最优沉降组合预测模型及应用

沉降预测在公路工程建设中具有重要的意义.利用实测沉降资料进行路堤沉降预测的常用模型,可以较好地反映其沉降变化发展规律及发展趋势,但尚存在一定的局限性,为了尽多的利用全部的有用信息,利用"组合预测"的思想,提出一种采用多种常用预测模型进行组合的预测方法,从而可根据有限的实测数据达到预测路基沉降的目的.组合预测法的关键是确定组合的权重,在讨论传统组合预测方法基础上,引入熵值法计算权重,工程实例表明,熵权法较其他权重计算方法精度更高,有明显的优越性.     

基于组合模型的矿山设备产量预测研究

鉴于矿山设备产量具有灰色和不确定性的特征，本文利用矿山设备产量的历史数据，建立了基于灰色和BP神经网络的组合预测模型。组合预测模型中各单一模型的权系数通过熵值法确定，克服了传统权系数确定方法的主观性，使得组合预测方法更具客观性最后，实例验证了所构建的组合模型较传统的单一预测模型有良好的预测效果。     

基于环境特性网的负荷组合预测

在分析煤矿井下电力负荷特性的基础上选取单项预测模型,提出一种基于组合系数诱导IOWA算子的组合预测方法。该方法应用Dempster合成法则筛选精度较优的单项模型预测值替代历史数据,克服实际预测期数据未知的缺陷;基于发展相关性指标和精度指标构造递阶层次结构,运用熵权法求取两项模型评价指标的组合权重,求出组合系数;在预测过程中引入等维信息概念,使预测结果能够更合理地反映负荷发展规律。预测结果表明,基于组合系数诱导IOWA算子的模型适用于预测井下负荷,并能提高预测精度。     

基于IOWA算子的矿区地表沉降预测组合模型研究

针对传统的加权组合预测模型赋权过程中的缺陷,分析了诱导有序加权平均算子(IOWA)的特点,建立了一种基于诱导有序加权平均算子的GM(1,1)-Verhulst组合预测模型。结合某矿山沉降实测数据进行基于IOWA算子的组合预测,结果表明基于IOWA算子的组合预测模型预测中误差优于传统的加权几何平均组合模型,更优于单项模型预测精度,预测结果能够很好地反映其沉降趋势。     

基于组合预测方法的煤矿开采沉陷预计模型研究

文中以目前使用较为广泛的灰色系统和BP神经网络预计方法对中国神华集团榆家梁煤矿52406工作面地表沉陷进行了预测,同时建立灰色系统与BP神经网络的等权组合预测模型进行沉陷预计,并与单独的模型预测进行对比分析。结果表明:等权组合预测模型精度较高,在开采沉陷预计中具有较好的研究意义和应用价值。     

基于SVR组合模型的边坡位移预测研究

为解决传统支持向量机预测模型的不足,造成矿山边坡位移预测精度低的问题。提出了一种基于自适应惯性权重PSO算法的支持向量回归机(SVR)组合预测模型。将其运用到某矿边坡滑坡位移预测中,并与基于灰色预测模型、基于传统SVR预测模型预测结果对比,结果表明:基于SVR组合预测模型的矿山边坡位移预测的精度更具优势。     

MMF-Weibull组合模型在采空区地表沉降预测中的应用

采空区地表沉降预测是开采沉陷灾害预防和控制的重要依据,由于地质条件的复杂性和开采过程中存在的多种不确定性因素的影响,造成单一预测模型在预测精度和可靠性方面受到很大限制,不能全面考虑采空塌陷时变性和偶然性。在系统分析开采沉陷地表变形规律的基础上,以误差平方和最小为基本原则,建立了基于MMF时间函数和Weibull时间函数的组合预测模型。工程实例分析表明:组合模型可以有效降低不同地质及采矿条件对地表沉降预测精度的影响,与单一模型相比预测精度更高,结果更为合理、可靠。该方法具有广泛的适用性和工程应用价值。     

顾及数据新鲜度函数Knothe的开采沉陷最优组合预测模型及应用

针对传统组合预测模型对开采沉陷动态预测适应性差、组合权求解未顾及实测数据新鲜度的影响且求解效率低的缺点,通过实测分析和理论建模方式,研究了顾及数据新鲜度的开采沉陷组合预测模型,依据稳定性好、预测精度高、互补性好原则,该组合模型选取了GM(1,1)、三次指数平滑法、AR三元单体模型,引入顾及开采沉陷数据新鲜度的Knothe函数,基于误差平方和最小准则,构建了顾及数据新鲜度函数Knothe的开采沉陷最优组合预测模型,并提出了模型组合权求解的GA-NP算法(遗传算法-非线性规划算法)。工程应用表明,建立的新鲜度最优组合预测比未顾及观测值新鲜度的最优组合预测模型、方差倒数法组合预测模型、等权组合预测模型以及各单一预测模型,在精度、可靠性方面具有明显的优势。     

基于灰色神经网络组合模型的煤矿能耗预测研究

针对传统煤矿电能消耗预测模型可靠性和精度低等问题,提出了一种基于灰色神经网络组合模型的煤矿能耗预测方法,该方法将灰色预测模型和BP神经网络有效组合,充分利用2个模型的优点。首先介绍了灰色预测模型和神经网络预测模型的基本原理;其次根据煤矿能耗预测的数据特性,将灰色预测和神经网络预测进行组合,得到一种灰色神经网路组合预测模型;最后,通过仿真验证了所提方法的可行性和有效性,为煤矿能耗预测提供了新的理论依据。     

