共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
沉降变形监测与预测是施工的重要环节,然而因为成本及监测点破坏等客观情况,沉降数据往往出现不完整或时间间隔不固定的问题,导致预测精度的下降。本文针对普通灰色预测模型的局限性进行了改进,并结合某码头项目深厚软黏土层的沉降监测数据,对其进行了验证,结果表明:1)改进与普通灰色预测模型的相关系数R2均大于0.9,平均误差率都小于15%。2)相较于普通灰色预测模型,改进灰色预测模型预测曲线的中后段更贴近沉降监测数据,模型整体精度较高,证明了新模型的优越性。3)S17预测精度最差,可能由于沉降数据过少,且初始时间间隔较大。建议沉降监测应在成本范围内尽量频繁和完整。 相似文献
4.
5.
在分析我国水上交通事故历史数据的基础上,引入灰色Verhulst预测理论.由此建立了水上交通事故Verhulst模型,并分别利用该模型和灰色GM(1,1)模型对我国近几年水上交通事故进行了预测,发现该模型精度高,拟合度更优.该模型可用于对我国水上交通事故的预测. 相似文献
6.
利用我国1999~2004年水路客运量数据建立灰色系统GM(1,1)模型并通过残差修正该模型,运用修正后的模型对我国2005年、2006年的水路客运量进行预测。结果表明,灰色系统模型能有效地对水路客运量进行短期预测,且精度较高。 相似文献
7.
利用灰色模型和多元回归模型建立3种灰色多元回归模型:并联型、串联型和嵌入型.将各模型用于上海港吞吐量预测.可得结论:串联模型和嵌入模型是利用灰色理论对多元回归模型的改进,其能弱化原始数据的随机型,提高模型预测精度;并联型模型本质上是组合模型,能综合多种信息,预测具有非劣性,具有一定的实用价值. 相似文献
8.
船闸基坑开挖改变了地层中的原始应力状态,造成临近地面及临近建筑物产生变形。对基坑临近地面及建筑物变形进行预测,以选择经济合理的支护措施尤为重要。依托实际船闸基坑工程,考虑粘聚力、内摩擦角、弹性模量、基坑深度、放坡坡率以及地下水因素共同作用,采用有限元软件Midas GTS/NX对各因素通过正交设计后的基坑施工工艺组合开展了数值模拟,得到了不同组合下基坑临近地面不同位置处的变形特征。基于BP神经网络理论,建立了滨海地区船闸基坑无支护情况下开挖时临近地面变形的三层结构(7-7-1)神经网络预测模型。利用得到的179组基坑沉降数据对模型进行训练,21组数据对模型进行验证。结果表明,模型能够很好地对滨海地区基坑临近地面沉降进行预测。该方法可为类似工程支护措施设计提供参考。 相似文献
9.
河道岸线变形问题是一个复杂的非线性动力系统问题,文中利用神经网络处理非线性问题的优势,以闽江竹歧至侯官河段为研究对象,建立预测河道岸线变形的BP神经网络模型。通过对河道岸线变形影响因子的分析,确立了2种输入、输出因子模式。结果表明,模型输入、输出因子的选择对模型预测结果影响很大,选用合适的输入、输出因子,会得到比较好的预测效果。 相似文献
10.
11.
改进的灰色模型在港口吞吐量预测中的应用 总被引:6,自引:4,他引:6
用提高原始数据列光滑度的方法来提高灰色预测模型(GM模型)的精度。利用函数a-xm(a>1,m>1)对原始离散数据列{x(0)(k)}进行变换,原始数据列变成a-[x(0)(k)]m ,很大程度上提高了预测精度。将这种方法应用于港口吞吐量的预测,结果比传统灰色预测方法精度高很多,对正确做出港口发展战略、统筹安排、正确决策以及减少损失有重大意义。 相似文献
12.
灰色系统模型在内河港口吞吐量预测中的应用 总被引:1,自引:1,他引:1
根据淮南港吞吐量实际调查资料,选择灰色系统理论对其进行吞吐预测研究,结果表明,对不同的预测时期应采用不同的灰色系统预测模型。对于短期预测,采用GM(1,1)模型与Verhulst模型的组合模型;对于长期预测,采用Verhulst模型并用GM(1,1)模型对其残差进行修正。实例验证以上两种模型是可行性的。 相似文献
14.
文章尝试将两种独立的灰色模型预测方法,GM(1,1)模型与Verhulst模型结合起来考虑,形成一种新的灰色组合预测模型方法.为灰色模型应用于近期、中长期的预测提供了一个新的解决方案。 相似文献
15.
利用灰色模型和线性回归模型,分别基于最小二乘及有效度原理建立了两种灰色线性回归模型,并将其用于镇江港吞吐量预测,可得结论:基于最小二乘原理建立的灰色线性回归模型,预测精度优于单一的灰色模型和线性回归模型,其应作为镇江港吞吐量预测的最优模型;基于有效度原理建立的灰色线性回归模型预测精度尽管低于线性回归模型,但由于其本质上为组合模型,能综合多种信息,用于港口吞吐量预测时也具有一定的实用性. 相似文献
16.
17.
《中国航海》2019,(1)
为提高船舶交通流量的预测精度,利用具有全局搜索能力的粒子群算法(Particle Swarm Optimization, PSO)对无偏灰色马尔科夫模型进行优化,构建船舶交通流量预测的PSO-无偏灰色马尔科夫模型。该模型可综合考虑预测中的残差序列、状态区间、状态转移概率,自适应选取最优白化系数,用以准确表征船舶交通流量的发展趋势。以东营港2012—2017年船舶交通流量季度统计数据为例,选取前21个季度数据对模型进行训练,后2个季度数据对预测结果进行分析,与传统的无偏灰色模型和无偏灰色马尔科夫模型相比,该模型能显著地提高船舶交通流量的预测精度,其拟合精度和预测精度分别为91.439%和95.959%,验证后该模型具有科学性与有效性。 相似文献
19.