高速铁路路基沉降预测分析与软件应用

引入数据预处理理论保障原始监测数据集的质量，采用SVR算法针对预处理后的沉降数据进行精准预测，进一步整合开发了一种高速铁路路基沉降预测分析软件，并结合现场实例进行了验证分析。结果表明：高速铁路路基沉降精准预测软件不仅可提供数据的预处理操作，还可提供高精度的预测分析功能；软件内嵌了数据预处理的算法，可对原始监测数据集进行缺失值的处理和预先过滤，为后续高速铁路路基沉降预测分析提供了数据质量保证；软件内嵌的SVR算法很好地反映了路基沉降的走势与上下波动，所得的沉降实测值与预测值的相关性极高，两测点降噪后的R²分别为0.904、0.898，而MSE分别为0.025、0.031，体现出较高的泛化能力，整体预测精度高、预测误差小。     

基于动态改进遗传粒子群-BP的重型车NOx排放预测模型研究

为了降低重型车NO_x排放速率监测控制中OBD设备异常采集数据和数据耦合问题的影响，基于BP神经网络建立了排放预测模型。为了提高预测模型的准确性，引入了遗传粒子群组合算法，并对其进行动态改进，同时利用PCA分析提取数据特征。结果表明：对比传统遗传算法和粒子群算法，动态改进的遗传粒子群组合算法在适应度函数上提升了5.75%和3.37%;与其他9种预测模型相比，动态改进后的遗传粒子群-BP网络在评价指标MASE、RMSE和R²上表现最优，MASE、RMSE分别为0.024和0.033 6,R²为0.951,预测结果与原始数据基本吻合，所建预测模型具有较高的预测准确性。     

基于GWO-SVR模型的基坑边坡变形预测及敏感性分析

准确预测基坑边坡变形是确保隧道明挖顺作施工的关键工作。针对传统预测方法无法表征土的物理力学参数与基坑边坡变形非线性关系和单一预测算法精度和鲁棒性低的局限性，鉴于此，提出了一种基坑边坡变形的灰狼算法(GWO)优化支持向量回归机(SVR)预测模型。通过GWO对SVR预测模型c和g进行自动寻优，建立了GWO-SVR预测模型；以某基坑边坡为例，利用该模型进行预测，并与未进行GWO优化的SVR进行对比分析；最后，利用主成分分析法对不同影响基坑边坡变形指标进行敏感性分析，分析影响指标的影响权重。结果表明：GWO-SVR预测模型能够有效地预测基坑边坡变形，GWO算法优化后，SVR预测模型精度和鲁棒性提高约2倍；压缩模量和渗透系数的敏感性最高，对基坑边坡变形影响程度最高。可为基坑边坡变形的长期预测提供一种思路和方法。     

基于组合模型的高原环境GDI汽油车排放预测

为预测高原环境下缸内直喷(Gasoline Direct Injection, GDI)汽油车CO和PN的瞬时排放量，开发并评估了一套基于深度学习的排放预测模型。利用便携式车载排放测试系统对一辆GDI汽油车进行实际道路排放测试；加入奇异谱分析对原始时间序列进行处理，剔除时间序列中的异常值；利用XGBoost模型对GDI汽油车的CO和PN的瞬时排放进行初步预测，并利用SVR模型进行残差修正得到最终的预测结果。将预测结果与实际道路排放试验中使用PEMS设备测量的实际值进行比较，结果表明，XGBoost-SVR排放预测模型能较好地预测GDI汽油车瞬时CO和PN的排放，相比单一的XGBoost模型，RMSE分别提高了22.9%和39.7%,决定系数R²均大于0.9,支持预测结果的可靠性。该模型对监测高原环境下GDI汽油车实际道路排放具有一定的工程意义。     

数据驱动的UHPC与钢筋界面黏结强度研究

超高性能混凝土(Ultra-high Performance Concrete, UHPC)与钢筋界面的良好黏结是保证结构安全和正常使用的关键，直接决定了结构设计与性能评估。然而，传统基于试验或力学推导的界面黏结性能评估方法难以反映众多因素的影响，预测精度低、方差大。近年来，基于人工智能的数据驱动技术发展迅猛，为解决上述问题提供了新思路。建立了样本容量为670的钢筋与UHPC界面黏结试验数据库，分析了特征相关性和主要因素影响规律。剔除数据缺失、数据噪声等无效数据后，得到了557组有效数据子库。基于机器学习方法训练并生成了9种黏结强度预测模型，包括4个线性模型和5个非线性模型。采用决定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)指标开展了模型预测精度评价，对比了机器学习模型和传统模型的预测精度。结果表明：钢纤维掺量2%的试验样本占75.8%,钢筋直径16 mm的试验样本占64.6%,缺乏其他纤维掺量与钢筋直径的研究样本，尤其是低配纤、高配纤以及大直径钢筋的试验数据。5次随机抽样训练预测结果中，人工神经网络模型对试验结果预测最好，R²     

