基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。本文提出了一种基于鲸鱼优化卷积神经网络(convolutional neural networks,CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network,BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm,WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入到BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明,本文提出的模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(RMSE)下降了0.0305mm。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

灰色预测和时序预测的探讨

本文讨论了灰色模型,特别是GM(1,1)模型的特点和适用范围,并将GM(1,1)模型和时序AR(n)模型结合起来(称为组合模型),对我国轻工业产量发展指数等三个项目分别进行了组合模型预测。结果表明,在一般GM模型中引入AR模型可显著提高预测的准确度;在非平稳时序建模中引入GM模型,可作为提取趋势项的另一种方法。文中还从预测的角度将灰色模型和时序模型进行了比较和分析,对“灰”的物理概念进行了初步探讨。     

不等时距灰色模型的边坡位移预测及软件化

针对灰色理论传统的等时距GM(1,1)模型存在不能应用于工程实际中常常存在的非等时距的监测时序问题,建立了不等时距的灰色GM(1,1)边坡位移预测模型。鉴于模型建立及应用中的计算比较烦琐,将模型编制成应用软件,支持输入少量历史监测数据预测指定时间的边坡位移。通过实例利用应用软件对边坡位移进行了预测,实际证明其拟合精度较好,预测结果正确可靠,能够反映边坡位移的客观存在与发展态势,且提高了效率,便于实际工程应用。     

基于Transformer的自动驾驶交互感知轨迹预测

针对自动驾驶运动规划中预测周围交通参与者(如车辆、自行车、行人)未来轨迹的问题,提出了一个基于Transformer的轨迹预测模型(Trajectory Prediction Transformer,TPT)来帮助自动驾驶车辆预测周围交通参与者的未来运动轨迹。首先,为了有效地考虑交通参与者和交通环境之间的交互信息,将交通参与者建模为交通智能体。并将交通智能体的历史运动轨迹和周围交通环境信息编码为多通道图,作为模型的输入。然后,利用改进的Transformer对交通环境进行建模,并捕捉交通智能体与交通环境之间值得关注的交互信息,预测其未来运动轨迹。最后,在大规模自动驾驶数据集Lyft进行的实验表明,TPT模型能够在不同预测时长下取得优于其他对比模型的预测结果,且用时更短。     

DGM(2,1)模型在近似饱和S型变形预测中的应用

传统的GM(1,1)、DGM(1,1)模型在对累计位移量进行预测时,表现出很强的"惰性"。同时在灰色发展系数的影响下,得到的预测值严重偏离实测值,其偏离程度超出允许范围。此外较多监测点的累计位移量呈现出近似饱和S型,而传统的模型只对单调递增序列具有较好的预测效果。将DGM(2,1)模型应用于位移量呈现出近似饱和S型的变形预测中,结合工程实例进行验证,并与传统的GM(1,1)、DGM(1,1)模型预测结果进行对比,结果表明DGM(2,1)模型感应数据列变化的灵敏度较高,得到的x方向预测模型中误差为0.26mm,y方向预测中误差为0.06 mm。精度远高于GM(1,1)、DGM(1,1)模型。     

基于时间序列与GWO-ELM模型的滑坡位移预测

针对三峡库区的阶跃型滑坡位移特征,以白水河滑坡为例,提出一种基于时间序列和灰狼优化的极限学习机(GWO-ELM)位移预测模型。首先,根据滑坡的内在演化规律和外部影响因素,建立滑坡位移的时间序列模型,将监测位移分解为趋势性位移和周期性位移,并运用稳健加权最小二乘法的三次多项式对趋势性位移进行拟合,以此得到周期性位移。其次,对位移监测数据进行分析,选取周期性位移的影响因子,分别通过GWO-ELM、极限学习机(ELM)和灰狼优化的支持向量机(GWO-SVM)模型对周期性位移进行预测。研究结果表明:GWO-ELM预测模型具有良好的泛化能力,能有效减少人为误差,在预测精度上,明显优于ELM和GWO-SVM模型。基于时间序列与GWO-ELM位移预测模型具有较高的预测精度和泛化能力,是一种有效的滑坡位移预测方法。     

