基于小波降噪与最小二乘支持向量机的公路软基沉降预测模型

根据沉降数据的特性,以最小二乘支持向量机为核心技术构建预测模型,提出了一种路基沉降预测的新方法。由于测量误差不可避免,沉降数据通常含有噪声,不宜直接进行拟合,因此首先采用小波分析的方法对原始沉降数据进行降噪预处理,然后馈送到最小二乘支持向量机完成沉降预测。最后用某高速公路实测数据进行了实例分析,并与BP神经网络预测结果进行了对比,计算结果表明,小波分析结合支持向量机的模型有较好的预测精度,将该模型应用于公路软基沉降预测是可行的和值得研究的。     

支持向量机在路基沉降预测中的应用

在介绍了支持向量机基本原理和实现算法的基础上,将它应用于软土路基填筑施工中的沉降预测,提出了一种有效的预测方法,并构造了预测路基沉降的支持向量机模型。经过与传统BP神经网络方法预报结果比较,表明该方法在较少训练样本的情况下具有精度高、泛化能力强的特点。取得了较BP神经网络建模方法更好的预报效果。为预测填筑施工引起的软土路基沉降提供了一种新的方法。     

基于支持向量机与神经网络法的路基沉降预测对比研究

城市地铁车辆段整体道床区路基对工后沉降有严格要求。为保证路基沉降观测数据的可靠性,首先采用沉降观测异常数据判别方法,对沉降数据进行了预处理;根据路基沉降数据的特性,分别以支持向量机和神经网络法为核心技术构建了路基沉降预测模型,并通过工程实例详细介绍了预测方法与过程。对比分析表明:基于支持向量机和神经网络法构建的预测模型均有较好的预测精度;预测结果显示,依托工程路基沉降已基本趋于稳定,运营期不会发生较大的工后沉降,现有地基处理与路基填筑压实的施工方法是有效的。     

基于SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型.在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验.实例验证结果表明:该模型具有较高的预测精度.     

汽油机瞬态工况油膜参数混沌时序LS-SVM预测研究

汽油机油膜参数具有多维非线性特性,当前使用的试验标定法及辨识法难以精确确定参数值,对此提出了混沌时序最小二乘支持向量机(LS-SVM)预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性,对油膜参数试验标定数据进行相空间重构,采用支持向量机对重构后的数据进行训练及预测,得出预测结果,与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力,能够有效地提高油膜参数的预测精度。     

高铁变形分析中自适应Kalman滤波算法应用研究

针对Kalman滤波由于模型误差引起发散的问题,介绍了一种新的基于指数加权衰减记忆自适应Kalman滤波。基于MATLAB编程实现模型的建立并运用该模型对高速铁路沉降变形进行分析与预测,通过工程实例验证了自适应Kalman滤波抑制滤波发散的有效性。     

基于AGA-SVM公路软基沉降预测

由于公路沉降影响因素较多,加之沉降计算参数的变异性,很难通过理论方法准确算出任一时刻的沉降,因此根据已有沉降观察数据对之后沉降进行预测成为研究热点。支持向量机以其优异的非线性拟合及泛化能力被广泛运用于沉降预测,但是其沉降预测精度依赖于参数C、σ、ε的取值。因此采用自适应遗传算法对支持向量机主要参数寻优,建立了自适应遗传算法支持向量机(AGA-SVM)沉降预测模型,进一步提高了预测的精度。并以广东省兴(宁)汕(头)高速公路中某断面处部分沉降观测数据为训练样本,运用AGA-SVM预测模型对该路堤短期沉降进行预测,预测结果与实测数据吻合良好。     

基于改进神经网络的路基沉降预测

为克服路基沉降预测方法的缺陷和传统BP神经网络存在的不足,采用Levenberg-Marquardt算法改进了BP神经网络的收敛性,建立了路基沉降预测模型。结合津秦客运专线路基沉降实测数据,将该优化模型与传统的BP神经网络预测模型进行了对比,计算结果表明改进后的BP神经网络在路基沉降预测中精度最高,取得了好的效果。     

