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。     

高速公路交通生成预测的改进灰色马尔可夫模型

高速公路交通生成预测是进行高速公路网规划不可缺少的环节,传统的预测方法需要考虑人口、土地利用等因素,过程显得极为复杂。而灰色预测模型可以在基础资料缺乏的条件下可建立模型进行预测,但对于高速公路交通生成量这一类随机性、波动性较大的数据,使得拟合较差,预测精度降低。针对这些不足进行改进,提出改进的灰色马尔可夫预测方法。最后将该预测模型应用于高速公路网规划交通生成预测中,取得了良好的效果。     

基于灰色马尔可夫链的桥梁荷载随机过程交通量预测

为了克服灰色预测方法的不足,在灰色模型预测方法的基础上,提出灰色马尔可夫链桥梁荷载随机过程交通量预测模型,该模型的灰色预测曲线能反映交通量历史发展趋势,马尔可夫预测可反映随机波动性对交通量预测的影响,从兼顾了趋势值和波动性两方面因素对预测结果的作用,能克服单一预测模型在交通量预测中的局限性,并可结合交通量实际情况,能实现准确、综合预测交通量的目的。在现有交通量统计资料的基础上,对该模型进行了精度检验,并预测出了2007年的交通量。实例计算分析表明,模型精度良好,预测结果与实际状态基本相符,利用灰色马尔可夫理论进行交通量预测是一种行之有效的方法。     

道路交通事故灰色马尔可夫预测模型

在道路交通事故灰色预测的基础上，引入马尔可夫链预测理论，建立道路交通事故灰色马尔可夫预测模型。道路交通事故灰色马尔可夫预测兼有灰色预测和马尔可夫链预测的优点，模型克服了随机波动性数据对道路交通事故预测精度的影响，拓宽了灰色预测的应用范围。实例计算证明：道路交通事故灰色马尔可夫预测模型预测精度高于GM(1，1)模型预测精度，模型可以用于道路交通事故预测。     

无偏等维新息模型在路基沉降预测中的应用

在分析了传统GM(1,1)模型和无偏灰色预测模型的基础上提出了无偏等维新息预测模型,通过运算得出最佳预测值以及预测的最佳维数区,并采用后验差方法对模型的精度进行检验。通过对某高速公路实测沉降数据的分析,证明该模型样本需求量小、计算简单、能动态地反映出实测数据的内在规律,并使预测精度得到有效的提高。证明了将无偏等维新息模型用于预测高速公路路堤沉降量的可行性,在实际运用过程中,为了获得更加准确的结果应不断带入新近的实测数据。     

基于网络基坑沉降预测的马尔可夫修正模型

分析灰色GM(1,1)预测模型存在的理论缺陷,指出灰色GM(1,1)预测模型虽可用于小样本基础数据预测,但对基础沉降一类随机性强、波动性较大的数据拟合质量较差,预测精度降低。因而,提出利用马尔可夫链修正神经网络模型,其计算过程为:首先建立神经网络动态拟合模型作为基础沉降变化的基准线,在此基础上应用马尔可夫链确定系统状态转移概率矩阵,最后通过系统状态划分样本值与模型拟合值之间的残差及中误差等指标分析计算,最终完成基础沉降的准确计算,该模型应用于基础沉降工程实例运算,取得较好效果。     

改进的灰色模型在小样本数据预测中的应用

通过对灰色预测模型的分析，在处理非等间隔时间数据、背景值计算、新旧数据的权重赋值等方面对其进行改进，并用于路堑高边坡的数据处理。结果表明，改进的灰色预测模型在预测精度上有一定程度提高。加权灰色预测在处理波动较大的时间序列时也能取得较好效果。     

