融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

毫米波雷达数据驱动的桥梁挠度预测

为监测公路桥梁健康状况从而保证车辆行驶桥面的安全性,基于毫米波雷达监测的桥梁挠度数据,结合深度学习理论,提出了一种基于卷积神经网络（convolutional neural network, CNN）与门控制循环单元（gate recurrent unit, GRU）组合的桥梁挠度预测模型。首先,获取高速公路大桥高精度挠度数据,通过数据预处理,在保留原始数据特征的基础上,修复部分噪声数据;其次,将处理后的样本数据、时间步长和特征数的三维数据,以桥梁挠度数据序列构造的输入矩阵作为输入层,经过CNN-GRU组合模型的密集连接层后,输出预测桥梁挠度值。最后,选取具有代表性的监测点数据,利用均方根误差 (root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)、平均百分比误差 (mean absolute percentage error, MAPE)进行预测效果验证。结果表明,CNN-GRU模型的精度更高：较于传统LSTM（long short-term memory）模型在RMSE上提升了59.65%,MAE提升了61.30%;较于CNN-LSTM模型在RMSE上提升了2.48%,MAE提升了4.87%。其对于桥梁挠度极值及趋势的判断基本准确,可以作为桥梁健康状况预测的科学依据。     

基于GA-BP神经网络的软土路基运营期沉降预测

为了实现高速公路软土路基沉降的准确预测，采用遗传算法(GA)优化BP神经网络，研究3种输入对预测结果精度的影响.选取时间t以及其15 d前的沉降量S_t-15和平均沉降速率v_t-15为影响因素，在t、t-S_t-15、t-S_t-15-v_t-15三种输入下，分别取某高速公路软土路基运营期实测沉降数据的前50%、80%为训练集，余下原始数据为测试集，重复训练10次后取平均值作为输出值.采用决定系数(R²)来判别模型拟合度，均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为模型性能的评价指标.结果表明：3种输入的R²均大于0.99;训练集占原始数据的比例为50%时，t-S_t-15输入的预测误差最小，RMSE为1.31 mm, MAPE为4.71%;训练集占原始数据的比例为80%时，t-S_t-15-v_t-15输入的预测误差最小，RMSE为0.29 mm, MAPE为1.00...     

基于数值与文本特征的LSTM股票价格预测研究

行为金融学理论指出，由社交媒体文本数据所折射出的投资者情绪在一定程度上影响着股票市场的波动。为了利用投资者情绪对股票市场作出更准确的预测，本文爬取2020年8月31日至2021年9月1日的沪深300指数股吧评论文本数据，使用基于融合基础情感词典和金融词典的分析方法将评论文本数据量化为投资者情绪指标，并利用长短期记忆（Long short-term memory,LSTM）神经网络构建了融合股票历史交易数据和基于股吧评论的投资者情绪指标的多特征预测模型。实验结果表明，基于数值和文本特征的LSTM股票价格预测模型的平均绝对误差（Mean absolute error,MAE）、均方根误差（Root mean squared error,RMSE）和均方误差（Mean square error,MSE）值较LSTM数值特征预测模型降低了18.84、15.79、1486.54。较GRU(Gated recurrent unit)数值文本特征模型，其MAE、RMSE、MSE值则降低了11.42、10.49、931.75。实验结果表明本文提出的方法可以有效预测股票价格指数。     

基坑施工对周边环境影响研究

基坑开挖过程中对周边环境的影响,是基坑工程的重要组成部分.基于苏州某大型基坑工程的监测资料及相关施工资料,研究了基坑开挖过程中对周边建(构)筑、地下管线的沉降的规律性.结果表明:周边环境的沉降变化与基坑开挖深度的变化呈一致变化关系;基坑施工过程中的漏水漏砂现场极有可能导致周边管线的变形,增大管线的变形曲率,威胁基坑周边管线的安全.     

