基于灰色支持向量机的连续梁桥线形控制研究

随着高速铁路的快速发展以及无砟轨道桥梁的建设要求,对于采用悬臂浇注施工的连续梁桥,对合龙精度以及成桥线形提出了更高的要求,需要对立模标高进行更加可靠的预测.传统的施工控制预测方法很难满足精度的要求,该文提出了通过灰色理论进行数据预处理,然后结合最小二乘支持向量机建立径向基核函数模型,对施工过程中悬臂端预拱度调整值进行预测,并与标准最小二乘支持向量机比较,以某一实际大跨度高速铁路连续梁桥为例,验证了灰色支持向量机应用于连续梁桥施工控制中的可行性和优越性.     

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。      

盾构施工引起的地表沉降预测及其敏感性分析

盾构施工会扰动地层引起地表沉降,导致地表建筑物倾斜、开裂或是倒塌,地下管线被破坏。因此,盾构施工时有必要对地面沉降进行预测和敏感性因素分析。本文结合某地铁区间的地质资料利用支持向量机建立数学模型,对盾构施工引起的地表沉降进行预测,并与BP神经网络模型的预测结果进行对比。最后,利用灰色关联分析理论对地表沉降进行敏感性分析,为盾构施工提供参考依据。     

基于支持向量机与神经网络法的路基沉降预测对比研究

城市地铁车辆段整体道床区路基对工后沉降有严格要求。为保证路基沉降观测数据的可靠性,首先采用沉降观测异常数据判别方法,对沉降数据进行了预处理;根据路基沉降数据的特性,分别以支持向量机和神经网络法为核心技术构建了路基沉降预测模型,并通过工程实例详细介绍了预测方法与过程。对比分析表明:基于支持向量机和神经网络法构建的预测模型均有较好的预测精度;预测结果显示,依托工程路基沉降已基本趋于稳定,运营期不会发生较大的工后沉降,现有地基处理与路基填筑压实的施工方法是有效的。     

基于遗传算法优化支持向量机的再生混凝土抗压强度预测模型

针对再生混凝土抗压强度预测问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的抗压强度预测模型。利用遗传算法对SVM的参数进行优化,并得到优化的SVM预测模型。仿真试验结果表明:与BP神经网络和传统SVM的预测结果相比,基于遗传算法优化支持向量机模型的预测精度更高。     

基于GA-SVM优化方法的PC斜拉桥线形控制分析

通过将遗传算法和支持向量机相结合,建立了用于PC斜拉桥主梁标高误差预测的自适应GA-SVM模型。采用遗传算法对传统的支持向量机进行改进,利用其强大的全局搜索能力求解出支持向量机的最佳参数组合。将该模型用于梅溪河斜拉桥施工过程主梁标高误差预测。结果表明:该模型具有较高的学习和泛化推广能力,给出的预测结果令人满意。     

基于逐类组合支持向量机的边坡稳定性预测研究

首次采用逐类组合支持向量机（TCSVM）方法,用于解决边坡稳定性预测的问题。模型是先用支持向量分类机（SVC）对边坡状态进行判识,然后用支持向量回归机（SVR）建立边坡安全系数预测模型,再用建好的模型对未知边坡的稳定性进行判别和安全性系数预测。利用模型对71个边坡实例中的61个进行学习,10个进行检验。结果表明:TCSVM对边坡安全系数的预测结果均优于SVM和PCA-SVM。表明逐类组合支持向量机方法提高了安全性系数预测的准确率,对边坡稳定性研究具有积极意义。     

支持向量机在路基沉降预测中的应用

在介绍了支持向量机基本原理和实现算法的基础上,将它应用于软土路基填筑施工中的沉降预测,提出了一种有效的预测方法,并构造了预测路基沉降的支持向量机模型。经过与传统BP神经网络方法预报结果比较,表明该方法在较少训练样本的情况下具有精度高、泛化能力强的特点。取得了较BP神经网络建模方法更好的预报效果。为预测填筑施工引起的软土路基沉降提供了一种新的方法。     

基于Lagrange支持向量回归机的短时交通流量预测模型的研究

在智能交通系统中,进行实时、准确的交通流预测是交通控制和交通流诱导的关键之一,直接影响交通控制和交通诱导的效果.基于支持向量机,提出了一种Lagrange支持向量回归机的交通流量短时预测模型,能够实现对交通流量的有效预测.仿真试验表明,Lagrange支持向量回归机具有良好的泛化性能、更快的迭代速度,预测结果优于改进的BP神经网络.     