基于多模型预测结果的变形监测预测研究

实现准确变形预测是变形监测的一个重要目的。在基于多模型预测结果的基础上,进而采用求加权平均值的方法构建综合预测模型,并利用粗糙集理论确定相应预测模型在综合预测模型中的权系数,据此则可得出较为准确的预测结果。     

提升路基沉降预测能力的方法

由于沉降复杂的随机动态变化过程,数学模型在沉降预测中的可靠性和预测能力总是受到限制。为了提升数学模型的预测能力,利用黄土地区某高速铁路的路基沉降监测数据,采用不同步长的3次指数平滑法模型,采用交叉验证法和后验精度分析法,对模型的拟合精度和预测精度进行比较验证,获得可靠的最优预测模型;然后,采用平行修正预测法对模型的预测结果进行修正预测,提升模型的预测能力。结果表明,采用交叉验证法和后验精度分析法可获得最优的预测模型,平行修正预测法不但提高模型的预测精度,还增加了预测长度,提升了综合预测能力。该方法原理简单,操作容易,适应性强,也可以应用到其它数学模型中。     

组合模型在江苏能源消费预测中的应用

鉴于能源消费系统的复杂性及非线性的特征,先利用江苏省能源消费量的历史数据,分别采用灰色预测模型和非线性模型预测了江苏省2004-2015年的能源消耗量,并对单项模型的优缺点进行了比较分析。然后,采用最小化方差的办法进行权重分配,建立了江苏省未来能源消费量的组合预测模型,并应用该模型对江苏省2004-2015年的能源消费量又进行了预测。结果表明,与单项预测模型相比,组合模型的预测精度高,预测结果更加可靠。     

煤矿系统安全预测模型与组合预测

为了解煤矿安全预测本质，正确有效地预测煤矿系统的安全状况，基于目前煤矿安全研究现状和手段，从煤矿系统安全预测的内在规律性、有效时间长度及有效性等方面进行了多角度研究，总结出煤矿系统安全预测的本质特征，并研究了安全预测的建模过程.在此基础上，提出了提高预测质量的方法，阐述了组合预测法，最后结合实例，建立了煤矿系统安全预测系统.研究结果表明，采用灰色预测法与自回归法相结合的组合预测模型、自回归法与BP神经网络相结合的非线性组合预测模型均有较高的精度，且非线性组合要好于线性组合.非线性组合预测模型克服了单一预测模型的缺点，解决了由于系统状态安全指标数量随机变动而造成的预测困难.     

煤炭需求预测模型分析

基于最小二乘曲线拟合、灰色预测和最优组合模型,提出了全国煤炭需求量的预测模型,并利用各模型预测了全国2009-2013年的煤炭需求量。最后,对3种模型的预测结果作了分析,得出结论:最优组合预测模型从总体上起到了提高预测精度的作用,用此方法进行预测是有效的,预测的结果是可信的。     

多元非线性瓦斯涌出量组合预测方法

针对现有的一元线性单项预测方法信息源局限性和建模形式敏感性的缺陷,通过引入诱导有序加权几何平均(IOWGA)算子构建多元非线性瓦斯涌出量组合预测模型。工程实例表明:该预测模型具有预测精度高,数据可信度好,预测效果理想等优点,可应用于煤矿安全生产预测。     

基于GRA的优选组合技术在中长期负荷预测中的应用

提出基于灰色关联(GRA)的优选组合预测模型,该模型组合各单独模型的预测信息,能够有效的提高预测精度。优选组合预测技术关键在于求出各种预测方法的权值系数,文章引入灰色关联(GRA)方法来确定不同预测模型的权值问题。将预测问题系统看作一个特定系统,根据原始数据相应计算不同模型的灰色关联系数,作为该模型对应的权值,进而得到组合预测结果。预测结果表明组合该预测模型精度较好。     

灰色神经网络组合模型在变形监测数据分析中的应用

针对基坑变形预测中数据的灰色性和非线性的特点,提出用灰色神经网络组合模型预测基坑变形的新方法.该文将灰色模型与神经网络模型并联构成组合预测模型,融合二者的优点,并结合实例,将灰色模型、神经网络模型和灰色神经网络组合模型的预测结果进行对比分析.结果表明:灰色神经网络组合模型的预测结果更精确,对变形监测的生产实践具有一定的参考意义.     

动态灰色预测模型在崩落法矿山地表沉降预测中的应用

针对灰色预测模型GM(1,1)更适用于短期预测的问题,以其为基础采用等维新息和等维灰数递补两种动态灰色预测方法对矿山地表的沉降量进行了中长期预测研究。探讨了等维新息模型和等维灰数递补模型预测的实现机理,对不同模型的预测结果和精度进行了比较研究。研究发现等维新息模型可以利用新息调整灰色模型,等维灰数递补模型可以利用灰度约束灰平面的大小,两者相结合能够提高模型的预测精度。工程实践表明:将等维新息模型和等维灰数递补模型结合运用,适用于中长期的沉降预测,能够获得更为合理和精确的预测结果。