基于Kalman滤波的灰色神经网络边坡预测

为了提高高速公路边坡预测的准确性,全面反映边坡监测点的运动状态与边坡位移的沉降趋势,针对边坡变形监测的数据特征,结合某高速公路边坡变形实例,利用Kalman滤波方法减小甚至消除噪声,从而提取出能反应边坡主体变形特性的有用信号,并对滤波后的监测序列进行GM(1,1)变形预测;利用遗传算法优化的BP神经网络对残差进行修正,得到最终的边坡位移沉降预测值。研究结果表明,所得到的预测结果较其他模型有优势,很好地解决了真实位移变化情况的还原问题,为边坡数据处理与预测提供了一个好方法。     

基于支持向量机和改进BP神经网络的路基边坡稳定性研究

针对京新高速公路项目在建设中遇到的裂缝、滑移、倾倒等大量边坡稳定性问题,为了探讨边坡岩土体参数与边坡稳定性间的相关关系,以及保证研究项目路段在运营期间的行车安全,实现公路网尤其是山区公路的安全、高效、便捷运行,在已有研究的基础上,分别建立了支持向量机以及附加动量因子mc而改进后的BP神经网络两种边坡稳定性预测模型。通过引入45个训练样本,对5个工程边坡实例的安全系数进行预测计算,分析了两种模型的平均误差和最大误差,比较了两种模型的预测精度和适用范围,并且对京新高速公路胶泥湾至冀晋界路段的工程边坡稳定性进行了预测。结果显示,样本训练阶段,支持向量机和BP神经网络两种模型均具有较高的模拟精度,而BP神经网络更优;在样本预测阶段,支持向量机的预测精度明显优于BP网络;当随着样本容量不断增大时,两种计算模型的预测精度也逐渐提高;通过结果可以得出,支持向量机预测模型有较强的外推能力和预测计算的有效性,可以更好地描述边坡稳定性复杂的非线性关系,更适用于边坡稳定性的预测分析。     

基于支持向量机的多年冻土路基融沉变形预测

多年冻土路基热稳定性差,工后沉降量大,路基病害较为严重。如果能够准确预测该类路基的工后融沉值,就可为工程建设提供重要的参考依据,从而提高该类路基的路用性能。为此,在对现有预测模型应用效果分析的基础上,首次将支持向量机应用于多年冻土路基融沉变形的预测中,提出了一种有效可行的新型预测方法,并以实际工程为依托,构建了基于支持向量机原理的多年冻土路基融沉变形预测模型。通过与实测值及其它预测模型的对比分析表明：该模型在预测过程中有效的避免了“过拟合”及“维数灾难”,人为干预较少,具有预测精度高,泛化能力强,预测结果稳定的特点,成功的解决了多年冻土路基影响因素多,样本数量少等带来的预测难题。     

基于PSO-LSSVM的高速公路短时行程时间预测

高速公路行程时间预测对指导公众出行具有重要意义。鉴于高速公路数据采集难,文中以高速公路收费数据为研究对象,建立最小二乘支持向量机模型对高速公路行程时间进行预测,并引入粒子群算法对最小二乘支持向量机的参数进行优化;利用广东某高速公路收费数据进行验证,结果显示该模型与以往研究相比其相对误差较小,用于高速公路行程时间预测具有一定的可靠性和实用性。     

高速公路雾天能见度预测方法

以多要素气象检测器采集的样本数据为基础,将温度、风速及湿度作为输入变量,雾天能见度作为输出变量,分别采用三层结构BP神经网络和支持向量机非线性回归预测方法,建立了雾天能见度的预测模型;将预测结果与实际数据进行对比分析,结果表明:BP神经网络和支持向量机均能较好地预测雾天能见度,其中BP神经网络和支持向量机模型预测值与实际值的相关性分别为0.895和0.978,支持向量机预测结果的误差更稳定,表明支持向量机更适于处理小样本、非线性、维数灾难和局部极小等问题。     

