基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息;RBF网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

基于灰关联定权组合模型的基坑变形预测分析

将基坑变形预测分为横向预测与纵向预测,横向预测选用相邻监测对象为影响因素,并建立各影响因素的一元非线性回归模型;纵向预测分别建立回归分析模型、时间序列模型、灰色系统模型、BP网络模型。以单一预测模型与监测对象的关联度为依据,确定了单一预测模型的权重值,建立了灰关联定权组合预测模型。分别运用单一模型与组合模型进行数据预测,并对预测结果进行分析比较,组合预测模型预测结果更为稳定、准确,能较好地反映监测对象的变化趋势。     

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。     

基于变权重组合模型的山东省建筑垃圾产量预测

中国城镇化进程加快,相伴而生的建筑垃圾体量飞速增长,控制建筑垃圾的体量实现生态发展成为关键。本文以2006-2020年山东省的建筑垃圾估算产量为研究对象,分析线性回归模型、灰色模型以及BP神经网络模型三个单项模型的拟合结果,构建了建筑垃圾产量变权重组合预测模型对2021-2025年山东省建筑垃圾产量进行预测。结果表明：该变权重组合预测模型预测精度较高,可以有效预测山东省建筑垃圾产量。该变权重组合预测模型预测精度高,预测结果较为准确。本研究结果可为山东省建筑垃圾整治管理及资源化处理提供思路和参考数据。     

基于XGBoost算法的基础设施项目投资预测模型——以变电站工程为例

实现基础设施项目投资额的准确预测,对于在有限资金约束下实现基础设施高效益投资意义重大。为实现基础设施项目投资的精准预测,本文构建了基于XGBoost算法的基础设施项目投资预测模型。在确定基础设施项目投资预测指标体系的基础上,构建基础设施项目投资数据训练集和测试集,基于XGBoost算法和训练集建立投资预测模型,并采用交叉验证对模型参数进行优化。最后用训练好的模型对测试集进行投资预测。为验证模型的有效性,以国网某省公司的变电站工程数据为样本,对本文模型进行验证,并将模型预测结果与传统线性回归模型和神经网络模型进行对比,预测结果表明,基于XGBoost算法的基础设施项目投资预测模型能够有效地对基础设施项目的投资进行预测,且预测精度明显高于线性回归模型和神经网络模型,预测效果更佳。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于时间序列模型的节假日火灾形势预测与分析

研究节假日火灾发展趋势,可为有关部门制定节假日火灾消防对策,为维持安定和谐的社会和可持续发展提供重要的依据。以春节期间火灾为例,根据中国火灾统计年鉴提供的数据,利用时间序列指数平滑模型、回归分析模型和ARIMA模型分别进行预测,然后根据组合预测分析方法得出有效的火灾预测模型。该方法将三种预测方法结合比原有的单一预测方法预测更为可靠,然后,给出春节期间未来火灾的发展趋势预测值,在一定程度上可以使人们更容易掌握火灾发展的规律进而做出一些必要的准备。     

基于FOA-GRNN的软岩隧道围岩变形预测模型

为解决隧道围岩变形中的非线性问题,实现对软岩隧道变形发展趋势和稳定性的判断,建立了基于果蝇算法改进的广义回归神经网络隧道围岩变形预测模型。利用广义回归神经网络较好的非线性映射能力,对软岩隧道的拱顶沉降和水平收敛进行预测。由于GRNN的预测效果受光滑因子的影响,因此采用果蝇算法对光滑因子进行寻优,改善了GRNN预测模型确定参数时人为因素的影响,有效的提高了模型的预测精度和适用性。以玉磨隧道工程为例,通过对现场监测变形数据的训练,得到了隧道围岩变形预测结果,验证了FOA-GRNN预测模型能高效准确地对隧道围岩变形进行预测,可以为类似的工程提供一种新的途径。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。     

基于LSTM多变种模型的岩爆微震参数预测研究

岩爆是深地工程和深部资源开采中必须要解决的核心问题之一。基于改进的LSTM神经网络,提出了用于时间序列预测的LSTM微震多参数预测模型,包括单变量时序预测模型和多元平行序列预测模型。并以峨汉高速大峡谷隧道微震监测数据对模型进行验证,同时与多项式回归方法结果进行对比分析。结果表明:单变量预测模型中堆叠式LSTM(S-LSTM)的预测精度最高;多变量预测模型中卷积LSTM(CNN-LSTM)对累积视体积和能量指数具有最好的预测效果,且余下几种LSTM模型仍可准确实现各参数演化趋势的预测,其精度均优于多项式回归分析方法。研究可为正确识别岩爆当前活动及未来状态的危险性提供理论支撑,为及时掌握岩爆未来活动状态提供重要依据。     

