随着我国经济的飞速发展和城市化进程的加快,越来越多的高层建筑物拔地而起,由于受到人为和自然等多种因素的外力影响,建筑物在施工中和运营过程中发生不同程度的变形在所难免,如果形变超过一定范围,便会对周边人群和建筑物造成不可估量的危害。建筑物沉降观测主要是对建筑物进行有规律的周期性观测,通过对建筑物沉降观测数据的处理和分析能够及时的掌握建筑物形变情况,从而为建筑物的安全提供了有效保障。近年来,随着科学的进步和对数据预测的需要,出现了不少的预测模型,如时间序列模型、神经网络模型、灰色模型、小波分析等,不同的预测模型有着其本身的优缺点,在实际应用中,如果能将不同预测模型的优点结合起来,建立较好的组合模型,便能在一定程度上提高建筑物变形预测的精度。小波去噪在处理数据时能够剔除和插补原始数据中的异常值,使得原始数据序列更加平滑。灰色模型和BP神经网络模型都是常用的沉降预测模型,灰色模型的优势在于处理信号不完全、样本数据较少时有很好的预测效果,但数据预测呈指数变化形式,常与后期逐渐趋于平稳的沉降观测数据的变化趋势不符,而采用对原始数据的恒正凹化处理和相邻均值法能较好的弥补这一缺点,提高模型精度。而BP神经网络模型,具有较好的计算能力、误差校正能力。因此结合三者的优点,通过适当的结合方式建立基于小波去噪的灰色BP神经网络模型,可以较好的提高模型的预测精度。本文结合工程实例,研究如下:(1)利用MATLAB程序对101监测点和205监测点建立传统GM(1,1)模型和优化GM(1,1)模型,通过精度评定标准的对比,得出优化GM(1,1)模型精度更高。通过MATLAB程序对两监测点构建BP神经网络模型并进行预测。通过最优加权组合方法将优化GM(1,1)模型和BP神经网络模型进行组合,同样利用MATLAB程序实现模型构建,通过精度评定标准的对比,得出组合模型的预测精度高于单一模型。(2)对建筑物沉降观测原始数据进行小波去噪,通过对小波去噪不同参数的对比分析,从而进行最优的去噪参数设置。在去噪后数据的基础上,利用MATLAB程序再次实现对单一模型和组合模型的构建,通过精度评定标准MSE、SSE和MAPE的比较发现,小波去噪后的单一模型精度高于相对应的小波去噪前的单一模型,小波去噪后的组合模型精度高于小波去噪前的组合模型,最终得出基于小波去噪的优化灰色BP神经网络组合模型能更好的对建筑物变形进行预测的结论。