基于机器学习的铁路隧道施工碳排放预测模型研究

为构建适用于铁路隧道施工建设阶段碳排放预测的算法模型，以某铁路隧道建设工程为研究案例，首先基于碳排放计算体系量化得到案例隧道的施工碳排放量与各子阶段碳排放占比；然后采用多种机器学习算法构建不同预测模型，结合动物优化算法对预测模型进行参数调优，选用R²、MAE、MSE、RMSE、MAPE、SMAPE等评价指标对比分析拟合效果，筛选最佳预测模型，并基于SHAP值分析各参数变量的重要性程度。结果显示：建材生产阶段对隧道施工碳排放的贡献最大，建材运输阶段的碳排放最小；BP神经网络相对随机森林、LightGBM、SVR、极限学习机等算法的回归效果更好，并且通过对比使用PSO算法、WOA算法和SSA算法优化后的回归预测模型，WOA-BP算法的拟合效果最好；基于SHAP算法的分析，各参数变量的特征重要性排名依次为：开挖面积>围岩等级>开挖工法>埋深。     

紧邻大型深基坑的地铁隧道沉降预测方法研究

针对紧邻大型深基坑的地铁隧道因其变形影响因素复杂、变形控制严格而难以准确预测其沉降变形的问题,文章引入对小样本、复杂、非线性数据具有优越预测性能的支持向量机理论,并利用蚁群优化算法搜索支持向量机最优参数组合,建立了优化的支持向量机预测模型。应用该模型对南京市地铁1号线某段隧道的预测结果表明,该模型预测精度高,能够准确反映隧道变形趋势,可以满足紧邻大型深基坑地铁隧道沉降预测的要求。     

基于TE-LSTM组合模型的短时交通流预测

为了提升城市道路智能交通控制和管理的合理性和有效性，从交通流时空特性角度出发，提出基于传递熵（TE）变量选择和长短时记忆（LSTM）神经网络模型的城市道路交通流预测方法。根据传递熵选取与被测对象时空因果关联性强的影响因素，将筛选所得的因素作为输入变量，建立TELSTM组合预测模型。采用自动车牌识别数据对算法进行训练和实验，并与基于随机森林（RF）、递归特征消除（RFE）、前向选择（FA）的LSTM组合预测模型对比。结果表明：TE-LSTM模型对道路交通流的预测准确度最高，交通流量预测的MAPE低于5%，在满足实际交通管理和控制的数据精度要求的同时，降低了预测模型的变量维度和复杂度，提升预测效率。     

基于K-means与GRNN的高原山区高速公路短时交通流预测

为了研究可适用于高原山区高速公路短时交通流的预测方法,以及预测方法思路对绩效的影响,提出基于广义回归神经网络（General Regression Neural Network,GRNN）,构建K均值聚类算法（K-means clustering algorithm,K-means）与GRNN混合预测方法思路,即通过K-means和绩效指标判断GRNN模型参数最佳值,进而建立最佳预测模型。与传统上通过经验或一定指标判断模型参数值的思路相比,采用K-means和GRNN混合预测思路得出的模型参数值更佳,且模型RMSE、MAE最高可分别改善45.92%、45.05%,则构建的混合预测方法思路是科学有效的,可为高原山区交通流预测方法优化提供借鉴。     

基于BP神经网络算法的共享单车需求预测

文章选取某地区不同时段的共享单车需求数据,采用BP神经网络算法构建了基于Tanh函数、Logistic函数、Relu函数、Identiey函数四种不同激活函数下的需求预测模型,并应用RMSE、MSE、MAE、R2四种模型评估指标对模型进行评估,从而选出最优需求预测模型进行共享单车的需求预测。结果表明:无论在检验训练数据下还是检验测试数据下,精度最高的模型为Tanh函数下的BP神经网络模型,其测试集下的标准误差(RMSE)比训练集下的标准误差(RMSE)略有上升,测试集下的拟合优度(R2)比训练集下的拟合优度(R2)略有下降,说明该模型具有强泛化性能。     

基于灰色Verhulst模型的噬道拱顶沉降预测

文章通过对隧道拱项沉降机理的分析，提出用灰色Verhulst模型对隧道拱顶沉降进行预测，并结合重庆市轨道交通I号线7标大坪车站工程隧道拱顶沉降预测实践，验证了灰色Verhulst预测模型具有简单、经济、预测精度高的特点，可以合理的预测隧道拱顶沉降。     

山岭隧道爆破效果神经网络评价模型及爆破参数优化决策方法研究

针对山岭隧道爆破开挖普遍存在的超欠挖过大、渣体块度不适等问题，分析了造成这些问题的主要因素，确定了隧道爆破开挖效果评价指标体系，建立了以爆破块度和超欠挖量为预测目标的隧道爆破效果神经网络评价模型，提出了基于深度学习的隧道爆破渣体块度实例分割算法，形成了山岭隧道爆破参数优化决策方法，进而开展了工程应用与验证。结果表明：（1）基于深度学习的隧道爆破渣体块度实例分割算法检测出的块体大小与真实值误差小于6.9%（置信度为95%），实现了隧道渣体块度样本数据的快速获取；（2）经148组工程实践样本数据训练后的隧道爆破效果神经网络评价模型能够较为准确地预测出爆破渣体块度与超挖量；（3）爆破参数优化后试验断面的平均线超挖量均在10%左右，较原方案降低了50%以上；实测得到的渣体块度与超挖值与模型预测结果一致性良好，偏差小于20%。     

