基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。     

应用灰色神经网络组合模型预测深基坑变形

将GM(1,1)模型与神经网络算法相结合建立灰色神经网络组合模型应用于深基坑工程变形预测。以润扬长江公路大桥深基坑工程的监测数据为例进行预测分析,结果表明:组合模型比GM(1,1)模型有更大的适应性,对于复杂非线性变化的数据预测精度高,可较好地预测深基坑变形。     

基于灰色系统和神经网络的实时交通量预测组合模型研究

介绍了将灰色系统理论和人工神经网络模型作为预测工具所具有的优缺点,建立了单一的GM(1,1)灰色系统模型。对传统的BP神经网络模型进行改进,在权值函数中加入一个动量因子作为阻尼系数,可大幅降低其容易陷入局部极小值的可能性。同时对学习率加以改进,使其能进行自我调节,于是构建了单一的BP神经网络模型。将单一的灰色模型和BP网络模型进行有机融合,得到了灰色系统—神经网络的组合模型。为验证这3种模型的预测效果,选取某一高速公路路段的单向交通量数据,通过Matlab软件编程进行拟合和预测,发现所建的组合模型综合预测效果最佳。     

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。     

灰色系统理论在桥梁线形控制中的应用与研究

在桥梁施工控制过程中,灰色系统理论得到了广泛的实用,而使用最多的是GM(1,1)模型来预测标高,但是通过实践证明GM(1,1)模型所预测的数据精度并不是非常准确,因此对灰色系统理论进行进一步的研究是迫切的。笔者在沈阳四环跨越沈丹线立交桥实际工程的施工控制中应用了灰色系统理论方法,采用了3种不同的样本数据建立GM(1,1)模型。并建立4个样本数的GM(2,1)模型,并对以上模型所预测的标高结果与实际标高进行对比分析。实践证明灰色理论成功的应用在了跨越沈丹线立交桥的施工控制中,并验证了GM(2,1)模型在预测精度上高于GM(1,1)模型,而增加样本数据非但不能提高GM(1,1)模型所预测的精度反而随着样本数据的增多精度随之降低。     

灰色系统理论在填石路堤沉降预测中的应用

基于填石路堤沉降现场试验,采用负指数曲线拟合路基沉降与时间关系,其与沉降变化趋势吻合较好,说明应用灰色系统理论预测填石路堤沉降是可行的。结合填石路堤沉降特点,首先建立相同沉降观测时段的灰色系统GM(1,1)模型,再运用最小二乘法优化GM(1,1)模型参数,并分别进行实例预测。结果表明,与GM(1,1)模型预测相比,参数优化模型预测精度会有显著提高,且能满足工程要求。     

基于灰色-马尔科夫模型的高速公路货物运输量预测方法

为准确预测我国高速公路货物运输趋势,文章提出灰色GM(1,1)模型、马尔科夫模型和新陈代谢思想的组合模型,以2009—2016年我国高速公路货物周转量为原始数据序列,预测2017—2019年高速公路货物周转量。结果表明:组合模型比传统的灰色GM(1,1)模型预测精度更高,加入新陈代谢思想,删除旧数据,引入新数据,降低了长期预测的误差,对新序列采用灰色-马尔科夫模型,2018年和2019年的相对误差由原来的7.81%和6.45%分别下降到3.85%和0.62%。     

一种改进的灰色模型在交通量预测中的应用

GM(1,1)模型是灰色系统理论中的核心,已经得到广泛应用。一种改进GM(1,1)模型无论用于拟合或预测,其结果都明显优于常规GM(1,1)模型。结合遗传算法和最小二乘法获得该模型的待定参数,对改进的GM(1,1)模型给出了一种新的求解方法。将此改进GM(1,1)模型用于交叉口交通量的预测,预测结果较好。将等维递推和自适应的思想引入改进GM(1,1)模型,可进一步提高该模型的预测精度和实用性。     

高速铁路桥梁桩基极限承载力预测研究

利用高速铁路桥梁单桩竖向静载试验数据,应用灰色理论建立GM(1,1)模型,在此基础上编制预测程序FPS预测桩基极限承载力。对比分析实测值和预测值,二者吻合较好,验证了GM(1,1)模型进行桩基极限承载力预测有较好的精度和实用性。GM(1,1)模型可作为预测高速铁路桥梁桩基极限承载力的可行方法。     

