基于最优组合赋权的EMD-GRU盾构竖向姿态预测

为解决盾构施工过程中姿态预测不精准的问题,提出一种基于最优组合赋权的EMD-GRU盾构竖向姿态预测方法。首先,对获取到的竖向姿态数据(俯仰角)进行数据预处理;其次,为提高模型的预测精度,将原始数据集基于经验模态分解(empirical modedecomposition,EMD)的方式划分为若干个较为平稳的子序列;然后,基于门控循环单元(gatedrecurrentunit,GRU)神经网络分别建立各个子序列的预测模型;最后,基于最优组合赋权法将各个子序列的预测结果进行融合,以得到模型的最终预测结果。为验证所建立的EMD-GRU预测模型的可靠性,依托昆明地铁5号线实际盾构施工项目加以应用,并与GRU、SVR、BP模型的预测结果进行对比。结果表明,所构建的EMD-GRU预测模型具有较高的预测精度和泛化能力,可为盾构姿态精准预测提供一种新的思路。     

基于MIC-LSTM的盾构施工地表变形动态预测

在盾构施工过程中准确预测施工引起的地表变形,对于保障盾构施工的顺利掘进具有重要意义。基于此,提出盾构施工地表变形MIC-LSTM动态预测模型。首先,确定影响地表变形的主要因素,并采用最大信息系数法(MIC,maximal information coefficient)确定各个影响因素和地表变形之间的相关程度,进而对各个影响因素赋权;其次,将赋权后的各个影响因素和盾构中心处过去最近10个监测时刻的地表变形数据作为输入变量、未来3个监测时刻的变形数据作为输出变量来构建长短期记忆(LSTM,long short-term memory)神经网络动态预测模型;最后,为验证所构建的MIC-LSTM动态预测模型的实用性,依托昆明地铁5号线盾构施工项目,将预测结果与LSTM、RNN(recurrent neural network)以及BP(back propagation)神经网络的预测结果进行对比。研究结果表明:所构建的盾构施工地表变形动态预测模型具有较高的预测精度。     

基于自动深度学习盾构掘进姿态预测与控制

提出了基于自动深度学习（AutoDL）算法和多目标优化算法的结合可实现数据驱动的姿态偏差控制指导,用于盾构掘进姿态的预测与控制,以解决现有盾构掘进姿态预测中所面临的执行难度高、成本高、效率低等问题,可用于自动精准地预测盾构掘进姿态随着工程进展的动态变化趋势,并针对盾构机施工状态执行多目标优化算法,快速自动搜寻最优策略,实时调整合适的盾构操作参数,减少对于现场操作人员经验和主观判断的依赖。以上海市天然气主干管网崇明岛-长兴岛-浦东新区五号沟LNG站管道工程隧道A线工程为例,展示该算法框架的优越性。研究结果有助于降低深度学习进入盾构智能控制领域的门槛,推动智能盾构发展。     

基于TL-Conv LSTM-AM组合模型的薄平板抖振响应预测

针对大跨度桥梁等工程结构在紊流场作用下的抖振响应预测问题，以薄平板为例，将数值模拟的薄平板抖振响应时程结果作为训练与测试数据，选用风场时程数据作为输入，并将薄平板的横向位移、竖向位移以及扭转角响应时程数据作为输出，分别采用带外部输入的非线性自回归(NARX)、长短期记忆(LSTM)、卷积长短期记忆(Conv LSTM)、注意力机制长短期记忆(LSTM-AM)神经网络模型预测薄平板的抖振响应。进一步地，将迁移学习(TL)方法与上述神经网络模型相结合，提出基于Davenport准定常抖振理论获取大量源任务数据的方法。通过筛选出的可用源任务数据，训练上述神经网络模型并经共享权重、微调参数后完成对薄平板目标任务数据的预测，并最终构建了TL-Conv LSTM-AM组合模型来预测薄平板抖振响应的思路。研究结果表明：在薄平板抖振响应预测中，LSTM模型的预测精度要高于NARX模型；引入卷积计算和注意力机制均有利于时序数据的预测，因此Conv LSTM和LSTM-AM模型的抖振响应预测精度相比单一的LSTM模型的预测精度要高；当上述神经网络模型结合迁移学习方法后能有效提升抖振响应的预测精度，但在局部...     

