型类别中选择合适的模型

3、 根据样本数据对模型参数进行估计和模型定阶

4、 对模型进行检验，如白噪声检验。检验通过之后利用模型对目标数据进行

预测和分析。

5.2.1 建立 ARMA 模型

根据第 2 章的时间序列分析的相关理论，在对任一平稳时间序列建模时，可先认为该时序模型既有自回归部分，又有移动平均部分，即建立时间序列数据模型ARMA(p,q)，因为时间序列数据模型 ARMA(p,q)在符合某情况(q=0)下可以转化为AR(p)模型，也可以在 p=0 的情况下转化为 MA 模型。 下图 5.8 是 ARMA 模型的建立过程

①平稳性检验与处理

对桥梁结构挠度监测数据平稳性分析。 本文利用 ADF 单位根检验、自相关函数图对挠度监测数据进行平稳性检验，若数据序列是非平稳的时间序列，要建模前将其进行平稳化处里。若挠度数据序列是非平稳的，并有一定程度上的增长或下降趋势，则对数据进行差分处理，如果挠度数据序列存在异方差，则对数据进行相关技术处理，处理后的结果要是数据序列的自相关函数值和偏相关函数值以一定方式逼近零。

具体处理过程如下：

如果数据序列有向上或向下的趋势，那么要对这个序列采用一定阶次的差分处理来消除数据序列的趋势性，就是通过采用依次差分处理消除数据序列中的趋势项，是的数据序列平稳。如果数据序列既表现了周期性，又表现了趋势性，那么可以先作 T 步差分处理来消除数据序列周期性，然后作d阶差分处理来消除数据的趋势性，从而得到平稳时序序列。

②模型识别

时间序列模型识别方法总结如下表。

③模型定阶与参数估计

利用 AIC 最小信息准则对模型进行定阶，即选型最佳的p和q的值使得模型对数据序列拟合的最佳。使得 AIC 表达式：

对模型定阶后，需要对模型的自相关系数和偏自相关系进行估计，综合考虑各种估计算法，矩估计、最小二乘法，解 Yule-Walker 方程法等，矩估计对大样本的模型参数估计的精度低，解 Yule-Walker 方程法比较繁琐，用最小二乘法对模型参数进行估计简单方便，而且精确度高。

AIC准则确定了模型的类型和阶数，用最小二乘法确定了模型中的参数，建立了最合适的 ARMA(p,q)模型，来对挠度监测数据序列进行拟合。但这个模型拟合的优劣程度如何，主要应通过实际应用效果来检验，也可通过数学方法来检验。本文采用白噪声检验法对模型的残差序列进行检验。白噪声检验其实就是对残差序列的随机性检验。根据时间序列的随机性定义， 如果一个时间序列是纯随机序列，就意味着序列没有任何规律性，序列诸项之间不存在相关，其自相关系数应该与 0没有显著差异。因此，可以通过残差序列的自相关函数和偏自相关函数对其的随机性进行检验。

⑤模型预测

建立好模型后就可以用对挠度监测数据做短期预测了，比如监测数据第n+L个数据是离群值，即异常值，其中L的值不能太大。可以根据已知的n个挠度监测数

, 建立真实模型，预测这L个值来代替异常值。

5.2.2 实验

①试验数据

以高桥监测数据的挠度数据为试验数据，本文对200个挠度监测进行ARMA(p,q)建模。表5.1中的数据就是这次试验数据的前50个数据。

②对试验数据进行平稳性分析

采用ADF检验法数据的平稳性进行检验，并对挠度数据做时序图进行观察。用MATLAB工具编程计算，ADF检验结果用adftest()计算。

图5.9是200个挠度数据的时序图。ADF方法计算结果是：H=1。在ADF检验中，H有两个值，若H=1，则说明数据平稳；若H=0，则说明数据不平稳。所以，从H=1和数据时序图可以得出，挠度监测数据是平稳的。

③模型识别

对数据序列的稳定性有了认识后，就要为数据序列选择合适的模型了。本文通过模型的自相关函数与偏自相关函数的特性进行模型识别。图 5.10 是挠度数据的自相关函数图。图 5.11 是挠度数据的偏自相关函数图。

从图5.10可以得出挠度数据的自相关函数是拖尾的，从图 5.11 可以得出挠度数据偏自相关函数是拖尾的。根基ARMA模型的自相关函数与偏自相关函数的特性(表 5.2)可以推出挠度监测数据适合 AR(p)模型。从图5.11中可以看出偏自相关系数 20 步截尾，所以对AR(p)模型p的估计为：0<p<20。

④模型定阶

进行模型识别后，就要对选择的模型进行定阶了。采用 AIC 准则对AR(p)模型进行定阶：

使得上式成立的 p 的值就是AR模型的阶。由于已经p的取值范围(0,20),只要计算 20 次就能得到使得AIC取得最小值时的 p 的取值。通过 MATLAB 对 AIC 进行编程计算得到，p=7时，AIC的值最小。所以可以确定模型为AR(7)。

⑤模型检验——白噪声检验

白噪声检验，即对模型的残差进行白噪声检验，也就是对模型的残差序列的随机性进行检验。若残差序列是随机的，那么模型是成立的。反之，则建立的模型不成立。本文采用自相关函数对残差序列进行随机性检验。图 5.12 是模型残差序列的自相关函数图。从图 5.12 中可以看出残差序列的自相关系数是整体上趋近0 的，所以残差序列是随机的，即模型通过白噪声检验。

⑥预测分析

利用建立的模型对数据进行预测分析，上文利用 2014 年的前 200 个挠度数据建立了模型，利用此模型对桥梁状况进行预警。图 5.13 是挠度原始数据与预测数据的时序对比图，其中的预测数据的时序图是 1 步向前预测图。

从图 5-13 中可以看出，模型拟合效果良好，利用此模型对桥梁状况进行预警，可以预测某个时间点的挠度值。

《来源科技文献，经本人分析整理，以技术会友，广交天下朋友》