基于改进神经网络的路基沉降预测

为克服路基沉降预测方法的缺陷和传统BP神经网络存在的不足,采用Levenberg-Marquardt算法改进了BP神经网络的收敛性,建立了路基沉降预测模型。结合津秦客运专线路基沉降实测数据,将该优化模型与传统的BP神经网络预测模型进行了对比,计算结果表明改进后的BP神经网络在路基沉降预测中精度最高,取得了好的效果。     

神经网络在填石路基沉降预测中的应用

应用BP神经网络对填石路基沉降进行预测.建立BP趋势提取模型,用以代替常规BP算法中使用三次样条曲线插值的预处理方法,从而使BP预测模型能克服数据波动带来的干扰,大大提高了BP神经网络预测模型的预测效果.     

以最小绝对值法建立沉降组合预测模型及应用

为了更多地利用全部有用信息,采用多种常用预测模型进行组合的预测方法,可根据有限的实测数据达到预测路基沉降的目的。组合预测法的关键是确定组合的权重,在讨论传统组合预测法的基础上,引入最小绝对值法计算权重。工程实例表明,最小绝对值法较其他权重计算法精度更高,有明显的优越性。     

铁路路基沉降变形组合预测模型优化

由于传统灰色模型在预测波动性较大的数据时精度不高,提出一种改进的动态GM-Poisson-Markov组合预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进,通过原始序列的动态更新实现模型的参数更新,在此基础上与泊松曲线模型建立一种组合预测模型,并利用马尔科夫链进行残差修正,得到改进的动态GM-Poisson-Markov组合预测模型。利用汉巴南铁路路基沉降变形监测数据进行实例分析,将预测结果与泊松、灰色模型、非等间距无偏灰色模型以及组合模型预测结果进行对比分析,结果表明：模型对铁路软土路基沉降变形可取得较好预测效果,提高了预测精度与稳定性。     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

滨海公路软土路基变形机理及其沉降预测研究

针对滨海公路软土路基的工程地质特征,以深圳市滨海大道试验研究为依托,探讨了该类地区软土路基变形机理及其沉降发展规律,并通过对各种沉降预测模型的对比分析,结合5种常用的成长模型,提出了滨海公路软土路基变权重组合S型成长模型。最后,以该模型对依托工程进行了沉降预测,结果表明该模型预测效果较好,适用于该类地区路基工后沉降量预测,对实际工程具有一定的实用价值。     

汕头海湾隧道复合地层超大直径泥水盾构掘进参数预测研究

为研究复合地层超大直径泥水盾构掘进参数之间的复杂关系，以汕头海湾隧道工程为背景，选取700环掘进数据，通过优选函数类别和网络结构，建立基于BP神经网络的复合地层超大直径泥水盾构掘进参数预测模型，定量预测刀盘转矩、刀盘能耗和平均泥水压力。研究表明： 1）复合地层盾构贯入度和掘进速度、贯入度和刀盘转速、刀盘电流和刀盘转速的皮氏积矩相关系数绝对值均在0.75以上，具有良好的线性相关性，其他掘进参数之间相关性较不明确； 2）复合地层盾构刀盘转矩和刀盘能耗预测值与实际值的算术平均误差在5%左右，平均泥水压力预测值与实际值的算术平均误差为1.31%，预测精度较高，满足盾构施工要求； 3）基于BP神经网络预测模型，软土地层各掘进参数预测效果得到进一步提升； 4）根据BP神经网络预测模型输入参数定量预测其他掘进参数，操作简单，预测效果良好，能够为盾构主司机提供参考，同时提高施工效率，为实现智能掘进打下基础。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

人工神经网络在预测软基沉降中的应用研究

依据影响软土路基沉降的因素选取参数建立了BP神经网络预测最终沉降量模型,利用已建高速公路沉降数据,进行了软土地基最终沉降量的预测,取得了较为理想的效果。证明神经网络法能避免传统方法计算过程中各种人为因素的干扰,计算精度高,泛化性强,简便易行,因而具有广泛的工程使用价值和广阔的工程应用前景。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

基坑变形组合预测分析及安全性评价

为提高基坑变形预测精度及合理评价基坑所处的安全状态,提出以支持向量机、极限学习机和GM(1,1)模型为单项预测模型,构建定权法、非定权法确定组合权值的组合预测模型,并利用累计变形量与变形控制值构建基坑变形的安全性评价指标,以判断基坑所处的安全状态,且采用重标极差法分析基坑安全性的发展趋势。实例分析表明： 1）组合预测较单项预测具有更高的预测精度,且能有效降低预测风险,增加预测结果的稳定性; 2）非定权组合的预测精度要略优于定权组合的预测精度,且以BP神经网络权值法的组合效果最优; 3）通过对某基坑的安全性分析,得知该基坑处于危险阶段,需采取必要的安全措施,且预测结果与安全分析结果一致,验证了预测方法和安全性评价方法2种分析方法的有效性和准确性。     

软土地基沉降特征分析及MMF模型的应用

大量观测数据和理论研究表明软土地基沉降曲线发展规律一般经过发生、发展、稳定后达一定极限，其表现符合成长曲线的基本形式。分析了软土地基的工程特性和沉降特性，建立软土地基全过程沉降预测的MMF模型，利用Origin软件求解模型参数，给出模型的求解方式，讨论了模型预测效果，工程实例预测结果表明所建立模型具有科学性和适用性。     

一种优选组合法在软土路基沉降预测中的应用

在软土路基沉降预测中,常用的方法有简单曲线拟合法、系统分析和控制理论法等。但采用单一的方法进行预测,会造成预测误差偏大。提出了一种优选组合方法,通过对若干种单一方法进行权重化处理,给予每种单一方法相应权重,得出新的沉降预测曲线进行沉降分析,并以工程实例为基础,说明该方法在实际预测中是可行的。     

基于BP神经网络的人工盐渍土冻胀预测研究

以季节性冻土区环青海湖段青藏铁路路基冻害为背景,通过现场采集的粉质黏土人工盐渍化后,考虑温度、水分、盐分、压实度4个因素进行室内冻胀试验,测试了不同温度环境下路基土体的冻胀率。根据试验所得参数,建立BP神经网络冻胀预报模型对土体冻胀率进行预测。结果表明:运用BP神经网络的预测结果与试验结果具有良好的一致性,误差为1%～5%。     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

基于神经网络的大断面软土隧道收敛安全监测的预测方法

在软土隧道的施工工程中,隧道的收敛变形是一个十分复杂的过程,影响因素很多,为了能够合理地模拟隧道施工后的收敛变形,指导隧道的安全施工,采用BP神经网络方法以时间和里程2个方面为出发点,对软土隧道的收敛变形进行预测。以哈尔滨市保健路打通工程为实例,证明了利用BP网络的预测结果能够很好地指导软土隧道的施工,精度更准确,对实际工程有更好地指导意义。