基于SVR模型的驾驶简单反应时间预测方法

为准确预测驾驶人对突发事件的简单反应时间,并为构建自适应式危险驾驶状态预警系统奠定基础,提出了一种基于实时脑电图(EEG)信号的驾驶人简单反应时间预测方法。首先,通过快速傅里叶变换(FFT)对EEG信号进行特征参数提取,作为驾驶人简单反应时间的客观预测指标。在此基础上,基于支持向量回归(SVR)建立驾驶人对突发事件简单反应时间的预测模型。最后采用20名驾驶人连续驾驶4h的EEG信号与反应时间数据,对该模型予以试算。研究结果表明:3项脑电特征参数(θ,α,β)与反应时间均具有显著相关性,其中脑电特征参数α的相关性最显著,为SVR模型对简单反应时间进行预测提供了客观预测指标;分别采用径向基函数(RBF)、Polynomial函数、Sigmoid函数作为核函数构建SVR模型对简单反应时间进行预测时,所得预测结果中采用RBF函数所产生的各项误差均低于其他2项函数,表明采用RBF函数为核函数的SVR模型预测精度最优,其预测准确率达到80%以上。     

基于CEEMDAN-SVR的公路隧道运营短期能耗预测模型研究

针对公路隧道能耗数据的随机性、不确定性和小样本特征,采用“分解-预测-集成”思路,提出一种基于集合经验模态分解模型(CEEMDAN)和支持向量机回归(SVR)的组合预测模型,能够有效提高短期能耗预测精度。首先,通过预处理原始能耗数据剔除异常值、修复缺失值和标准化能耗数据;其次,运用CEEMDAN模型将能耗数据分解为模态分量和残差分量;最后,分别构建各分量的SVR模型进行训练和预测,通过集成合并各分量预测值得到整体能耗预测值。以济莱高速公路蟠龙隧道用电量数据为例,探究模型最佳输入步长和输出步长,并与其他单模型和组合模型进行对比。结果表明：CEEMDAN-SVR模型在RMSE、MAE、MAPE指标下均能取得最优预测精度。     

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。     

基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法

铁路运输的低碳发展对交通系统实现“双碳”战略目标有着重要意义。针对当前铁路运输碳排放预测研究较少、预测精度不高的问题,考虑碳排放时间序列数据中历史信息和当前信息间的相关性,引入滑动窗口,结合长短期记忆（LSTM）网络,构建铁路运输碳排放量预测模型。采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值,筛选铁路运输碳排放量的关键影响因素,使用高关联性数据作为预测模型的输入变量,提高预测精度;应用LSTM网络为基础预测模型,通过引入滑动窗口改进神经网络的数据输入;考虑未来减排政策变化对铁路运输碳排放量的影响,融合基于动态政策的情景分析,构建铁路碳排放预测模型,并利用多项式误差拟合方法进行误差修正,提高预测结果准确性。以1980—2019年铁路运输碳排放相关数据为例,从现有文献中总结出17个铁路碳排放影响因素,利用灰色关联分析法从中筛选出6个关键因素,通过滑动窗口对筛选出的数据进行子序列分割,测试不同长度窗口下的预测精度,选择最优窗口参数,建立改进LSTM模型进行预测,并将预测结果与原LSTM、BPNN和RNN模型进行对比,结果表明：改进LSTM模型将相对误差平均值降低至0.392%,...     