基于LS-SVM的天然气管网负荷组合预测

针对现有组合预测模型,基于经验风险最小化原则,克服预测精度受组合模型限制的缺点,提出一种基于最小二乘支持向量机（LS-SVM）的天然气管网负荷组合预测模型,并与AR模型、BP神经网络模型、GM（1,1）模型以及最优权重组合模型进行了比较,得出基于最小二乘支持向量机的天然气管网负荷组合预测模型能够得到更高的预测精确度,可为天然气管网的安全运行以及优化调度提供决策支持的结论。     

隧道变形预测的灰色与回归模型对比分析

模型预测法是目前常用的隧道围岩变形预测的方法之一。文章结合广梧高速公路茶林顶隧道工程实例，建立GM（1，1）灰色模型、GM（2，1）灰色模型和双曲函数回归模型分别对隧道围岩变形进行预测，并对各模型的预测情况进行对比分析。结果表明，不论是从短期还是从长期看，GM（1，1）灰色模型都体现了优越的模拟和预测效果，且建立预测模型时不需要大量的统计数据，可应用于工程实际。     

基于PSO-LSTM算法的智能交通流量预测研究

交通流量本身具有很强的不确定性,复杂、多变,容易受到随机因素的扰动,并且规律性不明显。随着不同预测方法的引入,对短时交通流的预测也出现了许多预测模型。长短期记忆模型擅长于处理和预测时间序列中具有时间间隔和延迟相对较长特征的重要事件。粒子群算法是一种通过模拟鸟群捕食行为设计的随机优化技术。本研究引入粒子群算法优化长短期记忆模型,使用昆明市某个路口断面所采集的过车数据作为训练集和测试集。本研究使用matlab软件进行上述模型的建模和预测,使用均方误差模型进行预测模型的误差分析。结果表明,引入粒子群算法优化模型后,预测误差降低60%,PSO算法优化LSTM模型能够更为准确的预测交通流量。     

基于多尺度组合核极限学习机模型的隧道围岩变形预测及应用

隧道围岩变形序列具有高度非线性,采用常规方法很难得到满意的预测精度。为了提高隧道围岩变形的预测精度,基于实测变形数据,提出一种隧道围岩变形的多尺度组合核极限学习机预测模型。首先,通过集合经验模态分解技术将实测变形数据分解为多个不同的尺度序列,然后通过组合核极限学习机对各分量序列进行建模预测,最后将预测得到的各分量结果进行组合获得最终的预测值。改进模型中通过径向基函数和多项式核函数线性加权而成组合核函数,运用粒子群算法对核参数和加权系数进行优选,并通过马尔可夫链对模型的预测结果进行了讨论,可以较好地提高隧道围岩变形的预测精度。文章通过大相岭隧道围岩变形预测实例表明:提出的改进模型在单步预测和连续多步预测隧道围岩变形时,都能取得较高精度,对比可得优于贝叶斯正则化BP神经网络,与工程实例监测变形相比处于可接受范围内,具有一定的应用价值。     

新冠疫情影响下基于GA-BPN模型的民航客运生产量评价方法

2020年初爆发新冠肺炎疫情，民航运输业受到了巨大的冲击，虽后续国内疫情得到了一定程度的控制，但国外疫情的泛滥，以至于2021年国内各地疫情的点状爆发，对民航客运生产仍持续造成不同程度的影响。鉴于民航客运生产与市场环境紧密相关，且根据国家卫健委的预判，疫情在今后较长一段时间内将长期存在。为了让民航客运生产运营单位在未来能够科学地评价有疫情存在的特殊市场需求，以及合理地规划和安排航班生产，本文提出一种遗传优化算法（GA）结合反向传播神经网络（BPN）的预测模型。实例应用的结果表明，GA-BPN模型相比传统BPN模型降低具备更高的预测精度，可为未来民航的生产规划提供一定程度科学地指导。     

基于人工蜂群优化小波神经网络的隧道沉降预测

小波神经网络存在收敛速度较慢、易陷入局部最优的缺陷,而人工蜂群算法收敛速度快且同时具有局部和全局搜索的能力。文章利用人工蜂群算法对小波神经网络进行优化,形成人工蜂群小波神经网络,并将其应用于地铁隧道沉降预测;并以深圳地铁10号线为例,将该模型的预测结果与BP神经网络、小波神经网络进行对比分析。结果表明,人工蜂群小波神经网络较其它两种模型的预测精度更高,预测结果更稳定。     

