基于机器学习的高铁边坡位移预测不确定性度量与应用

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...