基于深度学习的破碎带盾构施工沉降预测分析

为进一步提高复杂地层条件下盾构沉降预测的准确性，以广州地铁7号线1期工程谢村站-钟村站区间盾构工程为依托，针对破碎带盾构隧道沉降控制难题，提出基于深度学习的人工智能预测模型。通过分析开挖面破碎带分布规律，确定将破碎带面积比作为地层特性参数。采用相关系数矩阵分析不同施工参数与破碎带面积比的相关性，确定采用刀盘转矩代表破碎带面积比实时描述地层分布特性。以刀盘转矩、盾尾间隙与注浆量作为输入值，地面沉降作为输出值训练深度学习模型，并利用训练后的深度学习模型进行沉降预测分析。通过分析预测结果与沉降实测值的对比验证预测模型的有效性。     

基于特征相关度分析的路面凝冰短时预测方法

针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF(Augment Dickey-Fuller)检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络(Long Short-term Memory, LSTM)的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测...     

基于SVR的汽油机过渡工况进气流量预测研究

针对目前汽油机进气流量预测精度不高的问题，分析支持向量回归机(SVR)应用在进气流量预测的可行性，提出一种基于SVR的进气流量预测模型。该模型通过结合支持向量回归机的结构优势，采用灰色关联分析法(GRA)对模型的特征向量进行提取，并利用遗传算法(GA)对模型参数进行寻优辨识，以提高模型的泛化性能和预测精度。运用汽油机过渡工况仿真试验数据对模型进行了训练和预测，并应用MATLAB/LIBSVM工具箱实现SVR模型的回归预测功能。结果表明：SVR模型的预测值与试验值的误差控制在2%范围之内，有效实现了过渡工况进气流量的预测；与常规的RBF神经网络预测模型、BP神经网络预测模型相比，SVR模型具有更高的预测精度，适用于汽油机过渡工况空燃比的精准控制。     

基于LSTM的燃料电池发动机寿命预测

随着工业4.0和数据科学的发展,利用数据对氢燃料电池发动机剩余寿命进行预测,将有利于提前发现发动机性能退化问题,进而及时采取维护保养措施,对发动机安全运行以及延长发动机运行寿命至关重要。传统发动机寿命预测一般基于机理模式的经验判断或者数理统计,但在氢燃料电池发动机这个技术尚不稳定成熟的发展阶段,传统手段无法保证相对较低的误差。本文在不依赖于机理模式的情况下,利用传感器收集的数据,基于神经网络深度学习的模式,构建一种基于数据驱动的长短期记忆神经网络（LSTM）的剩余寿命预测模型,通过机器的训练与学习,分析预测氢燃料电池发动机的寿命衰减情况,为预测性维护提供数据支持。     

基于LSTM的城市公交车站短时客流量预测研究

智慧交通是智慧城市的重要组成部分,公共汽车(以下简称公交车)作为城市公共交通工具中最重要出行方式之一,不但方便了城市居民的工作和生活,而且为城市节能和环境保护提供了有效的解决方案。提高公交车站点客流量预测的准确度是智慧公交的研究内容之一。为了弥补传统时间序列模型(如ARMA和SVR)所具有的仅限单站点预测、短时间记忆等局限性,提高城市公交车站点客流量的短时预测精度,文中提出采用基于LSTM的神经网络模型对多个站点上下车客流量的长时间序列数据进行学习,从而对同一时段多个站点的客流量进行预测。试验结果表明,同时进行多站点客流量的学习能够提高预测结果的准确度,并且对抑制MSE和MAE有较好的表现,其中测试集MSE和MAE分别为3. 18人和1. 43人。基于LSTM的神经网络模型不仅能够很好发挥模型固有的长期记忆的能力,并且可以学习站点之间的潜在相关性,不仅对短时客流量预测具有明显的优势,而且拥有一定的泛化能力。使用LSTM进行多站点的公交车站客流量预测是可行的,并且较单一站点的客流量预测效果有明显提高;从客流量监测数据方面分析得出,多个公交车站点的客流量数据间存在相关性。论文成果对城市公交运营部门的快速决策和综合管理提供及时准确的数据参考具有现实意义。     

