融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

改进的车轮踏面磨损量最优非负变权组合预测模型

为准确获取车辆轮对踏面随列车运行里程的磨损量变化情况,以灰色离散GM(1,1)模型、指数平滑模型和线性回归模型为单项预测模型,以灰色关联度最大为最优准则,建立车轮踏面磨损趋势的最优非负变权组合预测模型。与各单项模型、以组合预测误差平方和最小为最优准则的变权组合模型进行对比。研究结果表明,变权组合模型的局部预测精度和全局预测精度均高于各单项模型,而本文模型有效抑制了基于误差平方和最小的变权组合模型误差"放大"的缺陷,预测精度及稳定性更高。     

基于变权组合模型的地铁车辆车轮踏面磨损预测

为准确获取地铁车辆车轮踏面随列车运行里程的磨损变化情况,选取灰色新陈代谢模型、二次指数平滑模型以及一元线性回归模型为单项预测模型,以样本点处组合预测误差绝对值最小为最优准则,建立了地铁车辆车轮踏面磨损变化趋势的最优非负变权组合预测模型。通过实例检验变权组合模型和各单项模型的预测性能,结果表明,构建的变权组合预测模型能够有效克服各单项预测模型的缺陷,预测精度及稳定性明显优于各单项预测模型,可为地铁车辆在实际运行过程中车轮踏面磨损趋势的准确预测提供了一种可行的求解方法。     

隧道地表沉降预测的改进等维灰数递补模型

在灰色预测理论模型的基础上,引入等维灰数递补数据处理技术和平滑系数,建立等维灰数递补GM(1,1)模型,并采用枚举法搜索各次模型的最优平滑系数,对模型进行了进一步改进.最后,结合金鹗隧道洞口地表沉降实测资料,进行实例验证与分析.研究结果表明:等维灰数递补技术,充分利用了系统响应的最新信息,减弱了系统响应的灰平面,实行动态预测,比常规灰色模型更适合于长期预测.而通过引入平滑系数,充分考虑了各时刻系统信息的重要程度,进一步提高了预测精度,为隧道安全施工,提供了必要的前提.     

去噪分析和分离变形预测在深埋隧道中的应用研究

隧道变形易诱发相应的工程问题,对其防治及预测已成为地下工程领域的热点问题。为提高隧道变形的预测精度,达到有效掌握隧道变形规律的目的,以某隧道为工程实例,通过对其监测数据的去噪处理,将隧道变形的原始序列分离为趋势项和误差项序列,并利用GA-BP神经网络和时间序列模型对两序列进行预测,又结合支持向量机模型对前者的预测误差进行修正,以保证预测精度。结果表明:在去噪方面,得出半参数优化卡尔曼滤波的去噪效果最优,其次是sym8小波去噪和奇异谱分析;在预测方面,得出分离预测能一定程度上提高预测精度,但效果不明显,而误差修正模型能很大程度上提高预测精度,综合得到本文预测结果的平均相对误差为1.08%。预测模型具有精度较高等优点,能为深埋隧道的变形预测提供借鉴。     

基于BP神经网络修正的自适应灰色模型的隧道变形预测研究

隧道围岩具有高度的非线性变形特征,通过变形预测能有效判断隧道变形的发展趋势。首先以自适应GM(1,1)模型对隧道变形进行初步预测,且为保证自适应模型的参数为全局最优参数,提出以粒子群算法对模型参数进行优化;其次,以BP神经网络为基础,建立误差修正模型,旨在进一步提高预测精度。在此基础上,将该预测模型应用于2个工程实例中,结果表明:该预测模型在横向和纵向上的预测效果均较好,自适应能力和递推能力均较强,预测结果与实测值较为吻合,预测精度较高,能较好地反映隧道围岩的变形规律。该预测模型能较为有效地实现隧道围岩的动态预测,可以进行推广应用及研究,为隧道变形预测提供一种新的思路。     

隧道围岩变形预测模型的优化与应用

为了克服回归分析法在隧道施工监测数据分析中预测模型的不足,利用多目标加权灰色局势决策法对回归模型的多个评价指标进行整合量化,得到综合效果测度和优选回归预测模型。基于已优选的回归模型与模糊自适应变权重组合预测法建立最优非线性组合预测模型,将组合模型与优选模型进行效果测度对比,并基于该算法编制"智能监测—模型优化—信息反馈"系统。结合麻栗垭隧道工程,对组合模型和单项模型进行分析,预测拱顶沉降值。研究结果表明:以残差与后验差为评判标准,实时构建的最优组合预测模型的平均相对误差绝对值为4%,方差为6.5,后验差比值为0.34,小误差概率为1,更能对隧道施工过程围岩变形进行有效的预测和反馈。     

灰色关联预测及其在变形预测中的应用

提出了多点关联预测的必要性,并且在GM(1,n)模型的基础上进行扩展得到了灰色关联预测模型.介绍了灰色关联预测模型的建模方法、参数求解、精度评估以及程序流程.在一个隧道地面沉降预测的工程实例中,分别用灰色关联预测模型以及单点灰色模型进行预测并且对结果进行了比较,发现在预测精度方面灰色关联预测模型较单点模型有了较大的提高.     