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于遗传算法的二次回归方程在沉降数据处理中的应用

软基路基沉降与其影响因素之间呈非线性关系。以某软基高速公路为例,以时段天数、时段载荷量及时段加载平均速率为解释变量,以时段沉降量为被解释变量,建立了非线性二次回归模型,并用遗传算法估算模型系数。工程实例表明,经遗传算法优化的非线性二次回归方程具有较高的预测精度,效果优于神经网络,用该模型进行软基高速公路沉降预测分析是可行的。     

越南河内-海防高速公路路基沉降预测模型研究

越南河内-海防高速公路是越南在建的第一条高速公路,为中越两国政府签订的“两廊一圈”宏伟规划的实施工程之一,它的建设将使越南的公路交通运输更加顺畅和快捷,对于促进越南的经济发展、改善投资环境具有重要意义。为了保证越南河内-海防高速公路保时保量完工,必须开展河内-海防高速公路路基沉降规律研究,用于指导河内-海防高速公路的施工和控制工后沉降,确保路基的安全和稳定。选择河内-海防高速公路某标段典型路基段面沉降观测数据进行分析,并采用双曲线模型、指数模型、Logistic 模型和 Weibull模型对路基沉降进行了预测,分析各模型对该工程软土地基沉降预测的适用性,提出 Weibull模型的结果更符合实际工程实际。     

人工神经网络在预测软基沉降中的应用研究

依据影响软土路基沉降的因素选取参数建立了BP神经网络预测最终沉降量模型,利用已建高速公路沉降数据,进行了软土地基最终沉降量的预测,取得了较为理想的效果。证明神经网络法能避免传统方法计算过程中各种人为因素的干扰,计算精度高,泛化性强,简便易行,因而具有广泛的工程使用价值和广阔的工程应用前景。     

BP时间序列与支持向量机对就地热再生沥青路面沥青指标老化预测对比分析

为了对沥青路面在再生-使用-再生周期内沥青老化指标及下次再生时对沥青路面衰变程度进行科学监控,以沈阳至大连以及铁岭至阜新高速公路为依托,采用BP神经网络时间序列模型和支持向量机模型这两种典型的预测方法,对就地热再生沥青路面中沥青老化指标的衰变做出预测并对比分析,借助MATLAB软件实现求解。预测结果分析表明,在有限数据量情况下支持向量机模型预测方法的预测精度较高,在此基础上,并结合辽宁地方再生养护标准,评判出最佳养护时机。     

BP神经网络预测煤矸石路堤沉降

针对煤矸石路堤沉降预测问题,基于BP神经网络非线性映射能力和学习能力,提出学习率可变的动量BP神经网络以预测常安高速公路煤矸石路堤沉降。利用实测沉降资料建立路堤沉降模型,该模型克服了动量BP神经网络收敛速度慢、训练时间长的缺点。同时采用postreg函数对网络训练结果进行了检验。结果表明:该模型有较高的预测精度,预测误差较小,可用于煤矸石路堤沉降预测。     

基于皮尔-遗传神经网络的高路堤沉降预测研究

为确保高速公路的建设质量，许多高速公路进行了路基沉降观测工作，以便对路堤填筑完成以后的沉降发展做出准确的预测，高路堤沉降预测模型较多，但均较难达到理想的精度。文章则依据高路堤填土施工期路基沉降实测资料，考虑到沉降单调增长的特殊性，根据位移分解原理，采用皮尔曲线提取沉降趋势，用基于免疫进化的新型遗传神经网络模型外推偏差，从而提出了一种高路堤沉降预测的新型智能方法。实际工程证明了所提智能预测方法的有效性和可行性。