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。     

LSTM神经网络模型在GPS变形监测中的应用研究

为提高GPS变形监测在工程应用中的精确度,研究LSTM神经网络在变形监测中的作用。分别利用建立的GM(1,1)模型和LSTM神经网络模型对GPS变形监测工程案例进行应用分析,与GM(1,1)模型相比LSTM神经网络模型预测误差降低幅度可达58%,相对误差降低幅度可达62%,RMSE值降低幅度为66%,结果说明LSTM神经网络模型较GM(1,1)模型有更高的预测精确度,预测结果更接近实际测量结果,深度学习的方法之一LSTM神经网络模型在GPS变形监测中有很高的应用价值。     

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.     

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。     

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。     

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。     

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.     

SSA与BP神经网络在地铁沉降监测中的应用

邻近区域施工,致使地铁沉降呈现复杂的非线性变化。对此,采用奇异谱分析(SSA)和BP神经网络对地铁结构进行分析与预测。通过SSA重建趋势序列和周期序列,分析地铁结构变化的趋势与周期波动;利用BP神经网络对重建趋势序列与时间序列分别进行预测。以上海9号线地铁沉降监测数据为例,提取趋势序列与周期序列进行分析及预测,实验证明了利用SSA对地铁监测序列进行分析以及利用BP神经网络对成分序列进行预测的可行性。     

基于函数变换的GM(1,1)模型及其应用

基于函数变换理论,本文尝试使用复合函数变换来提高原始数据序列的光滑性,从而提高模型的拟合精度.并将此方法应用于全国人均主要工农业产品产量(发电量)的建模中.应用结果表明,该方法所建模型的拟合精度高于传统的GM(1,1)模型和对数函数变换GM(1,1)模型的精度.建模结果表明本文提出的改进方法的有效性.     

基于灰色预测法对广东省地区生产总值的预测分析

将广东省地区生产总值作为研究对象,基于灰色预测法对1978—2016年数据进行分析,建立GM(1,1)模型.数值仿真结果表明,该模型的拟合效果较好.利用所建立的模型预测2017—2021年广东省地区生产总值,可为了解广东省未来经济发展水平提供一定的参考.     

优化的BP神经网络在预测电动汽车SOC上的应用

为了提高BP神经网络预测模型对电动汽车电池SOC值预测的准确性,采用遗传算法GA和粒子群算法PSO两种优化算法分别对BP神经网络进行优化,即优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解。将该方法应用到预测电动汽车电池的SOC值中并与实际测量的SOC值进行验证比较。仿真实验表明,经过粒子群算法优化后的BP神经网络预测电动汽车SOC值的误差在1.0%~4.4%之间,明显优于采用遗传算法优化的误差范围1.6%~10%和传统的BP神经网络误差范围2.0%~72%。     

基于GA-BP神经网络模型的大坝裂缝预测

常规的BP神经网络由于初始权值和阈值问题,在对大坝裂缝开度进行预测时精度普遍不高。为此,本文首先引入遗传算法(GA)对BP神经网络进行优化,构建了GA-BP神经网络预测模型,然后分析实测资料,发现库水位、温度显著影响裂缝开度,最后将这两个因素作为网络的输入变量,利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得,通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络,本研究可为大坝的安全运行管理提供一种技术方法。     

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。     

基于熵值加权组合预测模型的黑龙江省旅游收入预测分析

针对黑龙江省旅游收入预测问题,考虑到单一预测模型往往在预测精度上不高的特点,在引入灰色系统GM(1,1)预测模型及时间序列线性回归模型的基础上,建立了基于3种误差指标信息下的熵值加权组合预测模型,并以黑龙江省2009—2018年的旅游收入数据进行分析.结果表明,所建立的组合预测模型在预测精度上有了较好的改善并优于所选单...     

基于灰色预测对我国心血管疾病的研究

针对我国心血管疾病发病率,选取2005—2012年我国城市男性及女性不同年龄段心血管病发病率的时间序列数据,通过级比检验,确认所选数据适合进行灰色预测,为此运用所选数据建立相应的GM(1,1)模型.运用MATLAB编程,对男性及女性不同年龄段心血管病的发病率分别拟合,拟合精度良好.作外推预测,得到2013—2020年男性及女性不同年龄段心血管病发病率的预测值.预测结果表明,不同年龄段的我国城市男性心血管病发病率高于女性,而且随着年龄的增长呈现上升的趋势.     

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.     

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.     

基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型

应用基于主成分分析的BP神经网络和RBF神经网络建立了气温预测模型.通过比较模型的均方误差(MSE)和平均绝对误差(MAE)值可知,采用主成分分析的BP神经网络得到的预测模型的误差小于主成分分析的RBF神经网络预测模型.结果表明,模型采用主成分分析提取了影响因变量的重要因子,去掉了网络输入样本的自变量之间的重叠因子,同时也提高了预测能力.