一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

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。     

基坑变形组合预测分析及安全性评价

为提高基坑变形预测精度及合理评价基坑所处的安全状态，提出以支持向量机、极限学习机和GM(1,1)模型为单项预测模型，构建定权法、非定权法确定组合权值的组合预测模型，并利用累计变形量与变形控制值构建基坑变形的安全性评价指标，以判断基坑所处的安全状态，且采用重标极差法分析基坑安全性的发展趋势。实例分析表明： 1）组合预测较单项预测具有更高的预测精度，且能有效降低预测风险，增加预测结果的稳定性； 2）非定权组合的预测精度要略优于定权组合的预测精度，且以BP神经网络权值法的组合效果最优； 3）通过对某基坑的安全性分析，得知该基坑处于危险阶段，需采取必要的安全措施，且预测结果与安全分析结果一致，验证了预测方法和安全性评价方法2种分析方法的有效性和准确性。     

基于多变量的集成预测模型在隧道拱顶沉降变形预测中的应用

隧道拱顶沉降是多种因素共同作用的一个十分复杂的过程,很难用数学模型进行精确计算。实际施工过程中,围岩情况经常发生变化,为满足设计要求,必须严格控制隧道拱顶沉降。传统的预测模型都只是利用拱顶沉降监测数据建立单变量模型进行拟合并预测。隧道开挖过程中,拱顶变形所受影响因素较多,导致监测数据序列中常常出现离散型较大的数据,单一变量模型预测精度受这些离散数据的影响较大,而且筛除离散型较大的数据会直接影响模型预测精度,因此单一模型只能对拱顶沉降量做粗略的估计。针对这一问题,根据隧道变形的同时性和内在相关性,利用拱顶变形监测数据和同期两侧收敛变形监测数据构建带输入变量的时序模型、GM(1,2)模型和BP模型分别对拱顶沉降变形进行预测,并运用实例验证了所建模型的有效性。通过对两种模型的预测精度进行对比可知,单一变量的时序模型只能对变形的趋势作出预测,预测精度较低,难以对拱顶沉降进行有效预测,而单一变量的GM(1,1)预测模型则完全失效。为了避免单一模型自身的缺陷导致预测精度降低,同时使不同模型间优势互补,本研究建立了基于以上3种带输入变量模型的集成预测模型,其加权系数采用熵值法确定;最后将该模型运用于宝汉高速白庙子隧道中进行检验,结果表明该集成模型更有效,预测精度更高。     

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。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

基于集对分析理论的路基沉降组合预测模型研究

为实现不确定性因素影响下的路基沉降预测,该文基于集对分析理论和统计决策思想构建路基沉降组合预测模型。该模型首先选定单项预测模型,并根据单项预测模型的预测结果将预测值和实测值构建为集对;然后应用正态分布理论确定集对关系划分标准,基于联系数确定组合权重系数,实现预测信息的优性组合;最后通过预测误差评价提出组合预测模型,并通过某路基沉降数据验证了该组合预测模型应用于路基沉降的有效性。     

大跨径连续现浇箱梁支架体系变形规律分析

大跨径连续箱梁桥采用支架现浇法施工时,由于受现浇箱梁结构自重大、地基不均匀沉降及动荷载冲击作用等综合因素的影响,成桥后的线形可能与设计值存在偏差,因此有必要研究现浇箱梁支架体系的变形规律。该文以湘潭市某在建桥梁中部分满堂支架体系作为研究对象,在选用Lagrange插值法、Logistic曲线法及S～lgt曲线法的基础上,提出了一种补偿误差后的反比例确权组合模型用于支架体系的变形预测,并与单项预测模型和误差反比例确权组合模型的变形预测效果进行了对比研究。结果表明:补偿误差后的反比例确权组合模型与实测变形曲线的吻合程度更好、预测精度更高,在支架体系变形预测中具有更大的应用价值。     

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.      

基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用

为解决传统智能算法网络结构参数复杂、运算速度慢等问题,基于遗传算法和极限学习机构建基坑变形的新型优化智能预测模型。先利用皮尔逊相关系数评价不同影响因素与基坑沉降变形之间的相关性,以确定极限学习机的输入层; 再采用试算法确定最优激励函数和隐层节点数,并将遗传算法和极限学习机耦合,利用遗传算法优化极限学习机的初始权值和阈值,以提高预测精度。经实例检验表明： 1)开挖时间、开挖深度、土体抗剪参数及重度均与基坑沉降变形显著相关,为构建极限学习机输入层提供了依据; 2)在预测过程中,激励函数和隐层节点数对极限学习机的预测效果具有一定的影响,以Sigmiod型激励函数和13个隐层节点数的预测效果为最优; 3)通过遗传算法的优化,能进一步提高预测精度,验证了遗传算法的优化能力和有效性。预测模型在不同工况下的预测结果均较优,说明该模型具有较高的稳定性和可靠性。     

