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。     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

基于粒子群优化算法下的灰色系统船闸货运量预测

采用灰色系统理论,建立了基于GM(1,1)的船闸货运量预测模型.模型参数计算分别采用粒子群优化算法和最小二乘法,两者进行对比发现,预测误差相当,但是粒子群优化算法可以避免繁琐的矩阵运算而优于最小二乘法.应用基于粒子群优化算法的灰色系统模型进行了船闸货运量的预测.     

基于改进LSTM的高速列车牵引电机轴承温度预测模型

为提高牵引电机轴承温度的预测精度,提出一种基于改进LSTM的高速列车牵引电机轴承温度预测模型。该模型引入窥视孔模块,改进了LSTM网络结构,适应长距离时间序列的牵引电机轴承温度数据,设计两层改进LSTM网络构成隐藏层,减少模型的计算量和训练耗时。选取某动车组的历史运行数据进行测试与分析,与标准LSTM、RNN、GRU、SVR预测模型相比,改进LSTM预测模型的均方根误差和平均绝对百分比误差最低,分别为1.158和2.57%,表明改进模型提高了牵引电机轴承温度的预测精度。     

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息,提高出行效率,需提升高速公路行程时间的预测精度。鉴于此,将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中,构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化,截取其中有效字段,获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型,利用Matlab进行实验。实验结果显示,PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高,而且能较准确地预测出行程时间的走向及波动情况,在收敛速度方面也呈现出一定的优势,具有较好的适应能力。     

基于FGM-SVR组合模型的港口吞吐量预测

为提高港口吞吐量的预测精度,建立基于分数阶累加GM(1,1)预测模型FGM(1,1)和支持向量回归(support vector regression, SVR)的组合预测模型进行港口吞吐量的预测。首先,分别运用FGM(1,1)模型和SVR模型对吞吐量进行预测;然后,针对传统组合模型赋权不能兼顾各单项模型在各时点预测能力强弱的问题,提出基于诱导有序加权平均(induced ordered weighted averaging, IOWA)算子的赋权方法进行组合预测;最后,以重庆港2005—2020年港口货物吞吐量为数据样本进行实例验证,分别使用FGM(1,1)模型、SVR模型和赋权后的组合模型进行港口吞吐量预测,并比较3种模型的预测精度;最后,分别使用这3种模型对2021—2024年港口吞吐量进行了预测。研究结果表明：基于IOWA组合预测模型的均方根误差、平均绝对误差和平均绝对百分比误差均明显小于各单一预测模型。该组合模型可以为港口吞吐量预测提供一种新的方法。     

基于云遗传算法优选的SVR交通量预测模型

针对城市主干道交通流量的实时变化和波动性特点,利用支持向量回归机(support vector regression,SVR)进行城市主干道短时交通流量预测.为了优选SVR模型参数,基于混沌logistic 映射和云自适应机制对标准遗传算法进行改进,建立了基于混沌云自适应遗传算法(chaos clouds adaptive genetic algorithm,CCLGA)进行SVR参数优选的CCLGA-SVR城市主干道短时交通流量预测模型.综合考虑了短时交通量各个影响因素,结合实测数据进行了实证预测分析,仿真结果表明文中提出的预测模型精度较高,寻优速度较快,可有效应用于城市主干道短时交通流量预测.     

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。     

基于支持向量回归机的道路交通事故预测模型研究

针对道路交通事故预测具有随机波动性较大、信息量较少和非线性数据序列预测的特点,引入支持向量回归机（SVR）,建立基于SVR的道路交通事故预测模型。通过实例计算,证明基于SVR的道路交通事故预测模型具备非线性、所需数据资料较少、建模简单和计算快捷等优点,同时与RBF神经网络预测模型相比,该模型的预测精度高、泛化能力强,更适用于道路交通事故预测。     

基于灰色PSO-BP的客运量预测模型

在灰色预测模型、BF神经网络与粒子群优化算法PSO的基础上建立基于灰色PSO-BP的公路客运量预测模型。并根据陕西省近10 a的公路客运量数据,对GM(1,1)、BP神经网络、灰色PSO-BP网络预测模型的预测结果进行比较,得出基于灰色PSO-BP的客运量预测模型能充分发挥各种算法的优势、提高预测精度,更适合运用在公路客运量预测的领域中。     

