LSTM网络在地铁隧道沉降预测中的应用研究

为提高地铁隧道沉降预测的精度,研究长短记忆网络(LSTM网络)在地铁隧道沉降预测中的作用。分别利用反向神经网络(BP神经网络)和LSTM网络建立模型,结合2组地铁隧道实测数据,对模型的预测精度进行了比较和分析,试验结果表明LSTM网络优于BP神经网络并有较高的预测精度,与BP神经网络模型相比LSTM网络模型预测误差降低幅度可达35%,相对误差降低幅度可达42%,均方根误差值降低幅度为55%,预测的结果更接近实际测量结果。研究表明将深度学习的方法之一LSTM网络引入到地铁隧道沉降监测中,提高了预测精度。     

基于GM(1,1)模型的边坡变形监测应用研究

对GM(1,1)模型的基本原理和模型检验方法进行了介绍,将边坡看作一个灰色系统,采用GM(1,1)模型对沉降进行预测,相关的参数可由建立灰色预测模型和实际的监测数据予以确立。将预测结果和实际结果进行对比分析,结果表明GM(1,1)模型能够取得较好的预测结果,能够在变形监测工程中得到广泛的应用。     

结合CEEMDAN的LSTM模型在滑坡变形预报中的应用

变形监测是工程安全监测必不可少的工作,高精度的变形预测预报能够为安全监测提供变形预警.随着对人工智能模型的深入研究,利用神经网络模型对变形时序数据进行预报的研究也逐渐增多.为研究神经网络模型在变形预测中的效果,将结合CEEMDAN的LSTM模型应用在滑坡变形预报中,通过实验比较其与单一LSTM模型、传统的ARMA模型以...     

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。     

新陈代谢GM(1,1)模型在现代有轨电车沉降预测中的应用

目前灰色模型在建筑物、边坡、高铁等领域的沉降预测中的应用研究较多,而在现代有轨电车中的沉降预测中应用比较少,并且现代有轨电车在运营阶段的沉降变化量较小。用灰色GM(1,1)模型和新陈代谢GM(1,1)模型对有轨电车筏板的沉降监测点的监测数据进行预测并比较。结果表明,新陈代谢GM(1,1)模型剔除了旧数据,增加了新的预测数据,提高了模型预测精度。验证了模型在现代有轨电车筏板进行沉降预测的可行性,为今后类似情况的沉降监测预测提供参考和借鉴。     

不等间距GM(1,1)模型在滑坡监测分析中的应用

滑坡监测一般存在时间间隔不等情况,因此基于某滑坡监测资料,应用不等间距GM(1,1)模型对其进行处理,结果表明,该模型完全适用于滑坡变形预测,可作为今后滑坡变形预测模型.     

高铁路基后期沉降预测方法的运用分析

针对软土地基沉降周期长,承载力低,沉降变形波动大等特点,以某高铁沉降数据为依托,应用双曲线法、Asaoka法、星野法、GM(1,1)模型进行沉降预测,分析不同时间起点对预测结果的影响.结合实际沉降结果对比分析得出:①负沉降点对预测精度影响较大,沉降预测时最好跳过或删除负沉降,且不易采用负沉降点附近的数据作为参考数据;②双曲线法、Asaoka、GM(1,1)模型较适合于软土地基沉降预测,而星野法拟合效果相对较差;③双曲线法和GM(1,1)模型以停载后5个月为预测时间起点结果较准确,Asaoka法受预测时间起点影响不明显.     

一种改进离散灰色模型及其高校招生人数预测建模

分析了已有GM(1,1)模型和离散GM(1,1)模型的不足,建立了高校招生人数的直接离散GM(1,1)模型,并对相关实例建立模型进行预测.预测结果表明,直接离散GM(1,1)模型模拟预测精度更高,更能反映高校招生人数的增长趋势.     

改进型灰色神经网络模型在水质预测中的应用

介绍了三类改进的灰色模型和BP神经网络。将三类改进的灰色模型与神经网络进行组合,得到改进型灰色神经网络组合模型,将一维序列通过三个改进的灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构。将组合模型应用到嘉陵江磁器口断面总磷浓度的预测中,结果表明:(1)用该组合模型进行预测,相对误差均在5%以下,预测精度较高,取得了较理想的预测效果;(2)WPGM(1,1)、pGM(1,1)、CGM(1,1)、组合模型预测的平均相对误差分别为5.05%、34.01%、33.65%、3.02%,与单一灰色预测方法和灰色神经网络模型相比,组合模型的适应能力和预测推广能力更好,预测精度更高。     

不同沉降预测方法在改扩建路基中的应用

【目的】改扩建工程中新路基沉降的准确预测至关重要。【方法】依托沪陕高速公路合肥至大顾店段改扩建工程，首先选择试验段对新路基沉降进行实测；然后分析了星野法、GM(1,1)和二者的组合法等三种沉降预测方法的预测效果。【结果】结果表明：GM(1,1)在预测后期结果偏大，星野法比GM(1,1)法预测效果好，与两个独立的预测模型相比，GM(1,1)-星野法预测模型预测准确率更高。【结论】研究成果可为类似工程提供借鉴。     

离散的GM(1,1,t~2,t)模型及其应用

针对软土地基沉降问题,利用灰色理论提出GM(1,1,t~2,t)模型,通过优化灰导数白化值建立离散的GM(1,1,t~2,t)新模型,并用最小二乘法估计新模型的5个参数.通过软土地基沉降的实例应用,说明离散的GM(1,1,t~2,t)模型的模拟预测效果优于GM(2,1)模型.     