基于灰色-马尔可夫模型的道路PCI预测方法

本文利用马尔可夫模型修正传统灰色GM(1,1)模型的残差,建立基于时间序列的路面PCI动态预测模型;并利用MATLAB软件开发了灰色-马尔科夫链预测模型框架,实现了路面PCI滚动动态预测。将预测模型应用到某高速公路PCI预测中,结果表明该模型的预测能力强,比传统灰色GM(1,1)模型的预测精度更高,能满足实际工程需求。     

地铁荷载下隧道土体沉降的灰色预测与分析

随着我国地铁建设的迅猛发展,地铁运营荷载造成软土地基的长期沉降问题引起了足够的重视。针对监测和观测时间的非等时性,文中采用牛顿二次插值多项式插值的方法建立了非等时距灰色理论模型GM(1,1)和GM(2,1),对上海地铁四号线一区段的沉降进行预测,并与实际监测沉降量进行了比较,结果表明,GM(2,1)较GM(1,1)有更高的精度。通过监测数据分析,发现其沉降速率上半年明显小于下半年,并给出了较为合理的解释。     

优化GM(1,1)模型在桥梁静载试验中应用

设计一种适用于桥梁静载荷试验中极不完备数据条件下的优化GM(1,1)模型。使用3个前置神经网络模块替换传统模型中的微分拟合过程,利用神经网络的回归能力对其进行优化,使用1个后置神经网络模块结合1个数据解模糊模块替换传统模型的数据还原过程,其他数据处理方式沿用传统模型的数据处理方式。经过仿真计算,发现不同桥梁设计规模下,优化模型的标准差显著低于传统模型,证实优化模型具有较显著的算力提升。     

GM(1,3)模型在交通系统公路客运量预测中的应用

交通系统公路客运量预测不仅具有模糊性和动态性等特点,而且受多个因素影响。许多交通研究人员只根据客运量一个因素,用GM(1,1)模型预测。文章运用GM(1,N)系统综合预测模型,考虑系统中多个相关因素,并结合GM(1,1)模型,以原始离散的公路客运量、人口和国内生产总值GDP三组数据数列为基础,建立GM(1,3)模型来预测公路客运量。在详细论述了系统综合预测模型GM(1,3)的建立过程后,用后验差检验法对预测结果进行了检验,预测精度较好,表明此模型对公路客运量预测有一定应用价值。     

基于多因子关联分析的道路交通事故灰色预测模型研究

基于灰关联分析,对道路交通事故的影响因子进行预处理,建立了基于多因子关联分析的道路交通事故GM(1,N)预测模型。对哈尔滨市1994年~2004年的道路交通事故进行实例分析,预测结果表明GM(1,N))模型的预测精度高于GM(1,1)模型及多元线性回归模型。该模型克服了GM(1,1)模型对于波动性较大的非平稳数列预测精度低的缺点,该模型具有简单、有效、预测精度高的特点。GM(1,N)模型是一种动态数据处理方法,且不会出现量化分析与定性分析结果矛盾的现象,能够很好的反映交通事故的未来发展趋势。     

无偏等维新息模型在路基沉降预测中的应用

在分析了传统GM(1,1)模型和无偏灰色预测模型的基础上提出了无偏等维新息预测模型,通过运算得出最佳预测值以及预测的最佳维数区,并采用后验差方法对模型的精度进行检验。通过对某高速公路实测沉降数据的分析,证明该模型样本需求量小、计算简单、能动态地反映出实测数据的内在规律,并使预测精度得到有效的提高。证明了将无偏等维新息模型用于预测高速公路路堤沉降量的可行性,在实际运用过程中,为了获得更加准确的结果应不断带入新近的实测数据。     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

改进的GM（1，1）模型在变形预测中的应用

研究GM（1,1）模型的理论发现,模型的背景值序列、边值条件和残差的改进能提高模型的模拟预测精度。利用MATLAB软件编制不同背景值和边界条件下的模型优选程序,通过工程实例表明,改进的GM（1,1）模型模拟预测精度较高,适合其在变形预测中应用。     

基于GM（1，1）模型的高速公路边坡变形预测

基于边坡变形监测信息具有一定的灰色特征,应用灰色系统理论的原理和方法,建立了边坡变形预测等步长与非等步长GM（1,1）预测模型。采用GM（1,1）模型对衡桂高速公路某典型边坡段测斜管监测变形监测数据进行预测,预测结果与实测结果较为一致,表明了本文建立的灰色预测模型具有较好的可行性和适用性。