基于随机森林的短时临近降雨预报方法

近年来随机森林在各领域得到了广泛的应用,在处理大数据集中具有明显的优势,且机森林(Random Forest,简称RF)模型精度高、稳定性好。该文在不考虑其他气象影响因素的情况下用RF模型对短时临近降雨事件有无降雨进行分类预测。结果表明,基于RF短时临近降雨预测的预测结果较为理想,预测结果的各项评分始终保持在较高的水平,具有一定的参考价值。     

基于稀疏Transformer的长短时序关联动作识别算法

针对主流的视频动作识别算法对时序信息的挖掘不充分,而Transformer能够更好地处理长序列和全局依赖性问题,本文将3DCNN和Transformer结合起来,提出了基于稀疏Transformer的长短时序关联动作识别算法,从而实现对视频的全局时序信息进行建模。该算法提取预训练视频模型各个片段特征,嵌入视频特征聚类模块降低输入特征的潜在噪声,并利用基于稀疏自注意力的Transformer长短时序关联模块,引入稀疏掩码矩阵,对相似度矩阵进行掩码操作,抑制较小的注意力权重,选择性地保留重要的长短时序信息,提高模型对全局上下文信息的注意力集中程度。本文在UCF101和HMDB51数据集上进行了大量的实验,验证了本文算法的有效性,在参数量和计算复杂度较小的情况下准确率高于同类权威算法。     

灰色系统与时序组合模型在高层建筑沉降预测中的应用

将高层建筑沉降监测数据视为具有确定性趋势的非平稳时间序列，运用灰色GM(1，1)模型提取其中的趋势项，用AR(n)模型表示随机残差项，利用灰色-时序组合模型进行沉降预测．算例结果表明，该组合模型具有较高的预测精度，是一种简单、实用的高层建筑沉降预测方法．     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...     

采用ALSTM模型的温度和降雨关联预测研究

短时的降雨和温度等预报一直是天气预报中的重要问题。为了准确和及时预测局部区域的降雨及温度,提出了一种基于Attention和LSTM组合模型(ALSTM)的关联多值预测算法。该算法利用天气时间序列中的前期数据,对下一小时的降雨量和温度进行关联预测,以此实现对天气要素的多值预测。该算法首先对输入数据进行归一化处理;然后利用数据对ALSTM模型进行训练;最后将训练好的模型用于多值预测。将ALSTM模型与LSTM、BP以及基于LSTM的深度循环神经网络(DRNN)的预测结果进行了比较。实验结果表明,ALSTM模型的温度和降雨预测精度优于比较的其他模型,其平均预测精度在97%以上。     

基于HDCNN-BIGRU-Attention油田措施效果预测模型

为预测油田增油控水措施效果中月产油量与含水量,提出一种基于混合空洞卷积神经网络(HDCNN:Hybrid Dilated Convolutional Neural Network)-BIGRU-Attention的措施效果预测模型。模型通过HDCNN,提取生产数据多尺度全局特征;针对措施生产数据时序性较强与波动性较大的特点,利用双向门控循环单元(BIGRU:Bidirectional Gated Recurrent Unit)充分挖掘数据间长期依赖关系,提高时序信息利用率与学习效果;引入缩放点积注意力模块(Attention),为重要信息赋予较高权重并不断调整参数使模型始终关注与预测目标相关性较大的特征。为验证模型的有效性,将LSTM(Long Short-Term Memory)、 CNN(Convolutional Neural Network)-LSTM以及LSTM-Attention作为实验对比,结果表明该模型具有更低的预测误差与更好的泛化能力。     