基于灰色GM(1,1)模型对黑龙江省粮食产量的预测

应用GM(1,1)模型对1995～2017年黑龙江省粮食产量进行趋势的分析,并且按照发展趋势进行为期三年的预测.所应用到的GM(1,1)模型是按照参数的双向差分进行最小二乘估计,并且在初始值也进行两方面的变动,应用模型初始值加权评均法、模型初始值加权误差平方法.这样可以适当的提高模型的预测精度.     

线性回归与灰色理论在用电量预测中的应用

针对电力资源存在的电力短缺和电力浪费现象,结合用电量增长的特点,选取全省GDP、人口总数、人均地区生产总值、工业生产总值等作为预测指标,应用优化的多元线性回归模型和灰色GM(1,1)模型对陕西省来年的用电量需求进行预测,所得的2组预测值拟合度较好。之后对2种模型进行耦合再进行预测,其结果比单纯使用多元线性回归模型或使用灰色GM(1,1)模型得出的结果更优。结果可见预测模型精度较好,具有一定的实用性,对电力相关部门的生产规划有一定的借鉴价值。     

G(1,1)灰色模型与灰色线性模型预测法比较及应用——以商洛市房地产发展现状为例

运用实例和统计分析的方法,对统计预测中常用的G(1,1)灰色模型预测法和灰色线性模型预测法进行比较,得到了两种模型在实际预测中的精确度.并通过检验分析,得到了在什么情况下用G(1,1)灰色模型预测,在什么情况下用灰色线性模型预测.     

基于灰色理论的风电场输出功率超短期预测

准确预测风电场的发电功率能够有效减少风电波动性对并网电网的影响。本文提出基于灰色理论的风电功率超短期预测方法,分别采用GM(1,1)模型和GM(1,2)模型实现了风功率的超短期预测。针对某99MW风电场一年风电功率数据,在MATLAB上仿真验证了本文所提方法的有效性。仿真结果表明,GM(1,2)模型的风电功率预测精度明显高于GM(1,1)模型所获得的风电功率预测精度。     

基于小波变换的GM(1,1)-ARMA组合预测模型对悬索管桥的应变预测

ARMA模型采用差分处理对桥梁监测数据进行预测时,会出现数据丢失和预测精度降低的现象.为此,利用小波变换对信号进行离散化处理信息不会丢失的优点,将趋势明显的原始序列离散化,得到不同频带上的块信号.采用灰色GM(1,1)模型对趋势明显的低频信号进行趋势预测,用ARMA模型对平稳的高频细节信号进行细节预测,再将两部分预测值叠加得到最终预测值.对黄河悬索管桥在线监测系统获得的过去一段时间的应变数据进行验证,结果表明所提出的GM(1,1)-ARMA组合模型预测效果明显高于传统ARMA模型,这对实现同类桥梁的预警具有积极意义.     

戈壁土路基后期沉降预测方法及误差分析

各种沉降预测的研究已在软土路基进行,而对戈壁土路基这一特殊路基的沉降预测研究较少.以兰新第二双线新疆段工程实测沉降数据为研究对象,分别采用双曲线法、星野法、Asaoka法、GM（1,1）模型四种沉降预测方法,预测戈壁土路基的后期沉降并分析不同时间起点对预测结果的影响.研究表明,常用的双曲线法和Asaoka法的预测精度受预测时间起点影响较大,双曲线法建议恒载期5~6月后为时间起点,Asaoka法建议恒载期1~2月后为时间起点.不同时间起点对星野法和GM（1,1）模型影响较小,其中GM（1,1）模型预测结果最为精确.     

基于残差融合的ARMA-GM(1,1)模型茶叶产量预测

因茶叶产量数据波动大,样本数据统计量相对较少,统计特征并非十分明显的特点,传统的基于统计原理的ARMA模型建模预测效果较差。利用灰色系统建模原理对ARMA模型的残差序列建立GM(1,1)模型,形成残差融合的ARMA-GM(1,1)模型。该模型既能保证数据的统计特征又能将残差的振荡序列充分反映,提高模型的预测精度,拓展ARMA模型的使用范围。结果表明,基于残差融合的ARMA-GM(1,1)模型比ARMA模型、灰色GM(1,1)模型具有更高的预测精度。     

科技经费投入预测与灰色GM(1,1)模型

本文运用了灰色GM（1,1）模型及线性回归模型对科技经费投入进行预测,从实际算例可知其精确度是相当高的。方法简便,具有较高实用价值。     

GM(1,1)模型的改进及其在西安市人口预测中的应用

人口规模对大中型城市的发展非常重要,为提高人口预测模型的预测精度,分析了GM(1,1)和等维递补动态预测模型的特点,并以2007—2012年西安市人口数据资料为依据,应用灰色系统理论构建等维递补GM(1,1)动态预测模型,预测了西安市2013—2016年城市人口规模,结果分别为859.757 3万人(2013年),864.010 6万人(2014年),868.285 0万人(2015年),872.580 5万人(2016年)。统计检验和误差分析结果表明,该模型方法简便可行,预测精度高,结果符合实际,可靠性强,为市域经济发展的研究和决策提供了科学依据。