基于LS-SVM的基坑周边地表沉降预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,以已有的周边地表沉降为样本,利用最小二乘支持向量机（LS—SVM）建立基坑地表沉降预测模型,应用网格搜索算法优化模型参数,时基坑周边地表沉降进行连续滚动的多步预测。实例分析结果表明,LS—SVM用于基坑周边地表沉降预测效果较好,具有所需数据少、推广能力强等优点。     

基于GA-PSO混合优化的BPNN车速预测方法

BP神经网络(BPNN)已经用于车速预测方面的研究.针对BPNN不同的初始权值和阈值会影响车速预测精度的问题,提出一种基于GA-PSO混合优化的BPNN车速预测方法.以北工大西门到百葛桥为研究路径,构建基于BPNN的车速预测模型;将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合,通过逐次迭代取最优的方式确定BPNN的最优初始权值和阈值,以此设计基于GA-PSO混合优化的BPNN车速预测方法.最后,以所选路径为对象,利用基于GA-BPNN的预测法、基于PSO-BPNN的预测法,以及提出的方法对车速进行了实验预测.结果表明,相较于前两种车速预测改进方法,本文方法的平均车速预测误差分别降低了37.1%和24.1%,有效地提高了车速的预测精度.     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于奇异谱分析的GRNN模型在金融时间序列中的应用

奇异谱分析(SSA)作为一类无参数、独立于模型的时间序列分析技术,适用于具有非线性、非平稳性、含噪声的金融时间序列数据的分析与研究.目前,基于SSA的预测通常采用线性递归、BP神经网络等模型,但其预测精度、训练速度并不理想.为此,该文提出基于SSA的广义回归神经网络(GRNN)预测模型,它以SSA所获取的主成份重构序列...     

基于改进ARMA模型在地铁基坑变形预测的应用研究

在基坑施工过程中为保证地铁及其周边建筑物的安全,地铁基坑的变形预测变得越来越重要。ARMA模型作为一种时间序列分析模型,在地铁基坑监测序列中常常表现出较大的趋势项,降低了ARMA的预测精度。基于BP神经网络良好的拟合能力,提取基坑监测序列的趋势项,将剩余项建立ARMA模型,对基坑监测序列进行高精度的变形预测。改进ARMA模型提高了原有ARMA模型的预测精度,为地铁基坑的预测分析提供了较好的技术参考。     

基于遗传算法优化BP神经网络的交通流预测

为了使传统的BP神经网络算法能够适用于中时交通流预测,提出一种基于遗传算法优化深层BP神经网络算法。将传统遗传算法优化的BP神经网络进行了优化和调整,分别在不同的隐含层数量、输入节点数量以及隐含层节点数量的条件下进行多次实验,从预测精度和运算效率两个方面综合考虑得到了针对中时交通流预测的最优神经网络结构。以此结构通过MATLAB R2016b进行仿真实验,精度指标采用平均相对误差(Mean Relative Error, MRE),准确率及均等系数(Equality Coefficient, EC)进行综合判断。结果表明,在30 min内,交通流预测的MRE低于3%,准确率和EC则分别高于95%和0.98,而预测延长至60 min内时,MRE仍然能够保持在低于7%的水平,准确率和EC则分别保持在80%和0.95以上。     

退火遗传算法优化的神经网络在销售预测中的应用

将遗传算法(GA)和模拟退火(SA)优化的神经网络应用到制造企业的销售预测中.预测采用三层前馈神经网络,其中神经网络的连接权重和节点阈值的确定使用GA和SA算法相结合的优化学习策略.GA采用实数编码, 把要确定的神经网络连接权重和节点阈值作为基因串.实例数值计算表明该种算法的神经网络的学习速度和预测精度都比单纯BP算法得出的结果好,适合于制造企业的销售预测.     

