基于智能手机的路面平整度评价方法研究

以智能手机加速度信号为数据基础,从自主采集抗干扰能力和系统鲁棒性设计出发开发了手机加速度采集软件;利用数据校准、去噪、平滑等方法对加速度信号进行预处理,基于BP神经网络建立了加速度信号与路面平整度的关系模型,结果显示虽然BP神经网络模型的预测结果有一定的跳跃性,但体现出一定的预测精度,平均预测误差为9.75%,能较准确地反映加速度数值与国际平整度指数IRI的关系,可用于路面平整度评价。     

基于改进神经网络的路基沉降预测

为克服路基沉降预测方法的缺陷和传统BP神经网络存在的不足,采用Levenberg-Marquardt算法改进了BP神经网络的收敛性,建立了路基沉降预测模型。结合津秦客运专线路基沉降实测数据,将该优化模型与传统的BP神经网络预测模型进行了对比,计算结果表明改进后的BP神经网络在路基沉降预测中精度最高,取得了好的效果。     

基于BP神经网络与多元回归的公路客运量预测研究

根据公路客运量的历史数据及相关影响因素数据,采用SPSS及MATLAB软件分别建立多元回归及BP神经网络预测模型,通过将2种模型输出的预测结果与实际数据进行对比,得出采用多元回归方法在预测客运量变化过程中所产生的误差远小于BP神经网络方法所产生的误差,认为,当数据样本量较小时,多元线性回归预测模型优于BP神经网络预测模型。     

最小二乘法结合BP神经网络在路面平整度数据标定及处理中的应用

在充分调研国内外路面平整度检测技术的基础上,针对平整度数据检测中存在的异常数据、漏检数据等问题,结合其技术指标,基于最小二乘法的原理对试验数据的IRI测量重复性误差和IRI测量误差进行分析,确保数据源的准确性和可参考性,并对BP神经网络算法的有效性和实用性进行了验证,再采用BP神经网络方法对路面平整度检测数据进行识别和补充处理,使检测到的数据能反映被检测实体的真实信息。最后,结合工程实例,在Matlab上实现仿真和计算,把补充的数据和真实数据进行相对误差比较分析,结果表明:数据处理结果能很好地满足工程质量检测数据误差的要求。     

费尔哈斯模型在路面平整度预测中的应用研究

通过对路面平整度随时间发展规律及其特点的研究,发现平整度的发展基本经历了先慢后快再慢的＂S＂形曲线的过程。由于多种因素的影响平整度的预测可以看作是一灰色系统。用灰色系统理论中的费尔哈斯模型方法建立路面平整度的预测模型,能运用较少的平整度观测数据建立起可靠性较好的预测模型,具有理论和实践意义。     

神经网络在填石路基沉降预测中的应用

应用BP神经网络对填石路基沉降进行预测.建立BP趋势提取模型,用以代替常规BP算法中使用三次样条曲线插值的预处理方法,从而使BP预测模型能克服数据波动带来的干扰,大大提高了BP神经网络预测模型的预测效果.     

基于遗传神经网络的路面使用性能评价预测

基于遗传神经网络算法,在进行高速公路路面使用性能评价与预测时,引入遗传神经网络,建立高速公路路面使用性能评价与预测模型,通过该模型,评价和预测了吉林某高速公路路面使用性能。结果表明:与BP网络预测PCI的结果相比,遗传神经网络预测PCI的结果与高速路面PCI实际值误差缩小更明显,这表明遗传神经网络模型预测精度得到很大程度提高。测试结果说明,本研究提出的遗传神经网络预测方法是可行的,它可以作为高速路面一种有效预测手段,提供科学方法进行公路路面使用性能的评价与预测。     

基于BP神经网络的短时交通流预测

对比分析短时交通流预测模型,对BP神经网络预测算法的原理进行分析说明,用BP神经网络建立短时交通流预测模型,利用华南快速路的实测交通流数据来验证模型的可行性。     

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

基于改进BP神经网络的高速公路边坡稳定性分析

通过引入动量项和自适应学习率对传统BP神经网络预测模型进行改进,建立改进BP神经网络边坡稳定性预测公式,并将其应用于湖南安化某高速公路边坡工程,将其预测结果与传统BP神经网络预测结果和实际安全系数进行比较,分析边坡的稳定性并提出针对性的建议。     