铁路路基沉降变形组合预测模型优化

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Poisson-Markov组合预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上与泊松曲线模型建立一种组合预测模型，并利用马尔科夫链进行残差修正，得到改进的动态GM-Poisson-Markov组合预测模型。利用汉巴南铁路路基沉降变形监测数据进行实例分析，将预测结果与泊松、灰色模型、非等间距无偏灰色模型以及组合模型预测结果进行对比分析，结果表明:模型对铁路软土路基沉降变形可取得较好预测效果，提高了预测精度与稳定性。     

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。     

基于相关性准则和R-ELM模型的岩溶隧道涌水量预测研究

为实现隧道涌水量的高精度预测，以相关系数法和极限学习机为理论基础，构建隧道涌水量预测模型。首先，结合工程实例对隧道涌水的影响因素进行分析，并利用相关系数法分析各因素与涌水量之间的相关性，以筛选出重要影响因素；其次，将筛选出的重要因素作为预测模型的输入层，并利用试算法和经验公式优化极限学习机的模型参数，再利用M估计弱化预测误差，进而构建出用于隧道涌水预测的R-ELM模型。研究表明： 1）岩溶隧道涌水灾害的影响因素较多，包括5类一级因素和12类二级因素，不同因素对隧道涌水灾害的影响程度存在一定差异； 2）R-ELM模型预测结果的平均相对误差仅为1.12%，具有较高的预测精度，不仅验证了模型参数优化和M估计优化的有效性，也验证了R-ELM模型在隧道涌水量预测中的适用性。     

基于多变量灰色模型的路基沉降预测

路基沉降变形是一个复杂的动态变化过程,常用的单变量预测模型不能考虑各沉降监测点间的相关性,不足以反映路基整体的变形规律。多变量灰色模型是单变量GM(1,1)模型在多元变量条件下的拓展,可以实现对路基中相互影响的多个监测点变形预测模型的建模和预测。实例计算表明,与单变量GM(1,1)模型相比,多变量灰色模型具有更高的预测精度,显示了该方法进行路基工后沉降预测的有效性。     

基于Logistic曲线和Gompertz曲线的最优组合沉降预测模型及其应用

地基的全过程沉降量与时间呈S形曲线关系，可用Logistic模型和Gompertz模型较好地描述。根据I_ogistic曲线和Gompertz曲线的共性和个性，引用最优加权组合建模理论，以组合模型的对数误差平方和最小为目标函数来确定最优的加权系数，建立了最优加权几何平均组合沉降预测模型。通过工程实例，验证了该最优组合沉降预测模型的可行性。对比计算结果表明，最优组合沉降预测模型的精度不仅比Logistic模型和Gompertz模型的预测精度要高，而且可靠性也优于各个单一预测的模型，是地基沉降观测资料的一种有效分析方法。     

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Bayes-LSTM的公路隧道围岩变形预测方法研究

在公路隧道施工过程中,围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题,该文提出一种基于贝叶斯（Bayes）优化长短期记忆网络（LSTM）的方法,该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理,而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型,并利用Bayes优化模型中的超参数,最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测,将预测结果以均方根误差为评价指标与神经网络（CNN）和支持向量回归（SVR）进行对比。预测拱顶沉降时,Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26;预测周边收敛时,Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高,同时其能在训练模型过程中对历史信息进行判断和取舍,极大地提高了时序数据处理的效率,为公路隧道围岩变形预测提供了新的思路和探索。     

基于组合预测模型的物流园区货运量预测研究

物流园区货运量预测直接影响到物流园区未来的规模大小、功能定位、合理布局等重大问题,因此准确预测物流量具有重要意义。目前,大多数学者往往都采用单一预测方法进行预测,但由于单一预测方法假设条件及适用范围均存在一定的局限性,导致预测精度不高。提出运用弹性系数法、灰色模型法、三次指数平滑法的组合预测模型,以某物流园区进行实例计算。研究结果表明,该方法较单一预测方法误差更小、精度更高,能够更准确地预测物流量,可以作为物流量预测的有效工具。     

基于小波神经网络的隧道变形预测模型研究

针对单一模型在隧道变形预测上精度不高的问题,提出了一种基于小波分析理论的神经网络模型,该模型克服了BP神经网络模型存在的收敛速度慢、结构设计盲目、易陷入局部极小点的缺陷,通过将该模型与时间序列模型、Levenberg-Marquardt法BP神经网络模型、遗传神经网络模型预测的结果比较,可以看出小波神经网络在隧道的变形预测中网络结构更简单、收敛速度更快、预测精度更高。     

基于动态GM-Markov优化模型的高铁路基冻胀变形预测研究

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Markov预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上利用马尔科夫模型进行残差修正，得到改进动态GM-Markov预测模型。利用某高铁路基冻胀变形监测数据进行实例分析，将改进的动态GM-Markov模型预测结果与灰色以及非等间距无偏灰色模型、最优组合模型预测结果进行对比分析，结果表明:改进的动态GM-Markov模型对于波动性较大的冻胀变形可以取得较好预测效果，提高了预测精度与稳定性。