基于广义回归神经网络的压缩模量预测研究

压缩变形是引起沉降的重要影响因素，其值过大会造成重大地质灾害，压缩模量是其重要指标，预测压缩模量对于预防地质灾害具有重要意义。基于广义回归神经网络的基本原理，以常规土物性指标作为输入向量，以压缩模量(E_S1-2)为输出向量，网络输出结果的最大相对误差和最小相对误差分别为10.73%和0%、均方误差为0.683 1、与真实值吻合度很高，故模型可运用到压缩模量的预测。比较不同光滑因子值下的均方误差，0.9时的均方误差较其他取值小，故在参数设置过程中应该正确选取光滑因子的值。为证明基于广义回归神经网络的预测模型的性能，以均方误差为评价标准与其他算法比较，广义回归神经网络预测模型的均方误差小于其他算法，说明基于广义回归神经网络预测模型性能优于其他算法所构建的预测模型。     

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。     

基于改进BP神经网络的煤与瓦斯突出预测模型

煤与瓦斯突出已成为危害煤矿安全的重大灾难之一,工作人员对瓦斯突出灾难的预防工作已是现在重要的研究项目。目前的瓦斯突出预测工作中,不同程度的有着一些对预测精确度造成影响的因素,如逻辑推理组合效率低等。利用BP神经网络结合瓦斯突出样本建立了一个预测模型,对BP神经网络算法进行了改进,最后根据提供的某煤矿的数据作为样本,利用MATLAB软件对其进行仿真测试,所得到的预测值和实际值拟合程度较高,可以反映出煤与瓦斯突出的真实情况。     

公路隧道滞留人员密度和疏散时间预测研究

为研究公路隧道突发火灾事故下滞留人员的密度与疏散时间,结合火灾应急响应时间与处置要求,引入交通波传播理论,考虑交通流状态、人员组成、车辆组成等因素,提出滞留人员密度计算方法,并以人员密度、大巴车疏散时间等为参数,构建人员疏散时间预测模型,分析不同交通流条件下的疏散时间,通过实例计算与数值仿真,验证了模型的有效性。结果表明：基于交通波理论提出的滞留人员密度计算方法,能准确地计算出隧道突发火灾事故后的人员密度分布,符合真实场景中的非均匀分布特征;采用人员疏散时间预测模型,能快速预测公路隧道人员疏散所需时间,预测结果与仿真结果基本一致。     

地铁车站施工过程中地表沉降的NARXNN时间序列预测模型

准确预测地铁车站开挖过程中的地表沉降已成为城市地下工程风险控制的重点和难点。针对传统时间序列预测模型预测时的单一线性和忽略施工因素影响的静态局限性,提出了带外部输入的非线性自回归神经网络(NARXNN)时间序列预测模型。该模型本身具有延迟单元和反馈结构,且通过引入施工影响因子作为外部输入的一部分,可以非线性动态地考虑地铁车站施工过程。运用NARXNN时间序列预测模型对北京地铁六号线北海北站开挖过程的地表沉降进行预测,结果表明:(1)与传统的ARMA时间序列预测模型相比,NARXNN时间序列预测模型适应性更好、准确性更高;(2)通过引入施工影响因子,NARXNN时间序列预测模型能够准确预测沉降历时曲线突变点处的变化趋势;(3)可以通过引入多组施工影响因子或优化施工影响因子的取值方法来进一步提高NARXNN时间序列预测模型的预测精度。     

基于熵值法的轨道状态组合预测模型

根据轨道不平顺的变化发展特征,在灰色预测与回归分析预测的基础上,利用熵值法,计算组合预测加权平均系数,建立了轨道状态组合预测模型,解决了原始数据出现异常而影响预测结果的问题。     

灰色理论在桥梁裂缝预测中的应用

在无法准确确定影响裂缝宽度发育因素的情况下,根据已经掌握的有限个裂缝宽度数据,文章采用灰色理论建立GM预测模型,利用MATLAB进行模型程序化,实现了对裂缝成长数据以及后续发育趋势的预测,并与实际监测数据对比得出预测模型的准确度达到要求。     

复杂地质条件下的隧道大变形组合预测研究

隧道大变形是隧道工程中的常见病害之一,严重威胁施工安全及工程进度,对其研究具有重要意义。以BP神经网络和支持向量机为基础,利用遗传算法和粒子群算法优化其结构参数,以实现单项预测模型优化,再构建线性组合模型和非线性组合模型,实现了隧道大变形的组合预测。实例分析表明:组合预测模型较单项预测模型具有更高的预测精度和稳定性,且以BP神经网络权值法的组合效果最优。通过研究,为大变形防治及变形规律评价提供了借鉴和参考,具有一定的实用价值。     

一种基于决策树和遗传算法-BP神经网络的组合预测模型

设计了基于决策树和GA-BPNN(遗传算法-BP神经网络)组合预测模型,通过决策树分类贡献优先特征选择方法解决了BP神经网络的输入参数难选取的问题;利用改进遗传算法的全局择优能力,解决了BP神经网络由于随机选取初始权值导致易陷入局部极小值的缺陷。实验证明,组合预测模型能自学习专家经验,准确地对职业能力进行智能预测。