TPGM(1,1)预测模型在基坑变形中的应用研究

依据深基坑周边地表沉降监测信息,运用灰色理论的方法,对基坑周边地表沉降发展变化规律进行合理的预测可以有效的确保基坑施工期间变形安全和正常使用要求。针对传统的GM(1,1)和DGM(1,1)模型本身数学结构的不足,提出采用TPGM(1,1)预测模型对基坑周边地表沉降进行预测。结合工程实例计算表明,在TPGM(1,1)模型中,利用已知监测数据预测未来一段时间内的基坑周边地表沉降能获得更加精确的预测结果。该研究成果能为动态信息化施工以及施工阶段的基坑灾害评估、预警提供有力指导。     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

基于EMD-LSTM人工神经网络的云冈石窟环境参数预测

环境参数会直接影响石窟的风化过程,因此,预测环境参数是进行云冈石窟有效保护的重要内容.以云冈石窟第十窟为例,将壁温、环境湿度、环境温度的实测时序数据作为环境参数,使用经验模态分解(empirical model decomposition, EMD)对实测时序数据进行分解,研究了固有模态函数(intrinsic mode function, IMF)分量与实测时序数据的相关性,建立了基于EMD-长短期记忆(long short-term memory, LSTM)的人工神经网络(artificial neural network, ANN)组合模型.使用平均绝对误差(mean absolute error, MAE)、均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数(R²)作为评价指标,对比分析了使用组合模型与使用单一LSTM的ANN模型进行环境参数预测的效果.结果表明:IMF分量的变化速率越大,与实测时序数据的相关性就越强;对于组合模型中...     

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function, PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。     

基于遗传算法-深度神经网络的分布式光纤监测工作面矿压预测

为了准确掌握工作面矿压显现规律并对来压位置进行准确预测，搭建了相似材料物理模拟试验，并引入分布式光纤监测煤层采动过程中上覆岩石变形。结合光纤测点频移值的统计特征及工作面开采位置等矿压影响因素，利用门控循环单元深度神经网络(Gated Recurrent Neural Networks ,GRU)，并采用遗传算法(Genetic Algorithm，GA)对GRU网络中的超参数寻优，建立了GA-GRU-BP的工作面来压位置预测模型。采用相关性系数(R2)、平均绝对误差(MAE)和均方根误差(RMSE)作为预测模型的性能评价指标，并与随机森林(RF)、GA-支持向量机(SVM)、GA-GRU进行算法性能比较。实验结果表明, GA-GRU-BP预测模型的预测精度R2达到了98.7%，MAE、RMSE分别为1.224cm，1.769cm, 远低于对比方法的评价指标，表明GA-GRU-BP预测模型具有较高的准确率和鲁棒性，为工作面矿压来压位置预测提供了新的方法。     

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提，对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水，提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法，该方法首先将卷积神经网络(convolutional neural network，CNN)和双向长短期记忆网络(bidirection long short-term memory，BiLSTM)进行联合，用于捕获注水流量的复杂非线性时空关系，然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题，提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验，研究结果表明，本研究中提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(Mmean absolute error，MAE)、均方根误差(root mean square errorRoot Mean Square Error, RMSE)、平均绝对百分比误差(mean absolute percentage errorMean Absolute Percentage Error，MAPE)和决定系数(Ccoefficient of Ddetermination，R2)MAE、RMSE、MAPE 和R2 分别为0.027、0.043、9.936和0.968，通过多种模型对比，表明该方法具有较高的预测精度，可以更准确地预测注水流量。此外，研究还证实，采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据，从而为油田智能化开发提供理论依据。     

基于门控循环单元神经网络的交通流预测模型

针对交通流数据的时间序列关联性特征,在大数据处理技术基础上,构建了基于门控循环单元(GRU)神经网络的交通流预测模型.根据交通流数据产生速度快、数据量大的特征,基于Flink框架并应用Kafka消息队列机制对获取的实时交通流数据进行预处理;基于门控循环单元神经网络,设计了当前时间与上一步时间的隐藏交通流状态;计算了交通流数据的时间序列相关性,从而实现交通流的预测.实验结果表明,基于门控循环单元神经网络的交通流预测模型可有效降低平均绝对误差和均方根误差,提高交通流的预测精度.     

Logistic模型在高层建筑物沉降监测中的应用

介绍了Logistic增长曲线模型,通过实测数据建立沉降预测模型,拟合出s-t曲线,用平均绝对百分误差(MAPE)来评价预测模型拟合的精度,发现Logistic模型属于高精度拟合.将预测数据与实际观测数据进行对比分析,预测精度较高.结果表明该模型可用于高层建筑物的沉降预测情况.     

