基于EMD的SVR方法在铁路客流预测中的应用

客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。     

基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

基于GA-BP和小波-SVM算法的风电场短期功率预测

风力发电过程中的功率预测问题是制约风力发电发展的重要因素。针对单一传统神经网络易陷入局部最优的问题,提出了利用信息熵原理把遗传算法优化的BP网络和小波-支持向量机2种算法进行组合预测,结合华北某风电场提供的历史功率数据和数值天气预报数据对未来48 h功率进行预测,仿真结果表明,该组合预测方法的预测精度比单一预测模型的预测精度高,效率高,具有一定实用价值。     

基于网格搜索支持向量机的边坡稳定性系数预测

边坡稳定性分析是岩土工程的一个常见问题,影响参数较多。首先将影响边坡稳定性的样本集合建立支持向量机(Support Vector Machine,SVM)回归模型,而后使用网格搜索法(Grid-search)优化支持向量机的参数,并将优化过参数的支持向量机回归模型与贝叶斯岭回归模型、普通线性回归模型、梯度增强回归模型的预测结果进行对比。研究结果表明:优化后的SVM回归模型预测方法在边坡安全系数预测方法中更为精准稳定,具有一定的实际应用价值。     

基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。     

基于PSO-SVM的轨道交通车站安全态势预测研究

提出一种基于PSO-SVM算法的安全态势预测模型,用于城市轨道交通车站安全态势预测研究。首先介绍支持向量机(SVM)和粒子群优化算法(PSO)的基本概念,以高斯径向基函数为核函数建立支持向量机安全态势预测模型,然后应用粒子群算法优化模型参数,得到优化的预测模型,再以某车站为例进行仿真实验,结果表明利用PSO-SVM算法预测车站安全态势值具有可行性。该预测方法对车站安全运营和乘客安全出行具有一定指导意义。     

基于最小二乘支持向量机的轨道电路故障诊断方法

为提高轨道电路故障处理效率和正确率,对轨道电路的多故障诊断方法进行研究。建立基于最小二乘支持向量机的轨道电路故障诊断模型,用某轨道电路实测数据进行训练和测试,选择基于BP神经网络的故障诊断方法进行对比。结果表明:基于最小二乘支持向量机的轨道电路故障诊断方法能有效实现轨道电路5种故障的诊断,且具有更快的运算速度。与BP神经网络故障诊断方法比较,故障诊断正确率提高了17.14%,运算时间减少2/3。     

优化GM(1,1)与SVM组合模型的路基冻胀预测应用

基于非等时距GM(1,1)优化预测模型,采用支持向量机进行预测残差修正,建立一种组合预测算法,并运用该算法对铁路路基冻胀进行定量预测。对经典非等时距GM(1,1)模型背景值和初值的计算方法进行优化,同时设置时距权值矩阵,对不同时间测量所得数据赋予不同权重。在初始预测后,对残差值采用支持向量机进行非线性修正,得到最终预测值。选取哈大客专某区段实际测量路基冻胀数据,对算法实用效果进行检验。所建立预测模型平均预测误差值为2.039%,最大预测误差5.911%,后验证差比值0.005,各项指标均优于单一灰色模型与文献[6]中建立的组合预测模型,实现了对铁路路基冻胀的较高精度定量预测。     

基于数据挖掘的铁路货运量预测方法

随着铁路部门信息化的建设,海量的数据积累使得采用数据挖掘技术对铁路货运量进行预测十分必要.通过系统分析、数据预处理、数据挖掘及知识提取,提出了预测铁路货运量的三种算法:线性回归、BP神经网络及支持向量回归机,并通过实例验证比较了算法的有效性.     

基于支持向量机的轨道不平顺预测研究

利用支持向量机的预测方法建立轨道质量指数预测模型,采用京九线下行100个轨道单元区段的实际轨检车检测数据对模型进行验证,并将预测结果与递推合成BP网络方法进行对比。研究结果表明:该方法建立的模型所得TQI预测值的平均相对误差为0.85%,预测精度与递推合成BP网络方法相比有所提高,说明将支持向量机技术引入到轨道不平顺预测中能够取得良好的预测效果,可以有效地反映轨道质量指数的发展趋势,对轨道不平顺预测研究具有一定的参考价值。     

基于支持向量机的隧道变形预测方法

提出一种基于支持向量机的隧道变形预测新方法。支持向量机基于结构风险最小化,具有更强的泛化能力,是一个凸二次优化问题,能够保证所得解就是全局最优解。采用RBF和Bspline核函数学习某隧道前30天的收敛监测数据,用学习得到的最佳支持向量机网络预测30天后隧道的收敛。结果表明,支持向量机回归和预测的最大相对误差不超过6 5%。通过对比发现,Bspline核函数比RBF核函数效果更好。     