非线性灰色-时序组合模型在隧道变形监测中的应用研究

隧道变形监测时由于受外界因素或系统因素的干扰,所获得的观测数据往往会含有误差或粗差,必须在建模之前对观测数据进行预处理。选用格拉布斯准则对观测数据进行粗差检验,可以有效地避免粗差对模型预测精度的干扰进而提高模型的预测精度,且将灰色时序组合模型用于隧道变形监测分析预报中,并与单一的GM(1,1)模型和时间序列模型的预测精度作对比,结果表明:组合模型在隧道变形预测分析预报中有较高的精度。     

基于MSR300雷达监测的凹山采场降雨条件下的边坡变形及滑坡

降雨是诱发滑坡的主要因素之一,尤其在暴雨条件下,更易激发滑坡.随着南帮边坡开采高陡化,滑坡发生频繁.为研究降雨条件下南山矿凹山采场南帮边坡稳定性特征,采用MSR300型雷达对边坡进行了连续4a的实时稳定性监测,基于采集到的采场降雨数据和边坡滑移数据,分析了降雨量和降雨强度与边坡变形规律,对凹山采场滑坡各阶段进行了划分,建立了凹山采场边坡失稳模型和预警阈值.结果表明:凹山采场变形与降雨量呈正相关,服从幂函数规律;边坡变形速度曲线与降雨强度有良好的一致性,滑坡一般发生在最大降雨强度之后;滑坡阶段主要包括初始变形阶段,稳定变形阶段和加速变形阶段;报警阈值分别为:6h时序内,位移阈值为20 mm,速度阈值1.5mm·h-1;12h时序内,位移阈值为30 mm,速度阈值为2.5mm·h-1.凹山采场滑坡曲线与岩土体非稳定蠕变曲线具有较高的相似性,位移曲线出现了“阶跃”现象,速度曲线出现了“尖凸”现象,这种情况易引起滑坡事故,其中在位移曲线的“拐点”处和相应速度曲线的“凸点”处发生滑坡的可能性最大.研究成果为类似矿山边坡稳定性监测和破坏机制提供了科学依据和参考.     

阶跃型滑坡的位移预测方法研究——以三峡库区树坪滑坡为例

三峡库区中阶跃型滑坡位移变化强烈,具有明显的周期性陡增特征,位移预测对该类滑坡的防灾减灾工作具有重要意义.以三峡库区树坪滑坡为例,采用时间序列分析方法,将滑坡总位移分解为趋势项和周期项,采用GM(1,1)模型和AR模型分别对滑坡位移的趋势线位移和周期项位移进行拟合与求解,并对总位移进行预测.结果表明:GM(1,1)灰色...     

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.     

产品需求量非平稳时序的ANN-ARMA预测模型

针对基于非平稳时序的产品需求量预测方法存在的问题,研究了人工神经网络(ANN)与自回归滑动平均(ARMA)模型的集成建模与预测方法. 产品需求量的非平稳时序可分解为确定项和随机项两个部分,用人工神经网络模型拟合确定项,以表示非平稳的变化趋势;用自回归滑动平均模型拟合随机项,以表示平稳的随机成分. 将两个模型的预测值之和作为产品需求量的优化预测值. 仿真结果表明,集成模型的预测精度高于单一的人工神经网络模型.     

非等间隔时序灰色模型的深基坑变形预测研究

灰色理论广泛应用于深基坑位移预测,对基坑工程设计与施工具有重要意义.预测中灰色模型的建立是以等时距原始数据作为前提条件,而实际工程的位移监测数据多是非等时距,因此难以建立合理的预测模型.文章采取引入单位时间差系数方法将不等间隔序列调整为等间隔序列,分析其差值后将序列还原,从而可以建立非等间隔时序灰色模型;同时将数据矩阵的第一列元素由原2个连续元素增加为3个连续元素平均值的相反数构成;以某深基坑工程为算例,验证了上述改进模型的正确性,其预测结果与监测结果更为接近.结果表明,非等间隔时序灰色模型在深基坑变形预测中更符合工程条件,精度更高,为深基坑支护信息化施工提供了更好的理论依据.