基于支持向量机的盾构掘进姿态预测与施工参数优化方法

为解决盾构司机设定施工参数的标准不明确,且盾构司机的数量难以满足盾构隧道建设需求而引发的盾构姿态难以得到良好控制的问题,需要寻找一种可靠且便于推广使用的施工参数-盾构姿态预测模型。基于盾构施工中的大量数据与机器学习中的支持向量机算法,提出一种预测盾构姿态与优化施工参数的方法。所使用的数据采集自上海地铁14号线新建隧道,时间跨度为299d,具体包括盾构的施工参数以及相关的地层信息。样本集包括43030个样本,75%的样本用于训练,25%的样本用于测试。测试结果表明模型的拟合优度达到0.863,在15%的容许误差下准确率达到94.5%,远高于传统的拟合方法。将此模型用于施工参数的优化以实现盾构姿态控制,控制结果表明使用此模型优化的施工参数进行掘进时盾构姿态能够得到良好控制。     

基于RS-SVR的上软下硬地层盾构施工地表沉降预测

为了提高由盾构施工引起的软硬不均地层地表沉降预测的准确性,建立基于粗糙集-支持向量回归（RS-SVR）的地表沉降预测模型,并将该模型应用于实际地铁隧道工程的地表沉降预测中。首先,根据特定地质条件,从几何因素、地层因素和盾构施工因素选取影响地表沉降的条件属性,采用粗糙集理论的Pawlak属性重要度方法删除冗余数据,获取影响地表沉降的最优条件属性集。在此基础上,基于支持向量回归（SVR）建立RS-SVR地表沉降预测模型,并与没有经过属性约简的SVR模型进行对比分析。为了比较不同核函数对SVR模型的影响,RS-SVR和SVR模型分别选取径向基函数（RBF）、Sigmoid函数、Polynomial函数作为核函数对训练样本及测试样本进行回归预测。最后,利用佛山地铁2号线南湖区间上软下硬地层的20组地表沉降监测数据,对该模型予以试算。研究结果表明：将选取的影响地表沉降的12项条件属性约简为包含7项的最优条件属性集,分别为硬层比、黏聚力、内摩擦角、土仓压力、总推力、刀盘扭矩以及掘进时间,地表沉降分类结果与约简前保持一致;同类模型进行横向对比时,RBF作为核函数的RS-SVR模型和SVR模型预测误差分别为5.54%、13.10%,均低于以Sigmoid函数和Polynomial函数作为核函数时的预测误差;以同种核函数进行纵向对比时,RS-SVR模型预测误差分别为5.54%、11.48%、13.26%,均低于SVR模型预测误差的13.10%、15.71%、19.68%。     

运输通道客运需求方式结构组合预测方法研究

在阐述客运需求结构的定义及其影响因素的基础上,探讨客运需求方式结构的形成机理。基于此形成机理,提出旅客出行选择运输方式的层次结构过程,并依此构建间接预测模型。将间接预测模型与MNL模型（直接预测模型）进行组合预测,通过对2种模型预测结果进行差异化的权重赋予,从而形成最终预测结果。以沪宁运输通道为实例对该组合预测方法进行试验,并对预测结果与现状数据进行比较,结果表明该组合预测方法具有较好的可行性。     

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...     

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。     

基于LightGBM-LSTM的公交到站时间预测

公交到站时间预测能够为公共交通智能调度和公众出行提供技术服务,具有重要意义.提出一种基于轻量级梯度提升机(LightGBM)和长短期记忆网络(LSTM)的公交到站时间预测模型,其中LSTM模型用来区分时序数据的高平峰模式,LightGBM模型用来预测公交到站的时长.以广州市某典型公交线路为例,从公交调度系统中提取大量的...     

基于LSTM的平面交叉口短时交通流预测

针对平面交叉口四方向进口的交通流量具有时空相关性的特点,提出了一种基于长短期记忆LSTM(Long Short-Term Memory)网络的平面交叉口短时交通流预测模型。将以四方向进口历史交通流数据为基础的四维时间序列数据输入LSTM模型中进行训练,并使用OpenITS合肥示范区数据对提出的模型进行验证。结果表明,与传统的BP神经网络相比,该方法预测效果具有更好的表现,是一种预测精度高的预测方法。