堤坝管涌发生的预测方法研究

分析了堤坝管涌发生的机理和影响堤坝管涌发生的重要因素,选取了8个实测指标作为预测依据,建立了距离判别分析模型和支持向量机法的堤坝管涌预测方法,并和神经网络方法进行了对比分析。通过对23个堤防管涌工程实例的研究表明,距离判剐法和支持向量机法预测模型性能良好。基于神经网络核函数和径向基核函数的支持向量机具有更高的预测精度,支持向量机法是解决堤坝管涌预测问题的有效方法,可以在实际中应用。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

公交到站时间预测研究现状与发展趋势

实时的公交到站时间预测是智能公交的重要组成部分,准确的预测有利于帮助居民进行出行规划和减少等待时间.通过研究公交到站时间预测的原理和方法,系统总结了基于GPS、APC等数据的统计学方法和分析模型.对历史平均法、神经网络、卡尔曼滤波、支持向量机和基于概率的预测模型等几种典型方法的预测原理进行了介绍,从预测精度、实时性、计算复杂性等几个方面对模型的优缺点进行了比较.分析了公交到站时间预测发展趋势,提出了该领域需要进一步研究的问题.      

基于相空间重构和支持向量机的盾构滚刀岩机实验台轴承状态趋势预测

以盾构滚刀岩机作用实验台为研究对象,提出一种基于相空间重构和最小二乘支持向量机的盾构轴承状态评估及预测方法。该方法将一维时间序列重构到高维相空间中,利用相点作为支持向量机输入,自适应地对特征进行选取,并结合支持向量机非线性回归的优点,可有效预测轴承的运行状态。对实际采集的盾构滚刀岩机实验台的轴承信号进行研究分析,发现本算法的预测结果明显优于BP神经网络。将本文算法应用于工程实践,可以对盾构关键轴承状态评估和预测,能够为盾构轴承的定期保养和维修提供有效的指导。     

基于DAG-SVM的居民出行方式选择模型

提高居民出行方式的预测精度对于评价交通规划方案、交通策略的效果具有重要意义.应用心理学、行为科学的方法分析了出行决策的思维过程,将出行决策过程结构化,建立出行情景库,并采用主成份法分析了影响方式选择的主要因素,作为支持向量机模型的输入.利用统计学习理论分析了支持向量机与神经网络在建模原理上的区别,建立了基于有向无环图-支持向量机(DAG-SVM)的方式选择模型,阐述了模型的具体步骤.通过实验对不同核函数的预测效果进行了评价,并采用网格法和遗传算法进行参数寻优.结果表明,核函数选择径向基函数效果较理想,参数寻优方法上遗传算法比网格法效果更好.通过优化后,DAG-SVM模型的整体预测精度达到了82.3%,比神经网络提高了近9%.但对出租车出行的预测准确率略低于其他方式,这主要由于出租车常被作为特殊情况下的备选方式,其出行规律性相对较差.      

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。     

基于递进复合式组合预测模型的软岩隧道大变形预测研究

为实现对隧道大变形发展趋势的判断,达到优化现场施工,避免出现施工安全问题的目的,采用LS-SVM和优化GM(1,1)模型对隧道变形进行预测,并以误差平方和为指标,将两者的预测结果进行组合,再进一步利用BP神经网络对前者的预测误差进行修正,以实现综合预测。通过实例检验,得到最小二乘法对支持向量机的优化效果要优于对灰色模型的优化效果,且误差修正模型能进一步有效地提高预测精度,使预测值与实测值更为接近;同时,通过本文的预测结果,得到后4个周期的变形仍具有持续变形的趋势,应采取有效措施,避免工程事故的发生。本文预测模型具有较好的预测精度及适用性,对隧道大变形研究具有一定的参考意义。     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

最小二乘支持向量机在隧道围岩变形预测中的应用

针对基于标准型支持向量机(Vapnik SVM)的岩体变形预测方法计算复杂度大、应用不便的缺点,提出一种基于最小二乘支持向量机的围岩变形预测方法.该方法结合开挖岩体具有高度不确定性的特点,将其作为一个时变系统考虑,首先采用滑动时窗方式选取学习样本,然后利用获得的样本训练最小二乘支持向量机预测模型.利用这种方法对雪家庄隧道围岩变形进行预测,分析结果表明,该方法具有较高的预测精度,是一种简单可行的变形预测方法.