组合预测模型在建筑结构寿命预测中的应用研究

着重对BP神经网络模型和组合预测模型进行了介绍,以“误差之平方和最小”作为最优准则,利用组合预测模型对回归模型和BP神经网络模型进行优化,通过对某混凝土结构剩余寿命的实例分析,检验了这些模型的可行性、可靠性。     

基于时序思想BP网络的地铁地表沉降预测

将时间序列分析的思想与BP神经网络模型结合起来,预测了某城市地铁的地表沉降规律,并与时间序列分析、基于反演理论BP神经网络分析的结果进行了比较,结果表明,基于时序思想BP神经网络模型具有很高的精度,能够为地铁沉降变形监测提供参考依据。     

基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

基于灰色组合预测模型的应急项目耗材需求预测方法

大型或者连续型突发事件爆发后,整个应急项目中耗材的合理供给是有效降低财产损失和人员伤亡的关键因素,故深入研究相关的需求预测方法和模型具有重大的理论价值和实际意义。由于突发事件的非同质性与爆发性等特征,导致了应急项目耗材需求数据具备突变性和少样本性,进而导致常用的计量模型和预测方法均无法完全适应。基于此,在结合灰色理论中缓冲算子和灰色GM模型的基础上提出了灰色组合预测模型,缓冲算子解决了突变性问题,灰色组合预测模型解决了贫信息少样本问题,最后通过算例充分说明了组合模型在应急项目耗材预测上的可行性和有效性。     

基于组合人工神经网络的隧道变形预测模型应用研究

根据神经网络的基本原理,提出一种组合神经网络预测模型,并用于预测隧道变形,实际应用效果表明组合神经网络模型适应性更强,预测精度更高,是一种很有应用前景的变形预测手段。     

基于小波神经网络的CPI数据预测计算模型

针对影响CPI经济序列数据预测的各因素之间的非线性问题,探讨利用神经网络的自学习能力和小波变换的局部化性质,采用了MATLAB强大的运算功能,建立了基于小波神经网络的CPI预测模型。对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列,仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果,为CPI数据预测提供了一种计算方法。     

基于BP神经网络的隧道岩爆预测模型研究

在分析岩爆主要影响因素的基础上,建立了基于BP神经网络岩爆预测模型,采用已有岩爆发生数据作为训练样本对网络进行训练,利用收敛的网络进行岩爆烈度预测,预测结果与实际吻合,说明利用人工神经网络预测岩爆发生烈度是一种可行的方法。     

基于小波降噪的深基坑地表沉降预测研究

为有效控制和预测深基坑开挖引起的周围地表沉降变形,以保定市汽车科技产业园深基坑工程为依托,采用MIDAS GTS NX有限元软件对基坑开挖过程进行模拟,并将实际值与模拟值进行对比,验证模型的准确性。对测点DB-1和DB-3采用不同降噪尺度进行降噪处理,选出合适的降噪尺度,以降噪后的测点DB-2监测数据作为径向基神经网络输入矢量,构建基于小波变换的RBF预测模型,以滚动预测方法对基坑测点DB-2沉降进行预测。结果表明：通过对监测数据多尺度分解,分离出监测数据中的真实信号与噪声信号,并对这些高频的噪声信号进行过滤,可以有效地达到降噪的目的;测得W-RBF模型的平均绝对误差为0.279 54、均方根误差为0.324 99、平均相对误差率为8.42%、最大误差为0.186 74 mm,R²为0.983 71,通过对比,均优于RBF模型;经过实际工程验证,经过小波降噪的RBF神经网络模型具有较高的精度,能够满足实际工程的需要。     

基于小波分解的高边坡变形预报

指出小波多分辨分析具有较强的时频分析特性，对含有趋势性、周期性和随机性的非线性变形时间序列进行分解，用不同的模型对各分解项进行预测后叠加，比单纯用某一种模型对变形的预测，精度有较大的提高，对各分解项用时间序列分析模型预测周期性，用多项武拟合趋势性，结果显示，预测效果较好。     

一种新的组合权重在组合预测模型中的应用

为了提高组合预测的精度,提出了一种新的组合权重计算方法,该方法通过将平均绝对百分数误差(MAPE)和最小二乘法相结合来确定组合预测模型的权重值。将这种新的组合权重方法应用到组合模型中,并对湖北省国内生产总值(GDP)进行预测。首先,建立了差分自回归移动平均(ARIMA)模型和指数曲线回归模型;然后,用MAPE和最小二乘法确定组合模型的权系数,在此基础上将两种权系数进行组合,形成组合权重。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.3%。     

