路基沉降的组合模型预测研究

基于路基沉降具有趋势性变化和随机变化的特点，建立了一个组合模型，采用Gompertz增长模型预测沉降的趋势项部分，AR模型预测沉降的随机项部分，二者之和作为总的沉降预测值，通过实例计算表明，组合预测模型能提高路基沉降量的短期预测精度，具有一定的应用价值。     

灰色组合模型在变形预测中的应用

变形预测方法有很多种,为了提高预测精度,采用组合模型预测已经成为一种趋势,因为组合模型能够利用单一模型舍弃的有用信息。本文用单一灰色模型、灰色-时间序列组合模型与灰色-线性回归组合模型三种种方法进行了预测及对比,从预测效果可以看出在短期预测内三种模型都能有相当好的预测精度,而灰色-时序组合模型预测精度略高。     

西安市天然气冬季短期负荷预测研究

通过验证西安市冬季天然气门站小时流量时间序列的混沌特性,利用改进的混沌时间序列负荷预测方法,进行了小时流量短期预测。冬季天然气门站流量时间序列可以分解为周期与混沌两种子模型的线性叠加,针对混沌子模型引入加权一阶局域法进行混沌短期负荷预测,提高了总负荷预测精度。     

支持向量机对桥梁监测信息的预测

针对桥梁结构健康监测中长期累积的海量监测数据,利用相空间重构技术对监测信息时间序列进行重构,通过支持向量机(Support Vector Machine,SVM)方法对重构后相空间中的相点进行回归,建立时间序列过去行为的有关模式,进而推断其未来发展趋势,从而为桥梁结构的在线安全预警打下基础。采用该技术对重庆市偏岩子大桥的应变、倾斜度监测变量进行预测,并与自回归移动平均(Auto Regression Moving Average,ARMA)模型的预测结果对比分析。实验结果表明:1对于桥梁监测数据,SVM的预测精度优于ARMA模型;2随着预测步数的增加,ARMA预测精度急剧下降,ARMA仅适用于短期预测,而SVM能预测的时间段更长;3SVM预测所需的建模样本量更小,预测效率更高。     

基于混沌SVM与ARIMA的工程造价组合预测

为了解决工程造价预测的时效性问题,针对传统线性时间序列预测模型可靠性不高的缺点,引入混沌相空间重构和支持向量机技术,并将两者耦合组成一种非线性预测模型,再利用ARIMA在整体线性趋势预测方面的优越性,对非线性模型进行修正。混沌SVM和ARIMA预测构成组合模型的两个子过程,将两个子过程的预测结果综合平均即可得到最终预测结果。经实例计算,组合模型比最大Lyapunov指数、ARIMA和只将相空间重构与SVM进行耦合的方法拟合效果好,预测精度高,证明其的确具有线性趋势拟合和非线性波动拟合的双优势。     

盾构隧道地面长期沉降的时间序列预测

基于实测数据，应用时间序列分析方法对盾构隧道施工引起的隧道轴线上方地面长期沉降进行预测。采用Excel软件进行操作，引入时间序列分析中的最小二乘回归分析方法，以提高预测精度。6个算例分析结果表明：该方法预测结果与实测值较吻合，且能反映出地面长期沉降曲线的不规则性，优于数学模型方法；如短期预测精度有保证，可以预测较长时间的数值，并且具有较高的精度。该方法需要利用的实测数据较少，且操作非常简单，具有较强的实用性。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

ARMA模型在商业建筑群能耗预测中的应用

建立了基于时间序列分析方法的建筑能耗预测模型,对广州市区的商业建筑逐月总能耗进行预测。模拟结果显示,ARMA模型能够较好地拟合及预测能耗值,模型预测结果与实际值比较吻合,ARMA模型在短期建筑能耗预测中是一种精度较高的方法。     

基于模型校准的建筑冷负荷短期预测模型人工内扰特征变量获取方法

准确的短期建筑冷负荷预测对于建筑供能系统的运行优化具有重要意义。数据驱动模型因在挖掘建筑实际负荷特性、提高预测精度方面具有较大的优势而得到广泛应用。然而，内扰特征变量的缺失严重影响着数据驱动负荷预测模型的预测效果。为此，本文提出了一种利用模型校准技术从冷负荷时间序列中反向挖掘内扰相关数据信息的方法。案例研究结果表明，利用该方法获得的人工内扰特征变量数据对使用人工神经网络模型的短期建筑冷负荷预测效果的提升具有显著作用。相比于完全缺失内扰特征变量的预测模型，预测误差可降低11.46%,相比于使用日历信息作为内扰特征变量的预测模型，预测误差可降低6.51%。     

神经网络组合预测法在软基沉降预测中的应用

通过引入神经网络组合预测模型,对软基沉降序列进行了非线性组合预测。预测结果表明,神经网络组合预测的结果比各单项模型预测的结果都好,提高了软基沉降的预测精度,可进一步推广应用。     

高速公路路基工后沉降新型组合推算方法

为提高路基工后沉降预测精度,引入组合预测的理念,基于沉降实测曲线不同阶段变化规律分析,通过调整权重将几种推算模型有效组合在一起预测工后沉降,实践证明该方法可操作性强,有效的提高了预测精度。     