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

地铁客流的变化规律存在着一定周期性和潮汐性,针对地铁客流的预测有助于提高城市轨道系统的运营效率,实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度,提出了一种基于Logistic混沌映射麻雀算法(Logistic-SSA)优化BP神经网络的地铁客流短时预测模型。该模型通过Logistic混沌映射初始化麻雀算法种群,再利用改进后的麻雀算法优化BP神经网络,达到提高BP神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站AFC刷卡数据为例,利用构建的预测模型开展客流预测实验,并通过3种准确性评价指标(MAE、RMSE、MAPE),评价改进前后模型预测的准确性。研究结果表明：改进的Logistic-SSA-BP预测模型平均绝对百分误差分别为14.96%和13.73%;与传统BP预测模型相比,其客流预测结果具有更高的准确性。     

基于GA-BP方法的地铁站动态人员冷负荷预测研究

地铁站人流量变化对通风空调系统节能运行有重要影响,为了提高地铁站人员冷负荷预测的准确度,采用遗传算法优化BP神经网络(GA-BP)的方法建立地铁站人流量预测模型,并对地铁站人员冷负荷进行动态计算.通过引入遗传算法,优化BP神经网络的初始权值和阈值,提高了BP神经网络的非线性学习能力.利用地铁站的实际人员冷负荷对模型进行...     

基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

基于神经网络的GPS高程拟合方法优选及精度分析

针对现有的几种神经网络GPS高程拟合方法,讨论了利用遗传算法(GA)、粒子群算法(PSO)优化BP神经网络权值和阀值的原理;结合分布较均匀、现势性较好的GPS和水准联测数据,试算了基于神经网络的GPS高程拟合。拟合结果表明:基于PSO算法优化的BP神经网络的拟合精度优于GA算法,误差相对更小。     

基于萤火虫优化的BP神经网络算法研究

为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领城的可行性和有效性.     

融合改进GM(1,1)与神经网络的地铁基坑变形预测应用研究

城市地铁工程不断增长,基坑的开挖也越来越多,如何控制基坑对周边建筑物的影响已成为地铁施工关注的热点和难点。采用融合改进的GM(1,1)模型和神经网络,对基坑变形监测时间序列进行预测处理,同时将预测结果与改进的GM(1,1)、神经网络预测模型进行了定量的比较和分析。结果表明,提出的融合预测模型预测精度更高,为基坑变形监测预测提供了技术支持和参考。     

基于粒子群算法改进支持向量机的深基坑变形预测研究

为实现复杂地质条件中深基坑变形的精确预测，提出了一种动态惯性权重粒子群算法改进支持向量机的基坑变形预测模型。引入遗传算法改进的支持向量机模型和标准BP神经网络模型作为横向对比验证了预测效果。结果表明：动态惯性权重对支持向量机核函数参数的寻优速度更快，收敛精度更高，采用改进粒子群算法优化的支持向量机模型预测的平均相对相对误差仅为5.46%,拟合精度相较其他算法更高，预测效果良好，可较为准确的实现深基坑的变形预测。     

基于PCA-GA-BP模型对污水BOD的预测

针对污水处理系统的非线性、强耦性,结合主成分分析(PCA)、遗传算法(GA)和BP神经网络,提出了改进阈值参数的模型。以某污水处理厂月数据为例,利用PCA选取主参数的变化因子作为BP神经网络的输入,运用GA优化BP神经网络的权值预测BOD值,并与无优化BP网络的预测结果进行比较。结果表明:新模型对污水处理的预测平均误差为10～12,最大相对误差为1.7%,预测精度高,收敛速度快。     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

基于GSO-BP神经网络的城市轨道交通客流量短时间预测

城市轨道交通作为公共交通客流量的分担措施之一,能够解决因客流量预测不准确而带来的资源浪费和低效益问题。建立一种新的GSO-BPNN方法,该方法在BP网络的基础上植入GSO算法,优化网络的初始权值和阈值,并以某城市轨道交通客流量为例,对比普通BP网络预测模型,结果显示GSO-BPNN方法的预测精度较高。     

基于GA-BP神经网络的交叉口短时交通流预测

交叉口车辆运行效率不高主要由两个原因造成:一是目前很多交叉口交通信号的配时与实际交通流不匹配;二是当前短时交通流预测的时长集中在5～15min,过长的时间间隔无法给信号控制提供准确的数据支撑。为了改善这种状况,提出了一种基于优化的BP(Back Propagation)神经网络的交叉口短时交通流预测方法。首先针对流量预测提出了准实时的概念,其次引入BP神经网络,再利用遗传算法对BP神经网络进行优化,最后在优化的BP神经网络的基础上建立交叉口短时交通流预测模型,且将传统的预测时长从5min缩短到5s。利用南京市某一道路交叉口采集的数据对提出的预测方法进行验证,结果表明:与传统的BP神经网络以5min为预测时长相比,该预测方法以5s为预测时长能够将预测精度提高77%。     

小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.