基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

支持向量机在地铁车站深基坑围护结构变形预测的应用

利用支持向量机理论对深基坑支护结构的变形量进行分析和预测,建立了预测支护结构最大变形量的支持向量机预测模型。预测结果表明,该预测模型有很高的预测精度,并应用于南京市某地铁站实际工程。     

基于PSO-SVM的轨道交通车站安全态势预测研究

提出一种基于PSO-SVM算法的安全态势预测模型,用于城市轨道交通车站安全态势预测研究。首先介绍支持向量机(SVM)和粒子群优化算法(PSO)的基本概念,以高斯径向基函数为核函数建立支持向量机安全态势预测模型,然后应用粒子群算法优化模型参数,得到优化的预测模型,再以某车站为例进行仿真实验,结果表明利用PSO-SVM算法预测车站安全态势值具有可行性。该预测方法对车站安全运营和乘客安全出行具有一定指导意义。     

基于铁路货运价值分类的客户流失预测研究

结合铁路货运行业的特征,获取其他货运市场数据,从客户发货情况、客户服务情况和运输市场情况3方面建立客户流失识别方法。根据铁路货运特征提出基于RFM的货运客户价值分类模型KFA和货运客户价值的计算方法。运用k-means聚类算法对货运客户进行分类,并利用支持向量机(SVM)建立各类货运客户的流失预测模型。制定评估标准来验证预测模型的预测效果。仿真结果显示,KFA客户分类模型具有较好的分类效果,按照不同客户分类建立支持向量机客户流失预测模型具有较强的预测能力,且对于不同观察窗口的数据分析结果差异性较小,说明模型具有较强的泛化能力,并且相比于全局预测,对于高价值客户更具有准确性,具有较高的实际应用价值。     

优化GM(1,1)与SVM组合模型的路基冻胀预测应用

基于非等时距GM(1,1)优化预测模型,采用支持向量机进行预测残差修正,建立一种组合预测算法,并运用该算法对铁路路基冻胀进行定量预测。对经典非等时距GM(1,1)模型背景值和初值的计算方法进行优化,同时设置时距权值矩阵,对不同时间测量所得数据赋予不同权重。在初始预测后,对残差值采用支持向量机进行非线性修正,得到最终预测值。选取哈大客专某区段实际测量路基冻胀数据,对算法实用效果进行检验。所建立预测模型平均预测误差值为2.039%,最大预测误差5.911%,后验证差比值0.005,各项指标均优于单一灰色模型与文献[6]中建立的组合预测模型,实现了对铁路路基冻胀的较高精度定量预测。     

基于集成学习算法的轨道几何状态短期预测模型

为了更准确地预测轨道状态劣化趋势,建立了一种新的轨道状态短期预测集成学习模型.建模时以200 m轨道单元为研究对象,根据轨道交通线路特点考虑多种影响轨道状态劣化程度的异质性因素来确定模型变量.首先分别利用Gamma过程、二项logistic回归和支持向量机三种方法构建TQI预测模型,然后利用Stacking集成学习技术...     

基于支持向量机的轨道不平顺预测研究

利用支持向量机的预测方法建立轨道质量指数预测模型,采用京九线下行100个轨道单元区段的实际轨检车检测数据对模型进行验证,并将预测结果与递推合成BP网络方法进行对比。研究结果表明:该方法建立的模型所得TQI预测值的平均相对误差为0.85%,预测精度与递推合成BP网络方法相比有所提高,说明将支持向量机技术引入到轨道不平顺预测中能够取得良好的预测效果,可以有效地反映轨道质量指数的发展趋势,对轨道不平顺预测研究具有一定的参考价值。     

基于GA-BP和小波-SVM算法的风电场短期功率预测

风力发电过程中的功率预测问题是制约风力发电发展的重要因素。针对单一传统神经网络易陷入局部最优的问题,提出了利用信息熵原理把遗传算法优化的BP网络和小波-支持向量机2种算法进行组合预测,结合华北某风电场提供的历史功率数据和数值天气预报数据对未来48 h功率进行预测,仿真结果表明,该组合预测方法的预测精度比单一预测模型的预测精度高,效率高,具有一定实用价值。     

基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。     

基于改进非等间距灰色模型和PSVM的轨道质量指数预测

有效预测轨道不平顺的发展趋势对铁路的养护和管理具有重要意义。根据轨道不平顺发展的趋势性和随机性,本文提出一种将非等间距灰色模型与粒子群优化支持向量机结合的预测方法。利用改进的非等间距灰色GM(1,1)模型预测轨道质量指数(TQI)序列在未来一段时间内的变化,再利用粒子群优化的支持向量机(PSVM)模型对灰色预测值进行纠正,得到较准确的TQI序列,构建出轨道不平顺变化趋势预测模型。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该组合模型的预测精度较高,相对误差分别低至1.03%和2.74%。     

基于网格搜索支持向量机的边坡稳定性系数预测

边坡稳定性分析是岩土工程的一个常见问题,影响参数较多。首先将影响边坡稳定性的样本集合建立支持向量机(Support Vector Machine,SVM)回归模型,而后使用网格搜索法(Grid-search)优化支持向量机的参数,并将优化过参数的支持向量机回归模型与贝叶斯岭回归模型、普通线性回归模型、梯度增强回归模型的预测结果进行对比。研究结果表明:优化后的SVM回归模型预测方法在边坡安全系数预测方法中更为精准稳定,具有一定的实际应用价值。     