基于LSSVM-ARMA模型的高层建筑地基变形时间序列预测

由于建筑物沉降受多种因素的影响和制约,其变化规律很难用一个显式的数学公式予以正确表达。本文基于时间序列预测法,结合小波变换、粒子群优化的最小二乘支持向量机和自回归移动平均模型建立了联合的预测方法和模型。将沉降变形时间序列通过小波分解和重构为趋势时间序列、随机时间序列。分别对趋势时间序列和随机时间序列采取滚动预测,最后将两个序列预测结果叠加即为最终预测结果。通过算例分析表明,该方法用于建筑物沉降与倾斜预测是可行的。     

最优组合预测模型在高填方体沉降中的应用研究

针对Logistic和Gompertz路堤沉降预测模型对于高填方土体后期沉降量预测精度较差的问题,该文基于Logistic和Gompertz预测模型的共性和个性,在充分考虑二者各自优势和特定局限性的基础上,对二者进行了最优化组合。以组合模型的最小对数误差平方和为目标函数求解最优加权系数,进而推导出最优加权几何平均组合预测模型,以提高高填方土体沉降预测精度的置信度。通过各预测模型对实际高填方土体工程的实测沉降数据进行拟合分析,验证最优组合预测模型在高填方土体沉降预测中的可行性。结果表明：最优组合预测模型的精度及可靠性均优于任一单一模型,适应性更强,尤其当监测时间超过曲线拐点后,几乎接近实测值。组合预测模型能够适用于多个模型优化组合,可涵盖各单一模型的优劣势,只要在权重比不出现负值的情况下,可大幅度的提高沉降预测精度。因而此组合预测模型可作为高填方土体后期沉降预测的一种有效方法。     

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。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

几种黄土高填方路堤沉降预测模型的对比研究

以山西省太原市太行路工程阎家峰路段填方路堤为依托,采用分层沉降仪观测填方路堤沉降,对黄土地区高填方路堤沉降规律进行研究。根据沉降实测数据,分别建立了泊松、双曲线、乘幂、指数和对数5种预测模型,并将5种模型的预测值与实测值进行比较。结果表明,5种模型均对短期沉降实测数据拟合程度较高,且泊松模型和指数模型的预测精度较高,但对于长期沉降预测均存在缺陷。在此基础上,建立了泊松和指数模型的组合模型,能够较好地预测长期沉降。由此得出本路堤工后沉降在接近2年的时间内基本完成。     

高填方路堤沉降模型现场试验

通过单点沉降现场实测数据对软土地区兰永一级公路高填方路堤沉降规律进行分析,建立了指数模型、乘幂模型、双曲线模型、对数模型4种沉降预测模型,并将这4种模型的预测值和实测值进行对比,在此基础上,利用最小二乘法建立了指数与双曲线模型的组合模型。结果表明:4种模型中指数模型和双曲线模型的预测精度相对较高,利用指数与双曲线组合模型得到的预测曲线与实测曲线吻合良好,使误差平方和减小到22.789 mm²,能够满足工程要求;高填方路堤工后沉降在730 d左右的时间内基本完成,预测最终沉降量为60.44 mm。     

基于组合预测模型的地铁车站地表沉降研究

为有效获取地铁车站地表沉降动态演化规律,实现地铁车站地表沉降变形特征的高精度预测。研究基于指数模型、Logistic模型和Gompertz模型的预测结果,利用熵权法获得各单一预测模型的客观权重值,进一步构建得到了组合预测模型。在此基础上,结合安徽合肥地铁车站7号线实际监测数据,利用各预测模型对地铁车站地表沉降变形特征进行预测分析。研究结果表明：指数模型在沉降初期具有较好的预测精度,但并不能有效实现沉降特征的中长期高精度预测,Logistic模型和Gompertz模型在沉降初期具有较低的预测精度,但在沉降中后期预测精度有所提升;通过对比分析各单一预测模型和组合预测模型的预测结果可知,组合预测模型可有效结合各单一预测模型的优势,组合预测模型预测精度更高,最终预测结果与实际情况更为接近,可为实现地铁车站地表沉降特征的高精度预测提供一种有效技术手段。     

自然正交函数和均生函数在綦江流域年最大洪水展望的应用探讨

水文中长期预测由于时间长,预测的精度不及短期预报高,但要求总的趋势报得准,并能作长时期的多步预测。在长期预测中一个流域内不同测站同一水文要素随时间变化的问题,要涉及多维时间序列的概念。但要建立一个多维时间序列的模型相当复杂,本文讨论应用自然正交函数把一个n维的时间序列转化为n个一维时间序列来处理。即利用不同测站同一水文要素的实测资料相关系数阵进行正交分解,把水文要素分解为时间部分和空间部分处理。对分解后的序列构建均生函数及其延拓系列,通过均生函数系列的周期延拓进行中长期预测展望。     

深基坑墙顶水平变形的灰色-时序动态预测

深基坑墙顶水平变形是一个动态的相互依存的过程。在基坑开挖与施工过程中 ,根据变形观测数据用灰色系统理论与时间序列分析方法建立等维新息动态预测预报模型 ,并随着新数据的加入适时修改模型参数。该模型不要求考虑复杂的变形影响因素。工程实例研究表明 :用组合模型预测变形值 ,其误差大多数情况下小于 5 % ;在变形数据变化较大时 ,组合模型预测值明显优于单一模型预测值。在变形变化平稳时 ,用单一的灰色模型或灰色时间序列组合模型预测误差相差不大。预测步数越多 ,则预测精度越低。