组合灰色预测模型在水量预测中的应用

论述了基于灰色预测理论进行水量预测的建模过程,并应用基本灰色预测模型及其改进的残差预测模型、等维新息预测模型和组合预测模型分别对某地水量进行预测,结果表明,用灰色理论预测城市水量,方法简单实用,组合灰色预测模型提高了预测精度,可以作为水量的中长期预测工具。     

改进模型的城市天然气消费量预测研究

城市天然气的安全供应关系到城市经济发展和社会稳定,精准预测城市天然气消费量,对科学施策具有重大实际意义.利用传统灰色GM (1,1)模型和灰色Verhulst模型,以中国2006年～2017年城市天然气消费量为原始数据序列进行拟合预测,结果发现具有非单调摆动发展序列的灰色Verhulst模型比传统灰色GM (1,1)模...     

混凝土碳化灰色预测模型研究

采用灰色系统理论方法,对不同水灰比及粉煤灰掺量混凝土的碳化方程进行灰色建模.分别对不同灰色预测模型进行比较分析,依据预测模型精度变化规律,给出了建立混凝土碳化深度灰色预测模型的基本方法.经实例验证,灰色预测模型针对性好、模拟精度高,并可采纳新信息进行新陈代谢,是一种可行、实用、应用范围广泛的方法.     

基于ANFIS模型的边坡变形预测方法

自适应神经模糊推理系统ANFIS（Adaptive Neuro-Fuzzy Inference System）是进行预测决策的有效方法,文章基于ANFIS模型预测了重庆市狮子滩水力发电总厂狮龙花园B区临岩边坡监测点的沉降,根据已有的观测数据,进行计算预测。预测结果表明,预测值与实际沉降值之间的误差很小,说明此模型可很好地应用于边坡变形沉降的预测。     

基于最大Lyapunov指数的变形预测模式研究

变形危害巨大,变形监测与变形预测则成为必然,由于变形的过程受到地质、水文、地震和人类工程活动等因素的影响,可视为一种具有混沌特征的动力系统。故本文以混沌理论为基础,提出了基于最大Lyapunov指数的变形观测模式,并利用工程实例进行了分析研究。研究表明,变形监测时间序列中的最大Lyapunov指数均大于0,根据混沌理论,可判断变形序列存在混沌现象,同时预测的结果显示,基于混沌时间序列的最大Lyapunov指数法的预测具有较高的精度,故研究成果具有的一定的理论和应用价值,为变形预测提供了新途径。     

建筑物地基沉降的灰色模型GM(1,1)预测法

文章主要运用灰色理论建立基于实际观测数据的沉降预测模型GM(1,1),并通过其与另外2个工程中常用到的模型在同一实际工程的沉降预测值和实际观测结果的比较,证明GM(1,1)模型具有较好的预测结果,可用于工程实践。     

基于概率统计分析的SVM模型在大坝变形预测中的应用

支持向量机对大坝变形进行预测的过程中,需要输入影响因子,如果不对影响因子直接处理,直接将大量的影响因子输入到支持向量机模型(SVM)中,势必会造成数据的冗余,同时,影响因子与影响因子之间存在着关联性,从而造成影响因子输入的重叠效应,另外,在输入影响因子过程中,很难保证影响因子输入的完整性,针对此,本文将概率统计的主成分分析(PPCA)引入到大坝变形影响因子预处理中,利用该模型可实现对缺失数据的提取,并将提取的数据作为SVM模型的输入因子,再利用设定的模型进行数据的拟合及预测,便可获得较为稳定的大坝变形分析结果。     

关于城镇燃气工业负荷的预测方法的研究

阐述城镇燃气工业用户的用气特点,介绍了弹性系数法和比例系数法在负荷预测中的计算方法,并利用这两种方法结合对济南市工业负荷的预测分析,与实际负荷预测做对比分析,得出该两种方法均具有一定准确性,为以后的负荷预测提供了多种方法的论证。     

小波神经网络在软基沉降组合预测中的应用

将小波神经网络组合预测模型引入软土路基沉降预测中。把5组不同形式的s型增长模型单项预测结果作为小波网络的输入向量,将代表相应时刻的实际值作为小波网络的输出,对软基沉降序列进行非线性组合预测。预测结果表明,小波网络组合预测的结果比各单项模型预测的结果都好,与BP神经网络相比,小波网络的收敛速度更快,预测精度更高,模型的泛化能力更强。