基于预测信息集对关系的公路软基沉降组合预测模型研究

组合预测能避免单个预测方法在信息处理分析过程中的片面性,提高预测结果的精度和稳定性。基于集对分析理论,利用预测信息间的集对关系表征预测信息及预测方法的有效性,提出一种新的软基沉降组合预测模型。首先,选取合适的公路软基沉降预测模型作为基础预测模型,并采用合理指标构建集对;然后,基于集对元素的分布特征智能识别集对元素间的同异反关系,并采用联系数定量表征各预测模型间的集对联系;最后,利用联系数构建集对联系矩阵,确定信息组合所需的权重系数,实现基于信息同异反关系的软基沉降组合预测。实际软基工程的应用表明该组合预测模型能有效识别单个预测方法包含信息的有效性,并能基于此获得更为准确可靠的软基沉降预测结果。     

高填方路基的沉降变化规律及其预测方法研究

通过对高填方路基沉降变化的分析与研究,总结出其沉降变化的发展规律,建立了泊松曲线和龚帕斯曲线组合而成的模糊自适应变权重组合预测模型。通过运用该组合预测模型预测实体工程的沉降变化,证实了该方法比单一预测模型具有更高的预测精度与更佳的适用性。     

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。     

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。     

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。     

以最小绝对值法建立沉降组合预测模型及应用

为了更多地利用全部有用信息,采用多种常用预测模型进行组合的预测方法,可根据有限的实测数据达到预测路基沉降的目的。组合预测法的关键是确定组合的权重,在讨论传统组合预测法的基础上,引入最小绝对值法计算权重。工程实例表明,最小绝对值法较其他权重计算法精度更高,有明显的优越性。     

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。     

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。     

滨海公路软土路基变形机理及其沉降预测研究

针对滨海公路软土路基的工程地质特征,以深圳市滨海大道试验研究为依托,探讨了该类地区软土路基变形机理及其沉降发展规律,并通过对各种沉降预测模型的对比分析,结合5种常用的成长模型,提出了滨海公路软土路基变权重组合S型成长模型。最后,以该模型对依托工程进行了沉降预测,结果表明该模型预测效果较好,适用于该类地区路基工后沉降量预测,对实际工程具有一定的实用价值。     

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型：分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。     

黄土路基沉降变权重组合模型预测方法研究

利用兰武二线路基沉降观测数据,对黄土路基沉降变权重组合模型预测方法进行分析研究。研究结果表明:根据拟合精度选择单个模型时,要尽量选择相对误差偏离方向相反且大小相差不多的单个模型;在单个模型预测精度相差不大时,单个模型的数量越多,组合模型的精度会越高;单个模型的拟合精度越高,对应的组合模型的拟合精度也越高;组合模型相对误差与单个模型的相对误差的偏离方向和大小有关;在相同预测精度要求下,组合模型需要的观测时间比单个模型要短。     

基于预测有效度的组合模型在交通量预测中的应用

在已有交通量预测模型的基础上,建立了基于预测有效度的组合预测模型,应用规划方法求解出各单一预测模型的最优权重系数。通过实测数据的验证表明,该组合预测方法具有比回归分析和神经网络预测模型更高的精度,组合方法为交通量的预测提供了一种可靠而有效的新途径。     

公路地基沉降预测及其计算方法研究

为弥补公路路基沉降预测中各现有模型存在的不足,提出一种新的沉降预测模型,并给出了利用该模型进行沉降预测的解析方法和数值方法。分析了该模型的特点,说明了测量误差以及测点数对预测结果的影响。通过与其他预测方法的比较,该模型有明显的优势。结合工程实例验证了该模型的合理性,并指出解析方法在求解过程中会影响实测数据的权重,进而影响预测效果;而数值方法求解简单,方便实用,对测点数的多少要求不高,不影响实测数据的权重,预测精度较高。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

基于非参数回归的快速路行程速度短期预测算法

基于北京市快速路上的检测器所采集的历史数据，经过数据筛选，剔除判别，小波滤噪平稳处理，聚类分析等过程，建立了交通状态演变系列的历史样本数据库。基于所构建的历史数据库，通过数值试验，确定了状态向量、距离匹配原则，K近邻值等参量，构建了一种基于K近邻的非参数回归短时交通预测模型，实现了对路段行程速度的短时预测。最后，利用随机选取的历史数据系列对预测模型的精度进行了检验。结果表明，预测算法的精度可以达到90％以上，可以很好地满足ITS应用系统对于交通预测数据的精度要求。     

高速公路软土地基沉降预测方法现状探讨

沉降预测是修建在软土地基上的高速公路迫切需要解决的问题.概述了现有的各种传统和新的沉降预测方法,并分析各预测方法的优缺点,指出影响各预测方法精度的主要因素有交通荷载及超载、软土路基沉降变形机理,以及沉降观测数据典型性与采集时间序列长度.通过比较分析表明,有限元方法在沉降计算时的独特优势越来越明显,用有限元方法来预测软土...     

基于GA-BP神经网络水下隧道涌水量预测及应用

根据有关水下隧道渗流涌水影响因素的研究成果及预测涌水量时选择影响因素的准则,确定了用于预测水下隧道涌水量的6个影响因子。分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的 GA-BP神经网络预测模型,其收敛性能好、简单可行。通过比较GA-BP神经网络和经典BP神经网络模型的预测结果,验证了前者改良了后者的局限性并提高了预测精度。     

基于超限学习机的黄土高路堤预拱超填研究

黄土山区公路建设存在大量V形冲沟,使路基产生过大工后沉降,为解决工后超标准沉降问题,减小工后沉降处治成本,需设计路基预抛高（预留沉降量）,使公路交工验收时高程符合设计要求。现行规范对如何布设预抛高没有明确说明,因此有必要研究黄土高路堤沉降分布规律,提出其预拱超填方法,针对此类问题依托渭武高速公路工程,通过对试验路历时2年多的沉降观测,得到路基施工期、路面施工期及公路通车1年后的路基沉降数据,提出黄土高路堤沉降随时间和空间的分布规律,得到路堤沿时间及纵、横断面的沉降分布特征,为黄土高路堤填筑末期预抛高的布设形式奠定了基础;基于超限学习机算法,建立黄土高路堤工后沉降预测模型,利用实际沉降观测数据与模型预估结果进行对比,采用平均绝对百分误差对预测结果精度进行评定;最后,通过定量分析填土高度、施工速率、路面重力、路基路面验收时间及交通量修正对路堤工后沉降的影响,提出基于可靠度的黄土高路堤预抛高预测模型及公式,据此给出基于超填平衡的试验路纵、横断面预抛高设置方法,并通过工程实例,验证预抛高模型及公式的准确性。研究结果表明：该沉降预测模型精度良好;研究结果可为黄土地区高填方路基填筑末期预抛高的详细布设提供参考。