基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于支持向量机模型的深基坑变形预测研究

支持向量机是近年来在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.将支持向量机用于基坑变形预测,根据基坑位移的实测时间序列资料,建立基坑位移与时间的关系模型.将实际基坑工程监测资料作为学习训练样本和测试样本,将模型计算结果与实际监测值进行对比分析、研究....     

支持向量机在路基沉降预测中的应用

在介绍了支持向量机基本原理和实现算法的基础上,将它应用于软土路基填筑施工中的沉降预测,提出了一种有效的预测方法,并构造了预测路基沉降的支持向量机模型。经过与传统BP神经网络方法预报结果比较,表明该方法在较少训练样本的情况下具有精度高、泛化能力强的特点。取得了较BP神经网络建模方法更好的预报效果。为预测填筑施工引起的软土路基沉降提供了一种新的方法。     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

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。     

基于支持向量机的水泥抗压强度预测

利用支持向量机结构简单、学习性能出色和较强的推广性等优点,通过对已有实例样本的学习,建立了水泥28d抗压强度与其各影响因素之间的高度非线性映射关系,然后用样本学到的新关系预测新的水泥抗压强度,并将预测结果与传统回归分析、神经网络预测结果进行了对比。研究表明,与传统的方法相比,支持向量机方法精度较高、相对误差小,为预测水泥28d抗压强度提供了一条新途径。     

基于线性规划支持向量机的隧道围岩变形预测

支持向量机(SVM)以其良好的学习性能被广泛应用于包括隧道围岩变形在内的时间序列预测,核函数形式对其预测能力有重要影响,故灵活运用核技巧来增强推广性能已成为支持向量机应用研究的一个重要方面.对于标准SVM及最小二乘支持向量机(LS-SVM),由于其核函数必须满足Mercer条件,因而大大限制了核函数选取范围,制约着推广能力的进一步提升.为此引入一种新型的时间序列预测模型--线性规划支持向量机(LP-SVM),因其核函数不必满足Mercer条件,从而为灵活选取核函数提供了方便.将新预测模型应用于岭南高速公路雪家庄隧道围岩变形预测,分析结果表明,在同时采用径向基(RBF)核函数的情况下,LP-SVM与LS-SVM的预测精度非常接近,能够满足工程需要,但由于前者的核函数可以在更大范围内选取,使其预测性能具有更大的提升空间,从而为岩体变形预测提供了一种更具潜力的新途径.     

基于支持向量机的城市私人汽车保有量滚动预测

针对城市私人汽车保有量增长预测问题,在对支持向量机理论进行改进的基础上,进行滚动预测研究。在对已有的机动车保有量预测模型进行对比分析的基础上,建立了基于支持向量机的私人汽车保有量滚动预测模型,并利用北京市私家车保有量历史数据对滚动预测模型进行了实证分析。结果表明该预测模型具有较高的预测精度、符合实际需求、具有广泛的应用前景。     

基于灰色支持向量机的连续梁桥线形控制研究

随着高速铁路的快速发展以及无砟轨道桥梁的建设要求,对于采用悬臂浇注施工的连续梁桥,对合龙精度以及成桥线形提出了更高的要求,需要对立模标高进行更加可靠的预测.传统的施工控制预测方法很难满足精度的要求,该文提出了通过灰色理论进行数据预处理,然后结合最小二乘支持向量机建立径向基核函数模型,对施工过程中悬臂端预拱度调整值进行预测,并与标准最小二乘支持向量机比较,以某一实际大跨度高速铁路连续梁桥为例,验证了灰色支持向量机应用于连续梁桥施工控制中的可行性和优越性.     

基于支持向量机的超早强混凝土抗压强度预测研究

近年来,工程中对超早强混凝土的要求越来越严格,不仅要求在规定时间内达到一定强度,而且还要求经济效益最大化。超早强混凝土强度受多种因素的影响,其抗压强度预测是一个复杂的过程。因此,基于支持向量机理论,建立超早强混凝土抗压强度预测模型,选用不同的核函数及其参数进行预测,将预测值与实测值相对比,得出最优的核函数。经研究发现:线性核函数与RBF核函数的预测结果与实测值吻合较好,RBF核函数的预测值更加接近实测值。     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于支持向量机的多年冻土路基融沉变形预测

