基于机器学习的高铁边坡位移预测不确定性度量与应用 |
| |
引用本文: | 邓志兴,谢康,李泰灃,苏谦,韩征,肖宪普.基于机器学习的高铁边坡位移预测不确定性度量与应用[J].中国铁道科学,2024(1):56-67. |
| |
作者姓名: | 邓志兴 谢康 李泰灃 苏谦 韩征 肖宪普 |
| |
作者单位: | 1. 中南大学土木工程学院;2. 西南交通大学土木工程学院;3. 中国铁道科学研究院集团有限公司铁道建筑研究所;4. 石家庄铁道大学土木工程学院 |
| |
摘 要: | 为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型(BGB模型)。该模型首先采用基于Bootstrap的门控循环单元(Gated Recurrent Unit,GRU)算法度量位移预测均值和认知误差的方差,再采用BP算法度量随机误差的方差,然后将位移预测均值、认知误差和随机误差的方差3者结合在一起,量化出一定置信水平下的预测区间。最后,基于杭绍台高铁沿线边坡的监测数据,探讨BGB模型认知不确定性的响应特征,并通过对比多种区间预测模型来验证BGB模型的优越性。结果表明:BGB模型不仅能构造清晰可靠的预测区间,还能提供高精度的点预测结果;改变模型输入特征和预测算法会导致认知不确定性的改变,而BGB模型所构造的预测区间能正确地响应不确定性的变化;对比以极限学习机(Extreme Learning Machine,ELM)和支持向量回归(Support Vector Regression,SVR)为核心的区间预测模型,BGB模型的区间预测和点预测性均能更优。研究成果可为高铁边坡位移发展提供可靠的预...
|
关 键 词: | 边坡位移预测 不确定性度量 区间预测 机器学习 Bootstrap算法 |
|
|