基于灰色系统和神经网络的实时交通量预测组合模型研究

介绍了将灰色系统理论和人工神经网络模型作为预测工具所具有的优缺点,建立了单一的GM(1,1)灰色系统模型。对传统的BP神经网络模型进行改进,在权值函数中加入一个动量因子作为阻尼系数,可大幅降低其容易陷入局部极小值的可能性。同时对学习率加以改进,使其能进行自我调节,于是构建了单一的BP神经网络模型。将单一的灰色模型和BP网络模型进行有机融合,得到了灰色系统—神经网络的组合模型。为验证这3种模型的预测效果,选取某一高速公路路段的单向交通量数据,通过Matlab软件编程进行拟合和预测,发现所建的组合模型综合预测效果最佳。     

基于BP神经网络的桥梁有限元模型修正

为了提高桥梁检测中对于桥梁健康状况评定的准确性,为桥梁的加固设计与长期健康监控提供依据。本文建立了用于修正桥梁有限元模型参数的BP神经网络程序,该BP神经网络程序利用了MATLAB软件实现,通过使用MIDAS CIVIL软件建立原始模型并将计算所得到的不同修正参数组合下的挠度计算值作为样本,对神经网络进行训练并对修正参数的实际值进行预测。由实测挠度值、修正前计算挠度值与修正后计算挠度值对比分析的结果可知,修改后的桥梁有限元模型挠度计算值介于实测值与修正前桥梁有限元模型计算值之间,修正后的相对差值大多小于10%,是原来相对差值的一半左右。BP神经网络对于修正参数的预测准确度高,桥梁有限元模型的精确性得到了提高。本文使用的桥梁有限元修正方法简单可靠,计算效率高,易于在工程实践中实现,为桥梁有限元模型的修正提供参考。     

基于BP神经网络的基坑变形预测

基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过对基坑实测变形数据进行整理和分析,对未来变形量作出预测,保证基坑安全。结合BP神经网络的高度非线性映射能力,提出了一种基于BP神经网络的基坑变形时间序列预测方法。在基坑开挖过程中,采取滚动预测的方法,不断利用前期已有实测数据建模预测后期变形量,以实现信息化施工和动态控制。实例分析表明,BP神经网络模型具有较高的预测精度,并能获得满意的预测结果。     

RC梁桥承载力BP神经网络预测模型

在分析RC梁桥承载力影响因素的基础上 ,将人工神经网络 (ANN)技术引入RC梁桥承载力评估中 ;选取 8种损伤指标作为BP神经网络的输入值 ,桥梁承载力指数作为输出值 ,建立了RC梁桥承载力预测 3层BP网络模型 ;使用MATLAB程序 ,完成了样本归一化、样本训练、仿真逼近和结果预测 ,使BP神经网络理论在实际应用中实现了计算机化 ;讨论了提高模型预测精度的措施     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

基于BP神经网络基坑支护结构变形预测研究

为了精确的预测佛山某建筑基坑变形情况,提出了一种BP神经网络多数据纵向预报方法,选取前三次的多个测点数据进行预处理,然后再对BP神经网络分析、训练、测试,并分析隐含层数对预测精度的影响,通过对比试算确定隐含层数目,最终达到能够高精度预测基坑支护结构水平位移和沉降。结果表明:所提出的方法可以精确地预测基坑变形,对工程建设具有一定的参考价值。     

基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

为解决地铁盾构隧道施工引起的地表沉降预测过程中数据样本不足、对数据预处理较为粗糙的问题，选取北京地区32个地铁盾构隧道施工引起的地面沉降数据作为数据库，采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法对数据库进行扩增，并在此基础上选取BP神经网络(back propagation, BP)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和K近邻(K-nearest neighbor, KNN)4种机器学习模型对沉降进行预测分析。分析结果表明： 1）经过预处理后的数据集预测能力显著增强，其中，KNN模型表现最佳，测试集平均绝对误差仅为1.60 mm； 2）采用KNN模型对北京轨道交通12号线西坝河—三元桥区间地层沉降进行预测，基于该模型预测值的Peck公式与实测值拟合度较高； 3）基于数据增强下的KNN模型对于盾构施工引起的地面沉降变形有良好的预测效果。     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。     

基于小波神经网络的隧道变形预测模型研究

针对单一模型在隧道变形预测上精度不高的问题,提出了一种基于小波分析理论的神经网络模型,该模型克服了BP神经网络模型存在的收敛速度慢、结构设计盲目、易陷入局部极小点的缺陷,通过将该模型与时间序列模型、Levenberg-Marquardt法BP神经网络模型、遗传神经网络模型预测的结果比较,可以看出小波神经网络在隧道的变形预测中网络结构更简单、收敛速度更快、预测精度更高。     

基于机器学习的RC简支梁桥运维期承载力评估方法

首先分析了材料性能对桥梁承载力的影响，并采用有限元方法扩大既有桥梁数据，建立相应的数据库。然后，通过MATLAB建立BP神经网络模型对数据库进行训练完成桥梁承载力权重系数估算，并构建神经网络预测模型实现承载力预测，通过对比验证预测模型的准确性。最后，研究利用BIM二次开发研发桥梁承载力评估与预测系统。结果表明，随着桥梁使用年限的增长，钢筋对桥梁承载力的贡献相较于混凝土而言明显降低，材料退化对抗弯承载力影响最大；桥梁配筋面积对抗弯、抗剪承载力影响最大；当数据库的数据较少且预测精度要求较高时，采用多层隐藏层神经网络预测模型更有效；当数据库的数据庞大且预测精度要求不高时，采用GA-BP神经网络预测模型更有效。     