基于优化支持向量机的隧道涌水量预测

为实现隧道涌水量的高精度预测,该文以支持向量机为基础,通过核函数筛选和粒子群算法优化,构建了隧道涌水量的PSO-SVM预测模型。实例研究表明:支持向量机的核函数和惩罚因子对其预测精度具有较大影响,且Sigmoid型核函数的预测效果相对略优,粒子群算法也能很好的优化惩罚因子,进而达到提高预测精度的目的;同时,PSO-SVM模型预测结果的相对误差均小于2%,具有较高的预测精度,进而验证了该模型在隧道涌水量预测中的适用性,为隧道涌水量预测提供了一种新的思路,值得深入研究。     

基于SVR的城市道路刮擦事故评估模型的研究

为了对城市道路刮擦事故进行有效评估,基于历史事故数据库,结合环境参数指标构建了一种道路刮擦事故评估模型。通过方差分析提取事故发生的区域位置、天气条件、路面条件和与道路的关系位置这4项环境特征参数作为评估模型的输入,4项指标与事故严重程度的函数关系用月交通事故指数表示,并将该指数作为评估模型的输出。分别用粒子群算法、CV-K、遗传算法对SVR的学习参数进行标定,得出最优模型参数,在此基础上构建得到基于SVR回归算法的城市道路刮擦事故评估模型。借助于采集到的实际道路刮擦事故数据对模型进行检验,结果表明:该模型具有一定的精度,可用于基于以上4项指标的城市道路刮擦事故的风险评估。     

基于自适应粒子群优化算法的交通量短时预测模型

在考虑交通量短时变化的时空特性和波动性基础上,建立了非线性交通量短时预测模型.根据我国城市道路交通流非线性、时变性、随机性等特点,提出自适应粒子群优化算法对非线性交通量短时预测模型进行在线修正.该自适应粒子群优化算法采用两步优化策略,对算法参数进行调整,避免算法早熟收敛,有效提高了算法的运算精度和效率.利用城市道路的实测数据,通过Mat-lab软件工具箱对该模型进行计算机仿真验证.     

城市交通碳排放预测的多模型对比分析

为寻找合适的城市交通运输碳排放预测方法,基于STIRPAT模型,选取人口总量、人均GDP、机动车保有量、碳排放强度、城镇化率、旅客周转量和货物周转量等7项指标作为城市交通运输碳排放影响因素,分别建立基于遗传算法优化支持向量机、粒子群优化支持向量机、网格搜索优化支持向量机预测模型,并以1995—2016年交通运输碳排放相关指标作为基础数据做实例分析。结果表明:GA-SVM对比PSO-SVM与GS-SVM所得出训练集的相关系数分别增长了2.74%和1.07%,测试集的相关系数分别增长了1.04%和0.29%,较其它两种预测模型具有良好的学习和推广能力,说明GA-SVM模型更适合对城市交通碳排放进行预测分析。     

基于先验知识和BP网络的隧道爆破参数计算

为克服当前隧道爆破参数选取受人为因素影响的不足,以围岩普氏系数、隧道断面积、实际进尺和炮孔直径等为网络输入参数,以设计进尺、炸药单耗、周边孔距和掘进孔孔距等为网络输出参数,建立了含输入层、输出层和隐含层的神经网络模型,并给出了模型学习算法,提出了基于爆破先验知识的可加快模型求解收敛速度的网络学习约束条件.隧道爆破参数的实例计算结果表明,给出的网络模型及其算法能在借鉴已有爆破资料的基础上准确、快速计算爆破参数,并且获得理想的爆破效果.     

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PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

基于遗传粒子群算法的船舶航迹融合研究

研究利用遗传算子对粒子群算法进行优化设计,建立了基于遗传算子的粒子群算法多源数据融合模型。该模型克服了粒子群算法在训练过程中容易陷入局部极值的缺陷,得到了更高的学习精度和更快的收敛速度。利用多传感器检测到的目标船舶航迹点数据进行了融合验证,MATLAB仿真结果表明,基于遗传算子的粒子群算法融合模型融合后的目标船舶航迹点比各传感器单独检测到的目标船舶航迹点数据更加精确,更适用于船舶航迹的跟踪及预测。