多年冻土路基热稳定性差,工后沉降量大,路基病害较为严重。如果能够准确预测该类路基的工后融沉值,就可为工程建设提供重要的参考依据,从而提高该类路基的路用性能。为此,在对现有预测模型应用效果分析的基础上,首次将支持向量机应用于多年冻土路基融沉变形的预测中,提出了一种有效可行的新型预测方法,并以实际工程为依托,构建了基于支持向量机原理的多年冻土路基融沉变形预测模型。通过与实测值及其它预测模型的对比分析表明：该模型在预测过程中有效的避免了“过拟合”及“维数灾难”,人为干预较少,具有预测精度高,泛化能力强,预测结果稳定的特点,成功的解决了多年冻土路基影响因素多,样本数量少等带来的预测难题。     

基于最小二乘支持向量机的城市客运量预测模型

针对城市公路客运量预测中存在的非线性、复杂性和不确定性,提出了一种基于最小二乘支持向量机的城市客运量预测模型.结合西安市历年城市客运量数据,编程实现该预测模型,仿真结果表明了该预测模型的有效性.     

基于矢量和法安全系数的边坡稳定性评价

以边坡的整体稳定性为研究对象,基于矢量和法安全系数k（θ）的边坡稳定性分析,首先确定安全系数的计算方向,在该方向上抗滑力与滑动力比值即为安全系数。该方法评价边坡稳定性时不需引入过多的假设,以显式格式求解,计算过程简便。利用ANSYS软件进行二次开发,利用矢量和法安全系数求解ACADS两道标准考题EX1(a)和EX1(c),得到与考题标准答案非常接近的结果,较边坡计算软件Geo-slope计算结果要小（误差在3 %以内）,证明了采用矢量和法安全系数评价边坡稳定性是可行的。     

基于支持向量机的物流配送中心选址决策

建立了选址决策的模糊评价矩阵,应用支持向量机方法(SVM)来处理数据,进行物流配送中心的选址决策。支持向量回归机根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,能弱化指标权重确定中人为因素的影响。与传统方法相比较,有较好的泛化能力,能较客观地对多个选址方案的优劣进行评价。最后,引用实例说明利用支持向量回归机完成评价工作的全部步骤。     

基于混沌时序最小二乘支持向量机的汽油机瞬态空燃比预测模型研究

针对由氧传感器构成的瞬态空燃比反馈控制系统无法满足实时性要求的问题,提出了基于混沌时序最小二乘支持向量机(LS-SVM)的瞬态空燃比预测模型。对试验采集到的一维空燃比数据利用相空间重构技术构造多维空间数据,恢复空燃比时间序列的多维非线性特性,然后采用LS-SVM对重构后的数据进行训练及预测,得出预测结果。仿真结果表明:与Elman神经网络预测模型及前馈BP神经网络预测模型相比较,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度。     

基于支持向量机的钢筋混凝土桥梁损伤识别

为了克服现有方法存在的一些不足,提出基于小波包和支持向量机的混凝土桥梁损伤识别方法。采用小波包对环境振动下的信号进行分解,获得各个频带上的能量,该向量对损伤敏感,可以作为模型识别的输入向量。利用支持向量机强大的分类功能,提出根据频带能量建立支持向量机并进行损伤模式识别的方法。应用该方法对一座三跨连续梁桥进行了损伤识别分析。结果表明经过训练的支持向量机可以较准确地识别出损伤位置和程度。对小波频带能量进行主成分分析后建立的支持向量机会获得更好的识别效果。获得更精确的实际信号特征将进一步提高有限元模型精度和实际应用效果。     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

基于支持向量机的高速公路意外事件检测模型

为建立快速高效的高速公路意外事件自动检测系统,提高意外事件救援效率,就高速公路意外事件检测中的关键技术进行了研究。在剖析现有模型特征的基础上,引入支持向量机理论,建立了基于支持向量机的高速公路意外事件检测模型。利用自主开发的EAD-Simulations系统所建立的数据库,对模型进行了仿真试验,分析了不同核函数对检测性能的影响,研究了单侧输入与双侧输入、不同输入特征因素组合的性能指标。结果表明:与California 8#算法相比,该模型检测率提高了179%,误检率降低至0.50%,平均检测时间缩短了81%;同时得到了上游占有率与流率组合的最优输入特征。