变形监测多模型组合预测方法研究

采用多模型组合预测的方法对变形监测序列进行模拟。介绍常用的4种多模型组合模式:(1)串联式残差组合模型;(2)串联式滤波组合模型;(3)并联式多尺度等权组合方法;(4)并联式加权组合方法。根据4种组合模式设计4种组合方案,利用某高速铁路实际监测数据进行预测验证。实例验证表明,4种方案均具有较高的预测精度。     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型.结果表明:组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠.与单一模型相比,该法具有较好的实用价值.     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型。结果表明：组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠。与单一模型相比,该法具有较好的实用价值。     

基于改进的支持向量机隧道变形预测模型

研究目的:用于消除地铁隧道变形监测数据受环境等因素引起的噪声影响,为提高变形数据的外推预测能力,提出基于离散小波消噪和动态在线滑移窗的支持向量机预测方法。研究结论:(1)利用离散小波变换对地铁隧道变形数据进行消噪处理,提取低频有效工程信息;(2)引入动态滑移窗技术,通过二阶双重滑移窗口的动态调整、更新,确定隧道变形预测模型的最终参训样本和实训样本数据,提高变形数据的有效利用率;(3)利用上海地铁隧道变形数据,从稳态与非稳态两个工况下分别对预测模型进行验证,检测模型的预测效果,结果表明该方法具有消噪效果好、预测精度高等特点,同时该预测模型可转为工程化应用,对隧道预测模型的搭建具有指导意义。     

基于非参数回归的城轨实时进出站客流预测

为准确预测城轨实时进出站客流,构建基于非参数回归的实时进出站客流预测模型。首先,对不同特征日分时进出站客流量进行对比分析,据此构建历史数据库;其次,通过计算历史分时数据的相关系数,并设置阈值对分时客流数据间的相关性进行判断,从而确定合适的非参数模型状态向量;再次,根据K近邻样本与预测目标的客流量差异性,设计基于权重加权的预测算法;最后利用广州市城轨客流数据对预测模型进行精度分析,对全网站点多天的预测结果显示:全天平均绝对百分比误差均在2%以下,分时平均绝对百分比误差均在14%以下,表明模型具有较高的预测精度和良好的适用性。     

基于等维灰数递补模型的软弱围岩隧道变形预测

结合隧道掘进施工以及变形监测的实际情况,利用灰色预测理论中的GM(1,1)模型,采用等维灰数递补数据处理技术建立等维灰数递补GM(1,1)模型来对灰色GM(1,1)模型进行改进,并结合工程实例中的变形实测数据进行验证.结果表明:修正模型的建立所需数据少,计算方法简单易行,而且预测值精度明显提高;灰色建模的数据取样越接近预测点,则得到的模型预测值越接近实际值,一般4次预测值的结果基本接近于实测值,该模型能更真实地反映软弱围岩隧道的变形规律.     

基于Markov链修正的铁路运量灰色组合预测模型研究

预测模型的准确与否直接决定着未来经济规划与决策的有效制定。将灰色GM(1,1)-Verhulst组合预测模型与马尔可夫链方法相结合,同时引入信息熵理论的知识,提出基于Markov链修正的熵权法灰色组合预测方法,并以甘肃省2004年～2015年铁路客运量作为原始数据序列进行模型拟合,而且还以此为基础对甘肃省未来几年内的客运量发展趋势进行预测。结论:(1)在已知实际客运量年份内,该灰色组合预测模型的预测精度比单一灰色预测模型更高、更加准确;(2)采用马尔可夫链方法获得该组合模型的偏差规律,并依照此规律对预测结果进行修正,即由一个单一的预测数值修正成为区间和概率组成的预测范围;(3)通过比较2016年～2017年的客运量实际值、组合预测模型的单一预测值和Markov链修正的预测区间值,发现Markov链修正的预测结果与客运量实际值的吻合性良好,进一步验证此预测方法的可信性。     

灰色变权组合模型的货车车轮踏面磨耗预测

为探讨变权组合模型在货运专线车轮踏面磨耗趋势预测中的应用,采用基于灰色新息GM(1,1)模型、灰色离散GM(1,1)模型和指数平滑模型为一体的变权组合方法研究货运专线车轮踏面随走行公里的磨耗趋势,并与各单项模型预测结果和定权组合预测结果作对比,研究结果表明:应用组合方法比单纯应用单项预测模型方法更合理,预测结果更可靠,且变权组合预测模型优于定权组合预测模型,预测精度较高。本文所提出的变权组合预测方法能够很好地预测货运专线上车轮踏面的磨耗趋势,是一种研究运输专线上车辆轮对维护决策的有效方法。     

改进的动态灰色模型在高铁路基变形预测中的应用

在分析灰色预测理论的建模机理和已有动态预测模型研究成果的基础上,从级比检验、背景构造值及残差等方面分别对动态新陈代谢模型进行了改进以提高预测精度,并通过工程实例的部分数据验证其改进效果,而后将其应用于工程中不同位置测点沉降变形的实时预测与分析。研究结果表明:建立的改进动态灰色新陈代谢预测模型群,精度较高,即使对于波动较大的测点,其预测也具有一定的参考价值,适用于高速铁路路基沉降变形的实时预测。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

灰色神经网络在混凝土结构徐变预测中的应用

根据灰色系统理论处理贫信息系统的优势,以及神经网络学习和自适应的优点,将灰色神经网络组合算法应用于混凝土结构的徐变预测中.利用GM(1,1)模型和BP人工神经网络,建立灰色新陈代谢短期组合预测模型和长期组合预测模型.该组合模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性.通过自密实预应力混凝土梁长期变形试验结果的算例分析,表明短期和长期组合模型的预测结果均与试验结果吻合良好,该模型可以作为混凝土结构徐变预测的有效工具.     

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.