基于新陈代谢GM(1,1)模型的客车轴温预测算法

介绍一种基于新陈代谢灰色模型的客车轴温预测算法,对现有算法进行了改进。该算法可对轴温的变化趋势进行预测,且预测精度较高,并可以有效地提高轴温报警器的报警准确度。     

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。     

基于小波灰色GM(1,1)模型的货运量预测研究

基于铁路运输货运量的预测对铁路运输发展战略的制定以及铁路运输设施效益的提高有着重要的意义,为提高铁路货运量的预测精度,通过利用小波降噪分析法,消除实验数据存在的噪声,提高原始序列的光滑度,在此基础上对新生成的序列应用灰色GM(1,1)模型进行预测。用此模型对1990~2014年铁路货运量进行验证,研究结果表明:改进后的模型相比于直接应用灰色GM(1,1)模型预测得到的结果精度更高,其拟合效果更好。     

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。     

基于灰色GM(1,1)残差修正模型的动车组故障率预测

以某分析类别动车组百万公里故障数据为基础,研究建立了基于灰色GM(1,1)残差修正模型的动车组百万公里故障率预测模型.在优化模型中背景值的基础上,对残差进行修正,用t-3,t-2,t-1时刻的残差构造输入数据,t时刻的残差作为输出数据,用支持向量回归机对残差进行拟合,采用等维信息灰色GM(1,1)模型对建模数据进行更新...     

基于改进灰色GM(1,1)模型的高速公路路基沉降预测

有效预测高速公路路基沉降的发展趋势,可以提高道路维修效率,降低事故发生率。根据路基沉降影响因素和特性,提出一种改进的GM(1,1)预测测算法。采用自动寻优定权的方法优化传统GM(1,1)模型的背景值,采用最小二乘法优化初值,有效克服背景值与初值选择的盲目性,并能保证较高的精度。分别对长湘高速某段和垄茶高速某段路基沉降进行预测试验,本文算法预测误差均值分别为2.12%和1.38%,方差比为0.137和0.146,精度等级达到一级。     

GM(1,1)模型与指数模型在基桩沉降预测中的应用

以某大型基桩的沉降预测为例,利用灰色系统理论的GM(1,1)与Aeax曲线模型进行基桩在外荷载作用下沉降量的预测。结果表明:两种模型对于呈指数变化规律的系统能获得较好的预测结果;两种模型对基桩累计沉降的预测符合工程实际,对各级荷载作用下的本级沉降预测不够合理。对两种模型关系的研究表明,两者有内在联系,都属指数曲线预测模型,且指数曲线Aeax预测模型比GM(1,1)模型应用起来更简单,方便。     

投标报价基于GM(1,1)灰色动态模型的主材价格预测

在建设工程中,建筑材料的价格是随时变化的。在工程投标报价时,如何准确预测主材价格,是施工企业研究的主题。此文基于灰色系统理论,通过建立GM(1,1)灰色预测模型,对工程主要材料(钢筋)的价格进行分析与预测,并以实际工程为例进行验证,证明基于建立的GM(1,1)灰色动态模型预测钢筋价格,精度较高、效果较好,可为工程投标和施工采购钢筋提供有益参考。     

GM(1,1)-Logistic路基沉降组合预测模型研究与应用

路基沉降预测是指导正确施工及运营期路基养护的一个重要因素.GM(1,1)模型及Logistic模型被广泛应用于路基最终沉降量的预测.基于组合预测的基本理论,结合GM(1,1)模型及Logistic模型的特点,提出了GM(1,1)-Logistic组合路基沉降预测模型,采用线性组合预测方法,以过去一段时间内组合预测误差平方和最小为原则来求2个预测模型的加权系数.结合工程实际监测数据的计算结果和分析表明,GM(1,1)-Logistic组合预测模型在预测精度上比单个模型具有更好的适用性.     