基于PCA-BP神经网络的铁路客运量预测模型研究

本文分析铁路客运量影响因素,利用主成分分析(PCA)消除原始铁路客运量影响因素之间的相关性,将主成分分析结果作为BP神经网络的输入,并通过增加动量项、输入数据处理、调整学习速率优化BP神经网络,提出基于PCA-BP神经网络的铁路客运量预测模型。实例研究表明,与BP神经网络相比,PCABP神经网络能有效提高铁路客运量预测精度。     

时空特征深度融合下的城市轨道交通站点客流预测

探索挖掘URT站点客流时空特征并精准预测运营高峰期的站点客流，对提高URT系统客流组织效率、保障乘客出行安全具有重要意义。针对传统模型对于时空特征挖掘不够以及在多步短时客流预测的精度上有待提升等问题，引入时段相关性及站点关联度以量化客流隐式时空特征，并建立一种结合双层图卷积神经网络（GCN）与门控循环单元（GRU）的dmGCN-GRU短时进站客流预测模型，随后以杭州地铁为例，对工作日数据和非工作日数据分别进行了仿真实验。结果表明，dmGCN-GRU模型能够深度融合时段相关性、站点关联度、站间OD、邻接矩阵等多重时空特征，可在增加一定训练时长的前提下提高预测精度、模型稳定性。随预测步长增加，模型性能虽有所下降，例如工作日数据拟合优度从94.68%降至94.27%，但性能仍优于SVR、GRU、GCN以及GCN-LSTM等模型。     

基于高压水射流和机械臂的公路隧道摄像头清洗试验

为了解决公路隧道摄像头清洗高空作业存在效率低和安全隐患的问题，提出采用高压水射流方法清洗镜面，并设计了六自由度清洗装备。以隧道摄像头表面的污染物为对象，采用傅里叶变换红外光谱仪（FTIR）分析了污染物成分；为获得较优的清洗工艺参数组合，在陕西省玉华宫周围隧道采集了70个摄像头样本，采用单因素变量法开展了清洗参数优化试验，利用“灰度化+锐化+二值化”的方法对图像进行了处理，研究了清洗压力（0.5～2.0 MPa）、清洗距离（0.3～1.5 m）和清洗时间（0.2～2.0 s）对清洁率的影响。试验结果表明，隧道摄像头壳体表面污染物的主要成分为碳黑和多环芳烃，而镜面表面污染物主要为颗粒状扬尘；较优的清洗工艺参数组合为清洗压力0.5 MPa、清洗距离1 m、清洗时间0.4 s（以0.2 s为间隔冲洗2次），在此参数组合下清洁率在99%以上。     

基于混合遗传算法的供水管道漏损安全预测

为解决供水行业中供水管道漏损安全性问题,建立了供水管道漏损安全预测模型,并引入遗传算法对其优化进行漏损预测,同时,针对传统的遗传算法优化该模型的过程中出现的缺陷,提出了混合遗传算法对其求解.模拟实例的预测结果表明：该模型预测方法准确可靠,具有较高的实用性。     

盾构法隧道钢制大变形衬砌环的设计

本文论述上海污水治理二期工程排放隧道设计中遇到的新围筑大堤所引起的隧道沉降，伴随产生的钢筋混凝土衬砌环环缝大变形（弯曲拉伸和剪切错动）以及对策措施。计算工况按先围大堤，隔一年后再进行盾构隧道施工，对隧道纵向沉降曲线的特征分析后，认为隧道的环缝，大大堤下将产生大较大的张开和错动，为此，不能按以往惯例设计隧道，遂研制了钢制大变形衬砌环（ＳｔｅｅｌＦｌｅｘｉｂｌｅＪｏｉｎｔＲｉｎｇ）以适应隧道的纵向变表     

基于BP神经网络的PGIS空车位数预测建模研究

文章采用BP神经网络对城市停车诱导信息系统（PGIS）中的空余车位数进行预测研究，建立了基于BP神经网络的PGIS空车位数预测模型，并介绍了模型预测的过程和方法。     

大直径盾构隧道双层衬砌横向抗震性能研究

为探明有无双层衬砌、双层衬砌不同施作方式（复合式、叠合式）对盾构隧道横向抗震性能的影响，以甬舟铁路金塘海底铁路隧道为工程依托，建立盾构隧道双层衬砌三维精细化模型的同时考虑了隧道材料与接触的非线性行为，采用隐式动力时程法进行了抗震性能研究。结果表明：（1）双层衬砌与管片的连接刚度越大，隧道变形越小；（2）复合式衬砌对隧道环向抗震性能提升有限，其变形、损伤及应力规律与单层衬砌基本一致；（3）叠合式衬砌能有效提升隧道抗震性能，充分利用材料力学特性，但需要重点关注隧道的损伤情况；（4）抗震设防等级要求较高的区段建议采用叠合式双层衬砌，防水、防火要求较高的特殊区段建议采用复合式双层衬砌。