新型组合模型在铁路客运量预测中的应用

客运量是用来测算交通运输业所承担的工作量,反映了运输业为国民经济和人民生活服务的数量指标,准确的客运量预测直接影响到铁路项目的经济效益评价及铁路交通组织安排。根据客流量数据的特点,提出新的组合预测方法,构建线性时间序列灰色GM(1,1)模型和考虑客流量影响因素的非线性遗传算法优化BP神经网络模型。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,并将组合模型预测结果和单一模型相比,得出新型线性和非线性组合模型预测精度更高,取得了满意的效果,为客流量的预测提供了一种新的工具。     

基于模糊最小二乘支持向量机的建设工程造价快速预测方法研究

为实现建设工程造价的快速和准确预测,此文提出基于模糊最小二乘支持向量机的建设工程造价预测方法。该方法可较好解决小样本预测问题,适合于当前工程造价样本数据量少的现状。通过隶属度函数对样本进行模糊化和加权,实现对历史数据和相似数据的优化选择,提高了预测准确性。将标准SVM的二次规划问题转化为线性方程组求解,提高了预测速度。通过对某市地铁建设中区间隧道延米造价估算实例的计算,验证了所提出预测方法的有效性。     

基于改进LS-SVM算法的列车通信网络时延预测方法

由于通信网络诱导时延的存在会对列车牵引制动系统造成影响,因此对时延精准预测并实现补偿十分重要。提出了一种基于改进粒子群(PSO)算法优化的最小二乘法支持向量机(LS-SVM)算法对列车通信网络时延进行预测,搭建了列车网络控制系统半实物平台,使数据通过多功能车辆总线(MVB)进行传输,分别改变车辆控制单元(VCU)特征周期及负端口数量大小,以获取大量不同特性的时延数据。将数据分组后利用改进的PSO算法优化LS-SVM算法进行预测仿真。仿真结果表明,与传统的LS-SVM算法及Elman神经网络算法的预测方法相比,所提出的方法在列车通信网络的时延预测方面具有更好的快速性和准确性。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于SVM智能预测的车地多网融合无线通信系统方案的研究与设计

为提高城市轨道交通车地无线通信质量,提出了一种车地多网融合无线通信系统方案,方案利用线路中共存的多种车地无线网络提供多条通信链路,共同保障车地数据的稳定传输。针对如何选择最优网络进行数据传输这一关键技术点,采用支持向量机（SVM）分类方法实现智能选择。最后,通过搭建车地多网融合无线通信系统的仿真环境,进行实验仿真。仿真显示:列车在当前车地无线网络信号质量下降时,能够智能检测并切换至质量更优的无线网络完成车地数据通信。基于SVM智能预测的车地多网融合无线通信系统方案能够提高车地无线通信质量,该方案具备有效性和可行性。     

基于序列互相关特性和SVM的入侵检测研究

通过刻画特权进程的系统调用来进行入侵检测已被广泛研究，采用的大多是人工智能方法，如支持向量机、隐马尔可夫模型和神经网络等。针对这种基于人工智能的入侵检测系统，本文提出应用序列互相关特性选择训练数据的方法。序列的互相关特性是刻画序列之间的相互关系的重要手段，使用具有一定特性的序列来训练人工智能模型，可以提高入侵检测的效率。在本文中，使用了支持向量机（SVM）来评价序列的互相关特性在模型训练中的作用。实验仿真说明，这种方法可以有效的提高入侵检测率。     

变比特率视频业务的混沌局域预测

鉴于变比特率视频业务具有混沌特性,本文在相空间重构的基础上,利用混沌时间序列的局域一阶预测法对两条标准的变比特率视频业务进行了预测,预测结果表明预测值能够很好地与实际值相吻合,而且不存在预测时延。相比自适应线性预测,具有更好的预测效果,为有效地进行网络资源分配和流量控制提供了基础,同时也为用混沌理论对变比特率视频业务进行建模和预测做了探讨。     

基于BPNN-TD算法的城市轨道交通线网规模预测方法

科学预测城市轨道交通线网规模,对于轨道线网的规划建设与城市布局发展具有重要意义。基于轨道交通线网规模及其影响指标数据,综合两种模型优势,对城市轨道交通线网规模进行有效预测。首先,从政策、经济、城市规模、出行需求4个方面,简要分析城市轨道交通线网规模的影响因素,并利用相关性分析法,提取GDP、第三产业值、人口规模、建设用地规模、日均客运量等5个模型输入指标。其次,构建基于BP神经网络模型(BPNN)的城市轨道交通线网规模预测方法,在求解熵权向量的基础上,结合交通需求法(TD)调整预测结果。最后,以广州市轨道交通线网规模为例,以误差最小为目标,对模型的隐含层数、神经元数、激活函数等进行优化。研究结果得出:2023年广州市轨道交通线网规模预测值为745.2km,低于实际规划值5.9%,表明广州市轨道交通线网规模的发展规划仍存在调整空间,研究有助于在大数据背景下为城市轨道交通线网的规划设计提供理论支撑。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。