改进BP算法在公路工程主材价格预测中的应用研究

分析了传统BP算法的不足,利用相关分析法筛选出公路工程主材价格的主要影响因素;在确定BP神经网络结构及选取训练函数的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型,并结合合肥市石屑价格预测的实例,利用建立的预测模型,采用BP传统算法及附加动量法、自适应学习速率法、两者相结合法等3种改进算法分别预测了合肥市2个季度的石屑价格,并将预测结果进行对比,分析了不同BP算法预测结果之间的差异。结果表明,使用改进的BP神经网络算法进行公路工程主材价格预测,可以将预测误差控制在6%以内,并减少95%左右的训练步数。同时采用自适应学习速率和附加动量改进BP网络的方法相对最有效。     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

路面检测周期对使用性能预测影响研究

路面使用状况的跟踪检测对路面养护管理来说是十分必要的.由于检测点位、检测频率与检测误差等原因,检测数据均具有一定的不确定性,各地区路面状况检测周期差异进一步加剧了检测数据的不确定性,进而对路面使用性能的预测造成一定影响.该文在对路面性能预测模型误差分析的基础上,通过检测数据的增减,拟合了检测周期不同时车辙深度、开裂面积、国际平整度指数等指标的路面性能预测模型,并采用模型对不同路段的使用年限进行预测,进而分析了检测周期对性能预测的影响.最后根据路面实际检测数据推荐出不同性能指标的最佳检测周期.实例证明:合理的检测周期不但能够节约检测费用,而且可以减少路面使用性能预测误差,更好地为路面养护提供决策依据.     

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。     

基于优化灰色神经网络模型的内燃机气缸套磨损量预测的研究

气缸套磨损量是衡量汽车发动机寿命的重要因素。针对传统灰色预测模型的缺陷,采用均值修正策略,对样本数据进行预处理,实现灰色预测模型的优化;将灰色预测模型与BP网络相结合,建立了优化灰色神经网络预测模型;实例分析结果表明,优化模型能更精确地预测发动机气缸套的磨损量,为发动机的寿命预测与维修提供了更有效的方法。     

高速公路雾天能见度预测方法

以多要素气象检测器采集的样本数据为基础,将温度、风速及湿度作为输入变量,雾天能见度作为输出变量,分别采用三层结构BP神经网络和支持向量机非线性回归预测方法,建立了雾天能见度的预测模型;将预测结果与实际数据进行对比分析,结果表明:BP神经网络和支持向量机均能较好地预测雾天能见度,其中BP神经网络和支持向量机模型预测值与实际值的相关性分别为0.895和0.978,支持向量机预测结果的误差更稳定,表明支持向量机更适于处理小样本、非线性、维数灾难和局部极小等问题。     

基于BP神经网络的福泉高速公路车流量预测

高速公路车流量预测为高速公路管理企业对减轻高速公路的拥堵情况、改善高速公路的通行能力等方面提供了不可或缺的数据基础,也对其未来收益提供了参考。论文以福泉高速公路为研究对象,选择BP神经网络进行预测;其次分析车流量预测的影响因素,确定神经网络的输入和输出变量的数据类型、确定BP神经网络的层数及各层神经元的数量、各参数值,利用MATLAB构建完整的BP神经网络预测模型,最后收集样本数据,进行数据的预处理,利用样本数据对神经网络进行训练,包括训练完成后输入已知数据,进行实时预测,通过MATLAB进行仿真,证实方法可行有效,得到的结果证明BP神经网络的结构和参数值都是比较合理的,可以较好模拟现实环境,进行比较准确的预测。     

变权重组合S型曲线在路面平整度预测中的应用

通过对路面平整度指数IRI随时间发展规律及其特点的分析与研究，得出平整度的发展基本经历了先慢后快再慢的过程，基于3种“S”型增长曲线模型，提出一种预测路面平整度发展规律的变权重组合预测方法，并建立了变权重组合“S”型增长模型，从而可根据有限的实测平整度观测数据预测路面平整度的发展过程。工程实例分析结果表明，使用该模型，其预测曲线与实测数据曲线基本吻合，可用于路面平整度的预测，为解决我国平整度模型预测精度不高提供一种有效而实用的方法。     

城市交通枢纽短期客流量的组合预测模型

客流量的预测对交通枢纽内部组织方案和应急预案的调整起着重要作用,为了更为精确地对交通枢纽短期的客流量进行预测分析,通过分析交通枢纽客流量的变化特点,对比各种预测方法的优缺点,建立了综合BP神经网络和最小二乘支持向量机的组合预测模型,通过BP神经网络初步预测,再利用最小二乘支持向量机的修正,完成对交通枢纽客流量的预测。实际数据验证表明,相比单一的预测模型,文内提出的模型能够将交通枢纽的客流量的预测精度提高约1%,表明论文中方法能够克服单一模型带来的不确定性。