基于小波降噪的地下连续墙弯矩估算方法研究

基坑地下连续墙侧向位移监测过程中不可避免地存在误差,以往利用侧向位移估算地下连续墙弯矩时忽略了对监测数据误差的处理。为解决监测数据误差带来的问题,引入小波降噪方法对侧向位移监测数据进行降噪处理,基于降噪后数据实现地下连续墙弯矩估算。以福州地铁2号线上街站基坑工程地下连续墙典型测点的侧向位移监测数据为研究对象,选择db3小波基函数、硬阈值函数、heursure 阈值对其进行5层小波降噪处理,采用6次多项式对降噪后的监测数据进行拟合并确定拟合曲线曲率半径（挠度）,结合材料力学受弯构件相关理论实现地下连续墙弯矩估算。结果显示： 1)小波降噪可以有效去除侧向位移监测数据误差,监测数据误差主要分布在-0.6~0.6 mm; 2)利用降噪后的监测数据进行多项式拟合可以有效提高拟合精度; 3)地下连续墙最大估算弯矩为635.1 kN·m,约为设计值的40%,施工过程中地下连续墙安全状况良好。     

小波分析在边坡深部水平位移监测数据降噪中的应用

边坡深部位移监测曲线中的波动现象既反映了自然活动和人工活动使边坡内部位移产生的突变;也反映了噪声对其造成的影响。为了提高边坡稳定性评价的准确性,有必要监测信号进行降噪处理。小波分析作为一种新兴的数学工具,具有多分辨分析的特性,在信号的噪声消除方面,已有了广泛应用。将小波分析应用在边坡水平位移监测曲线的降噪中,选用小波阈值法对西攀高速公路k132高边坡和318国道k2791高边坡监测数据进行降噪,结果证实,小波分析方法能有效处理边坡深部位移监测数据。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

弱GNSS信号下基于EMD和LSTM的车辆位置预测方法研究

针对弱GNSS环境下组合导航（INS/GNSS）系统存在的定位偏差问题，提出一种基于经验模态分解和长短期记忆网络的车辆位置预测算法。首先，针对训练数据中噪声较大的惯导数据，提出一种融合经验模态分解与离散小波变换的降噪算法。该算法基于噪声能量估计和各阶本征模态函数的功率谱密度函数，提出一种确定混合模态函数阶数上下界的方法，并采用离散小波变换硬阈值法对混合模态函数进行滤波处理，最终利用经过处理的各阶模态函数重构原始数据以达到降噪目的。训练数据经过预处理后，采用改进的堆叠式长短期记忆网络离线训练位置预测模型，利用该训练模型可在线实时进行位置预测。针对车辆定位序贯数据预测，提出一种局部数据降噪方法，该方法利用一定长度时间窗口的历史数据，通过线性最小二乘给出当下时刻数据的预估值，并与实际量测值进行滑动平均滤波，优化位置预测的结果。在封闭场地模拟隧道环境下，对长短期记忆网络输入端进行局部数据降噪与不进行降噪处理比较，经度和纬度的归一化均方误差分别下降了13.34%和9.38%，经度和纬度的归一化平均绝对误差分别下降了8.64%和5.41%；在复杂城市交通环境下，检验提出的方法，经度和纬度的归一化均方误差分别下降了6.51%和5.66%，经度和纬度的归一化平均绝对误差分别下降了5.70%和8.23%。试验结果表明，在弱GNSS信号环境下，提出的车辆位置预测方法有效提高了车辆定位精度和稳定性。     

曲线回归分析模型在边坡位移预测中的应用研究

边坡工程监测数据的处理与分析方法众多,但都有特定的应用条件。为获得桩锚支护条件下边坡的水平位移变化规律和预测位移值,采用非负累加法对监测数据进行处理,利用最小二乘法、多元回归分析法来建立多项式回归预报模型,并结合长沙市某边坡工程对该模型进行验证。结果表明:曲线回归分析模型与监测数据拟合度高,预测值与实际情况较为吻合。     

基于港珠澳大桥左右舵车辆时空混行的差异化驾驶行为识别和预测方法

为实现左右舵不同驾驶习性驾驶人在港珠澳大桥时空混行环境下快速、有效识别并预测行驶车辆在应急条件下的运动状态，提出了一种考虑右舵驾驶行为的模型加数据混合运动预测方法。首先，提取港珠澳大桥通行车辆的跟驰与换道原始轨迹数据并分析，挖掘左右舵驾驶行为在直道及变道属性下的长短时特性；其次，结合最大信息系数算法(MIC)对比所提取特征与2类驾驶行为的关联程度，并求解关键区分特性下高斯混合模型(GMM)对于左右舵驾驶行为应急反应的倾向性概率；最后，将2种驾驶行为的车辆运动状态在直道行驶的差异特征作为长短时记忆(LSTM)神经网络的输入，建立数据驱动下的直道横向偏移预测模型，并在具有差异化驾驶行为的车辆直道位姿信息预测基础上，串联建立模型驱动下的变道概率预测模型。对青州航道桥实际车流监测数据的测试结果表明：所提方法可基于行驶车辆的横向偏移和偏航率等特征快速、准确识别左右舵驾驶行为；对于不同特征输入下的直道偏移预测结果，所预测左舵驾驶行为的均方根误差(RMSE)、改进的豪斯多夫距离(MHD)与决定系数(R²)的最优评估分别为0.578 7、0.468 1与0.870 7,右舵驾驶行...     