基于小波去噪和神经网络的滑坡变形组合预测研究

基于滑坡的变形监测数据,首先探讨了小波去噪过程中各参数对去噪效果的影响规律,选取最优的小波去噪数据作为趋势项序列和误差项序列的分解依据,再利用BP神经网络和RBF神经网络对两序列进行预测,并与传统预测进行对比分析,最后对组合预测的效果进行探讨研究。结果表明:在滑坡变形数据的去噪过程中,以采用sym 4小波函数、固定式阈值、硬阈值选取阈值和7层小波分解时的去噪效果最好,并由后期预测结果可知其分项预测的效果要优于传统单项预测的效果,且线性组合预测对误差精度的提高有限,而非线性组合预测对误差精度的提高较大。通过上述研究,为滑坡的变形组合预测研究提供了一种良好的方法。     

基于BP神经网络的汽车车载称重系统研究

为解决汽车超载运行和相应的运输业管理问题,本文中提出了一套基于BP神经网络的车载称重系统。通过检测车桥随载荷量变化而产生的微小变形,设计了2阶低通滤波和数字滤波算法,以提取有效载荷信息,利用BP神经网络建立载荷模型,并根据在某轻型厢式货车上进行的试装和加载试验得到的样本数据,在Matlab神经网络工具箱中,采用Levenberg-Marquardt学习算法完成了神经网络的学习、检验和预测。结果表明:预测载荷误差在5%以内,满足工程要求,方案可行。     

基于小波网络的发动机瞬态工况进气流量动态辨识与预测研究

由于发动机进气系统具有复杂的非线性动态特性,因此构建了进气流量小波网络辨识与预测模型,并利用最小二乘法(DLS)对小波网络参数和预测控制率进行了学习和优化,以提高小波网络预测模型的可靠性和预测精度。作为对比建立了基于BP神经网络的预测模型,并利用瞬态工况试验数据分别对两种模型进行了仿真研究。结果表明,小波网络模型能有效地预测发动机瞬态工况进气流量,与BP神经网络预测模型相比,误差精度更高,可用于发动机瞬态工况空燃比的精确控制。     

基于粒子群算法的增压柴油机神经网络模型

神经网络是建立柴油机性能实时计算模型的有效方法.当前柴油机神经网络模型的研究大多是针对稳态工况开展,为了实现对瞬态性能的合理预测,提出了预测全工况稳态及瞬态性能的通用神经网络模型构建方法.此外,为了解决传统BP神经网络无法保证得到全局最优解、泛化能力较差的问题,采用群体智能算法中的粒子群算法(PSO)进行优化.利用某型涡轮增压柴油机的稳态和瞬态数据作为样本对模型进行训练,并与传统的BP神经网络模型进行对比.研究结果表明,PSO-BP神经网络模型可以有效预测发动机的稳态和瞬态性能,稳态预测最大误差4.54％,瞬态预测最大误差4.93％,与传统BP神经网络模型相比,PSO-BP模型可以有效实现全局寻优,提升泛化能力.     

基于移动检测技术的城市路网拥挤预测模型

提出了一种新的基于移动检测技术、神经网络和模糊判断方法的城市路网动态交通拥挤预测模型.首先构建一个3层BP神经网络模型判断路网实时交通流状态,并应用实地移动检测数据和视频数据获取BP神经网络训练样本并对其进行训练;然后结合路网静态拓扑结构,应用多重模糊推理,对路段发生交通拥挤的发生可能性、拥挤程度和形成时间做出预测.现场实测数据表明,该模型具有良好的预测效果.     

非线性耦合模型在桥梁桩基沉降预测中的应用研究

通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。     

基于优化支持向量机-混沌BP神经网络的基坑变形预测研究

为解决基坑变形预测精度低的问题,采用小波去噪分离基坑变形的趋势项及误差项序列,并利用多种优化的支持向量机对趋势项序列进行预测,采用混沌BP神经网络对误差项序列进行预测,将两者预测结果进行叠加即得到变形预测值,且可根据后期监测数据的更新,实时增加数据信息,达到跟踪预测的目的。经过3个实例检验,得出小波函数的去噪效果相对较优,且预测结果的相对误差均值均小于2%,验证了优化支持向量机-混沌BP神经网络模型的有效性,且该模型具有预测精度高、适用性强等优点,对掌握基坑变形的发展趋势及评价基坑的稳定性具有重要意义。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

BP神经网络算法预测路基边坡滑坡变形的应用研究

为了准确掌握降雨量与路基边坡滑坡变形之间的关系,在对金温货线铁路K135+900～K136+400滑坡区域降雨量及路基边坡滑坡变形进行长达3年监测的基础上,采用BP神经网络算法,以前期累计降雨量和累计变形进行样本训练,建立网络关系,并以实测数据加以验证,模型能够对降雨条件下的变形演化发展做出较为准确的预测。研究成果已作为重要的基础性数据被当地政府管理部门、铁路运营管理单位和滑坡治理设计单位所采用,用于分析预测滑坡变形趋势,指导滑坡应急管理和永久治理,以确保滑坡影响区内铁路运营安全和人民生命财产安全。     

改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。