基于BP神经网络算法和时间序列模型的气温预测方法

基于2022年亚太杯数学建模竞赛中关于全球气候变化问题的第一问展开研究,使用BP神经网络算法和时间序列模型预测未来全球气温达到20℃的年限,并对预测结果进行检验,结果表明时间序列模型预测精度更高。     

灰色GM（1，1）模型预测沉降的局限性分析

考虑现场沉降监测数据的不等时间间隔性及数据的不断更新性,建立了不等时距等维新息GM(1,1)沉降预测模型并研发了相应的预测程序RIID,将其应用于实际工程的沉降预测,验证了预测模型合理性和程序的可行性。分析了实测数据时间间隔和预测步数对GM(1,1)模型预测精度的影响。结果表明:数据时间间隔相差太大,将导致模型失真;GM(1,1)模型只能进行短期预测,若要预测未来较长时间内的沉降,必须有新增数据,这就使得该模型在实际工程中的应用受到限制。     

基于改进的BP神经网络的产品生产成本估算

基于BP神经网络的成本估算模型,利用全局搜索能力较强的遗传算法优化BP神经网络连接权,克服传统的BP算法易陷入最小值的缺点,使模型预测性能、预测精度和泛化能力得到有效改进.以列车转向架为例,建立产品生产成本GA-BP估算模型,通过8组检测样本检验训练好的遗传人工神经网络.计算结果表明:预测值与期望值的误差小于4%,说明利用遗传神经网络模型对产品成本进行估算切实可行.     

基于改进的GM(1,1)的长期交通量预测模型

针对传统的GM(1,1)模型在预测高速公路交通量中存在的误差过大的问题,通过对原始数据进行滑动平均处理,减少数据在统计过程中的随机误差和人为误差。利用等维灰数递补预测模型进行交通量预测,在数据列中补充新的数据,去掉老的数据,使模型得到改进。利用改进的新模型去预测下一年的数据比用原模型更加合理,更接近实际。研究结果表明:利用等维灰数递补预测模型预测的预测精度是94.24%,比GM(1,1)残差改进模型提高了1.49%,比传统的GM(1,1)模型精度提高了6.94%。适用于交通量的长期预测。     

基于粒子群BP网络混合算法的边坡稳定性评价

边坡稳定性评价与预测具有高度非线性和不确定性特征,难以用准确的数学模型表达。选取多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、黏聚力、坡角、坡高、孔隙压力比6个主要影响因素作为土坡稳定性的评价判别指标;然后采用粒子群算法优化BP神经网络模型,实现混合算法,在保持BP网络算法误差反向传播修正权值特点的同时,将网络权值和阈值粒子化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而加快收敛速度和提高收敛精度,避免传统粒子群结合BP网络算法的"早熟"现象;通过与其他算法进行边坡稳定性评价的比较分析,表明了本文研究算法的可行性与合理性。     

基于BP神经网络的铁路客运设备故障监测模型设计与研究

由于铁路客运设备种类众多并且分布区域分散,致使人工巡检工作效率低。为了提高巡检工作的效率,实现铁路客运设备巡检工作智能化,本文提出并设计了基于BP神经网络的铁路客运设备故障监测模型。通过无线传感器获取影响客运设备状态优劣的因素,运用所建模型进行决策,判断铁路客运设备是否运行正常并能准确地诊断出故障部位,实现了铁路客运设备巡检工作智能化的目标。最后通过对机房空调设备的仿真研究,验证了所建模型的有效性。     

基于BP神经网络的动车组智能化控制和诊断研究

为解决因采集数据异常导致的列车控制的误动作和误诊断问题,对基于BP神经网络的动车组智能化控制和诊断方法进行了研究,建立了基于BP神经网络的预测模型,采用列车实际运行数据进行多次训练和参数调整,获取最优网络模型,结合该模型的预测值和实际值得到最终可信值,并融入到现有列车控制逻辑中进行控制和诊断。通过实验验证,采用训练模型的预测结果与实际采集值相比具有较高准确性,能够达到预测效果。实验结果表明,采用BP神经网络模型进行状态预测,并结合相关处理策略进行列车运行控制及故障诊断具有可行性。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

基于BP人工神经网络的基坑围护结构变形预测方法研究

基坑的变形分析是基坑工程设计中的一个重要组成部分,如何预测基坑围护结构的变形是需要解决的问题。在分析基坑围护结构变形影响因素的基础上,采用BP(Error Back-Propagation,简称EBP或BP)人工神经网络方法建立了基坑围护结构变形的预测模型。结合南京地铁二号线逸仙桥车站基坑变形的现场监测数据对网络模型的预测结果与实测进行了对比。结果表明,利用大量的基坑工程现场实测资料,采用神经网络BP算法,可以较为准确地预测基坑围护结构的变形量,预测值与实测值吻合较好;必须坚持现场监测,并将最新监测信息及时反馈,将其添加到学习训练样本中,让神经网络重新学习,以提高基坑工程围护结构变形的预报精度。