基于数据挖掘算法的地铁站能耗时序预测方法

建立了误差反向传播神经网络(BPNN)、决策树分类与回归树(CART)、支持向量回归机(SVR)三种普通的输入-输出预测模型,对地铁站能耗进行预测。基于数据挖掘算法对三个模型进行改进,得到了三种模型基于时间延迟的预测结果,对比了改进前后的预测结果,并确定了最佳的时间延迟。结果表明:普通的输入-输出模型中,SVR对能耗的预测更加精确;基于时间序列的能耗预测模型对BPNN预测模型的提升最大;滞后时长为5 min时,三种模型的预测精度最高;基于决策树CART算法的时序能耗预测模型对时间延迟的敏感度最高。     

基于视频检测的轨道交通短时客流预测研究

为提高客流预测的精度,构建轨道交通站点客流多变量时间序列预测模型。基于视频检测的轨道交通短时客流预测研究采用方向梯度直方图特征描述器与支持向量机分类器识别行人目标,利用Camshift算法对目标跟踪,从而获取客流量和客流速度参数,并根据协整关系构建客流多变量预测的向量误差修正模型,最后利用南京鼓楼车站4A通道的视频数据进行模型验证和对比分析。实例验证结果表明:构建的向量误差修正模型具有较好的预测性能,客流量和速度预测的MAPE值都小于8%,优于相同样本下ARIMA(0,1,1)的预测性能。     

基于相关向量机的电气化铁路用电量预测方法

为了提高用电量预测的精度,提出基于相关向量机回归的预测模型,在时间序列数据的基础上通过拟合训练得出其内在关系,进而可以计算得到较为准确的预测结果。相关向量机具有算法简洁和预测精度高等特点,易于编程使用。为了验证模型的有效性,本文选取2006年3月至2013年2月之间的电气化铁路用电量数据进行模型拟合训练,并预测分析2013年3月至7月的用电量情况。最后,通过对比分析表明相关向量机模型的预测结果比传统回归方法的预测结果更优。     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

城市轨道交通短时客流不确定性预测模型

以城市轨道交通实际运营客流数据为基础,针对现有短时客流预测存在的问题,从运营时段特征、客流类型及站点周边用地类型等影响因素出发,剖析了短时客流存在不确定性的原因;基于周期性差分自动平滑回归模型和支持向量机理论,构建了短时客流预测组合模型,捕捉短时客流的周期性特征和局部非线性性特征;为提高短时客流预测结果的可信度,引入广义自回归条件异方差模型来构建短时客流不确定性预测模型。通过实例,验证结果表明,周期性差分自动平滑回归-在线支持向量机组合模型对于周期性强且稳定的客流具有优越的预测性能,广义自回归条件异方差模型的短期客流不确定性预测结果更为准确可靠。     

基于EMD的SVR方法在铁路客流预测中的应用

客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。     

基于支持向量机的地铁客流量预测

地铁客流量是城市地铁交通运营组织的重要依据,客流随机性较大及其影响因素较多,因此加大了客流预测的难度。为了更加准确地预测城市地铁交通中的客流量,及时对客流组织方案进行调整,设计了一种基于非线性支持向量回归机的地铁客流量预测方法。该方法通过分析已采集数据的影响因素,确定对客流量影响较大的支持向量,然后构建预测模型进行预测。该模型可以通过调整影响因素的强度来提高预测精度。最后,通过算例验证：该方法可以有效地改善预测误差,适用于短期和不确定环境的地铁客流预测。     

长株潭城际铁路沉降预测模型比较与基于Revit的可视化

为建立较高精度的沉降预测模型,同时探究沉降预测模型在建筑信息模型(BIM)中的结合应用,基于灰色系统模型GM(1,1)、支持向量回归机(SVR)和粒子群算法(PSO),建立PSO-GM-SVR变形预测模型.通过API接口以及二次开发功能,基于Revit软件平台开发一套应用于高铁沉降变形监测的插件,建立高铁沉降的三维基础...     

基于改进GM(1,1)与WOA-LSSVM组合预测模型的轨道不平顺预测

在保障列车行车安全的前提下对轨道不平顺的发展趋势进行预测,可以提高线路维护效率。根据轨检车的历史轨检TQI数值进行分析,提出一种基于非等时距近似非齐次的GM(1,1)模型与鲸鱼算法优化的最小二乘支持向量机的组合预测模型。对非等时距GM(1,1)模型的灰作用量进行优化,并设置加权矩阵,对不同检测时间的数据赋予不同权值,建立非等时距近似非齐次的GM(1,1)模型,得到初步预测值。在此基础上,利用鲸鱼算法优化的最小二乘支持向量机(WOA-LSSVM)对残差进行修正,得到最终预测值。分别对某线上行两段线路的轨道不平顺TQI值进行预测,结果表明:该预测方法相对误差平均值分别为2. 316%和1. 67%,后验差分别为0. 093和0. 068,精度等级达到1级,实现了轨道不平顺较高精度的预测。