基于多因子关联分析的道路交通事故灰色预测模型研究

基于灰关联分析,对道路交通事故的影响因子进行预处理,建立了基于多因子关联分析的道路交通事故GM(1,N)预测模型。对哈尔滨市1994年~2004年的道路交通事故进行实例分析,预测结果表明GM(1,N))模型的预测精度高于GM(1,1)模型及多元线性回归模型。该模型克服了GM(1,1)模型对于波动性较大的非平稳数列预测精度低的缺点,该模型具有简单、有效、预测精度高的特点。GM(1,N)模型是一种动态数据处理方法,且不会出现量化分析与定性分析结果矛盾的现象,能够很好的反映交通事故的未来发展趋势。     

基于灰色Verhulst模型对边坡变形预测研究

为了达到研究边坡变形发展趋势的目的,通过应用灰色Verhulst非线性微分动态预测模型,对实际工程中岩质边坡的变形发展进行了预测.研究结果表明:灰色Verhulst反函数预报模型建模思路正确,预报判据理论充分,并且预报精度较高.该方法可用于边坡变形任意阶段数据的预报,且可为类似岩土工程边坡变形预测参考.     

优化的多变量变步长灰色模型及其在路基沉降预测中的应用

传统的单变量或等步长灰色预测模型,未考虑监测点间的系统关联性和实际沉降观测周期,往往具有非等间距的特点,不足以反映路基沉降变形的实际规律。在综合考虑实际工况中断面沉降点间相关性及不等时距观测的基础上,建立路基沉降预测的优化NMGM（1,n）模型。工程实例分析表明,优化的模型与建模工况相适应,具有良好的拟合及预测精度,能够满足工程实际应用需要。     

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。     

非线性耦合模型在桥梁桩基沉降预测中的应用研究

通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。     

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。     

压实砂类土体PFWD动态变形模量的影响及预估

选取大别山区典型花岗片麻岩风化砂土填料制备压实非饱和试样，采用便携式落锤弯沉仪（PFWD）进行动态变形模量室内测试，分析相应的变化规律，建立预估模型，研究含水率和压实度对砂类土体力学性能的影响。结果表明:砂类土体动态变形模量与含水率呈幂函数负相关关系，而与压实度呈S型函数正相关关系，且压实度对动态变形模量的影响要比含水率的影响更为显著；经试验验证，综合预估模型的精度较高且具有良好的适用性。     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

采用灰色-马尔可夫耦合模型预测古树屋边坡变形

基于预测拟合值和实际监测值的相对误差划分不同的预测状态,利用马尔可夫链对灰色GM(1,1)预测值进行修正,计算得到边坡变形的范围和相应的预测值。以古树屋开挖边坡为研究对象,利用耦合模型对其变形进行预测,得到边坡的变形预测值为57.006 0 mm,预测的变形范围大小在56.845 8～61.755 4 mm之间。实例分析结果表明:与线性回归模型以及单纯灰色模型预测结果比较,采用灰色-马尔可夫耦合模型对开挖边坡变形进行预测的结果精度较好,且能较准确地预测边坡变形大小的范围。     

基于灰色理论的黄土高填方地基沉降变形预测研究

以某黄土高填方工程为研究对象,建立黄土高填方沉降变形的GM(1,1)预测模型,运用MATLAB编程程序并结合工程实际监测的数据,分别对黄土高填方沉降变形进行了短期、中期及长期预测。结果表明:GM(1,1)模型对于高填方地基沉降不仅在短期精度高,随着施工的进行对于中长期精度也可以保证,这既可缩短工期、降低工程成本,又能提高工作效率。     

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。     

地铁车站端头盾构井深基坑地表沉降分析与预测

为探究乌鲁木齐地区复杂地层深基坑施工对周边环境的影响,依托地铁1号线某盾构井深基坑工程实例,结合工程结构特点、地质条件,在施工过程中选取地表变形实际监测数据,综合分析基坑周边地表变形特性,同时采用灰色Verhulst模型对地表沉降进行预测。研究结果表明:基坑周边地表沉降主要集中在开挖和拆支两个阶段,拆支对地表沉降的影响应引起重视,特别是拆除中板支撑时的地表沉降可能比开挖阶段还要显著,必要时应采取防范措施,避免安全事故的发生;采用灰色Verhulst模型可以预测开挖和拆支两个阶段的地表沉降,且精度较高。