基于长短时记忆网络的Encoder-Decoder多步交通流预测模型

交通流序列多为单步预测.为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型.将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证.实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系.除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预测时间步长为t+1到t+12的12个时间步时,ED LSTM模型的均方根误差(root mean squard error,RMSE)及平均绝对误差(mean absolute error,MAE)分别下降0.210～5.422、0.061～0.191.相较于单因素输入,多因素输入的ED LSTM模型在12个预测时间步长下,RMSE、MAE分别下降0.840、0.136.实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务.     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力，综合考虑铁路货运量时间序列数据的线性和非线性特征，提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测，再利用LSTM网络对残差进行校正，并将其与XGBoost模型结合，采用误差倒数法确定权重，构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比，借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验，实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%，预测误差均低于上述对比模型，模型的预测精度和泛化能力都有所提升。     

基于天牛须搜索算法的短期风电功率组合预测

为了提高风电功率预测精度,提出了一种完全集成经验模态分解(CEEMDAN)、极限学习机(ELM)和改进天牛须搜索算法(IBAS)的组合预测模型来预测风电功率。引入动态惯性权重改进天牛的位置更新方式,提高天牛须搜索算法的寻优能力。在预测过程中,首先通过CEEMDAN对原始风电功率数据进行预处理,将非平稳信号分解为一组按照频率和振幅大小排列的序列分量,减少数据波动带来的预测误差。然后利用IBAS优化ELM构建预测模型,分别预测每个序列分量,最后叠加每个序列分量的预测值得到最终预测值。仿真结果表明,与其他预测模型相比,本预测模型预测精度最高,评价指标MAE、RMSE、MAPE均为最小,具有广阔的实际应用前景。     

改进灰色时序模型在建筑物变形监测中的应用

建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型(GM模型)与时间序列分析模型(AR模型)相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。     

基坑变形灰色人工神经网络预测模型及其应用

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比GM(1,1)预测模型小;与BP预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与BP预测相结合的方法进行预测。     

耦合注意力机制大坝变形改进LSTM序列到序列预测模型

目前,大坝变形预测主要采用的浅层网络结构存在难以挖掘数据序列隐含深层特征的问题．常用的LSTM和GRU等模型虽然具有分析变形序列的时间自相关性特征的特点,但忽略了环境因子序列和变形序列之间的映射关系,且难以克服深度神经网络梯度下降训练易陷入局部最优的问题．针对上述问题,提出了耦合注意力机制大坝变形改进LSTM序列到序列预测模型．利用编码和解码双层LSTM构建序列到序列结构,同步提取输入影响因子和输出变形的序列特征,并耦合注意力机制,动态度量各影响因子对变形的贡献率,以提高预测精度．进一步利用蚁群信息素及双混沌优化改进鲸鱼捕食机制,构建基于改进鲸鱼优化算法的耦合注意力机制的LSTM序列到序列网络模型的无梯度环境,规避早熟收敛,弥补梯度下降本身的缺陷．工程应用结果表明,本文所提模型能够精确预测大坝变形,在各点位测试集上平均MAPE、MAE和RMSE分别为0.125%、0.604 mm和0.865 mm．此外,时效、水位和温度分量对点位变形的贡献率依次为51.93%、30.14%和17.93%．本研究为大坝安全监控提供理论与技术支撑．     

基于注意力机制的CNN-GRU船舶交通流预测模型

为更准确地预测内河船舶交通流，提出基于注意力机制的CNN-GRU船舶交通流预测模型。该模型主要借助一维卷积单元提取数据的高维特征，GRU单元学习数据中的时序特征，并通过引入注意力机制加强重要特征的学习，实现对超长序列的学习。此外，通过分析内河上下游航道交通流间的关联性，提取长江中下游6个航段的船舶AIS数据，构造多航段船舶交通流序列数据集，并将其输入本文模型中进行训练及测试。结果表明：相比序列预测模型中的SAE、LSTM、GRU、CNN+GRU和GRU+Attention,本文模型在针对不同交通流参数的预测中均具有更高的预测精度，交通流量、交通流密度和交通流速度的预测精度分别达到95.42%、97.33%、94.99%,可更好地满足工程应用需求。