基于Kernel-KNN高速公路异常交通态势预测研究

为更精准预测高速公路异常交通态势变化，基于Kernel-KNN算法原理提出了态势预测模型，并调研京石高速公路异常交通态势场景下交通管理及运行监测数据，基于历史数据中速度与交通态势非线性映射关系，在MATLAB中实现了预测过程，确定了预测模型最佳参数取值范围，最后验证了预测模型的有效性。结果表明：高速公路异常交通态势预测模型的精度主要与带宽值B、时间长度T和最近邻数k等3个参数相关，当B、k、T分别在[3,10]、[8,10]、[1,2]范围时，预测模型精度相对稳定，其预测平均绝对误差(MAE)为3.97、平均绝对百分比误差(MAPE)为6.95、均方根误差(RMSE)为3.96,模型精度优于其他算法，且以单日时段速度为例，其预测值与实际速度值较吻合。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

边坡位移预测的混沌时间序列分析方法应用研究

把混沌时间序列理论引入到边坡工程研究中，运用边坡位移时间序列的最大Lyapunov指数预测边坡的变形破坏，建立了预测模型，并结合工程实例进行边坡位移预测，取得了较好的预测效果。     

隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明： sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1.03%,方差值为0.042 6,预测精度和稳定性较高,验证了预测模型的有效性。     

基于改进NSGA-Ⅱ的汽油机标定优化研究

针对车用汽油机标定成本高、开发周期长等问题，提出一种车用汽油机的标定优化方法，以提高标定效率。建立发动机稳态工况的高斯过程回归模型，通过少量的试验数据预测燃油消耗率(BSFC)、氮氧化合物(NO_x)等发动机性能和排放参数，并引入决定系数(R²)评估模型质量。在非支配排序中加入了约束违反并引入混合交叉算子对NSGA-Ⅱ进行改进。将预测模型作为改进NSGA-Ⅱ的目标函数，进行发动机标定优化。采用一种平滑校准图自动生成的方法，根据校准图性能和平滑度，以自动方式选择最终校准图。结果表明：对于标准测试函数，改进NSGA-Ⅱ算法的分布性最高提升21.41%,应用于发动机标定优化，为决策者提供了更多的优选方案。将改进的NSGA-Ⅱ算法与平滑校准图自动生成方法结合，在WLTC循环工况下，标定结果相较于人工标定校准图，燃油消耗率降低了1%,NO_x排放降低了5%,为减少发动机标定工作量提供了参考。     

不同优化类型组合预测模型在沙漠软土路基的应用

某沙漠重载铁路工程，地势低洼路段雨季易积水，加上原有高地下水位的长期浸泡和植物根系的有机分解积累，形成了淤泥质或泥炭质软土地基；运用理论分析、现场监测等方法，从权重分配合理性和子模型组合结构两方面探讨组合预测模型的精度优化效果，开展沙漠淤泥质软土路基沉降预测研究。结果表明：双曲线法、三点法、指数曲线法、泊松曲线法、BP神经网络5种预测模型均能达到较高水平的拟合程度；变权重组合预测模型、引入鲸鱼优化算法的自适应权重组合预测模型、滚动动态组合预测模型对于预测精度、效果的提升较小；引入BP神经网络的误差补偿组合预测模型，极大程度地降低了人为建立子预测模型组合结构所产生的精度影响，在沙漠淤泥质软土路基中具有更优的预测精度及效果。     

基于LSTM算法的基坑变形预测

在基坑正常施工的情况下，为准确预测基坑未来一段时间内地下连续墙的水平变形，基于某地铁基坑工程现场监测数据，利用LSTM算法进行模型训练，得到基坑变形预测模型。在前期实测数据的基础上，利用预测模型分别对基坑开挖期、浇筑底板后2种工况下的基坑地下连续墙水平变形进行预测，得到基坑地下连续墙的变形预测值，并结合其他预测模型的预测结果进行误差对比分析。结果表明： 相比于BP预测模型和灰色预测模型，LSTM预测模型具有更高的准确性。通过对多测点多工况的进一步预测验证，证明了该模型的稳定性和可靠性。     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。     

基于残差单调性的GM（1,1）修正模型及其应用研究

通过建立灰色GM（1,1）预测模型,对边坡位移进行预测。根据预测结果并利用残差在一定区间内呈单调变化的特性,再基于残差单调性重新选取样本序列,再次建立1组新的灰色模型,从而可极大地提高边坡位移预测精度。该模型被称为基于残差单调性的GM（1,1）修正模型。