共查询到20条相似文献,搜索用时 164 毫秒
1.
2.
3.
4.
5.
基于经验模态分解和遗传支持向量机的多尺度大坝变形预测 总被引:1,自引:0,他引:1
利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。 相似文献
6.
随着各大城市地铁的兴建,各种工程事故相继发生,隧道开挖具有复杂性和特殊性,充分认识和掌握隧道围岩的变形规律,对于避免不必要的工程事故具有重要意义。本文基于隧道围岩施工期的变形监测数据,深入研究了时间序列分析、灰色系统理论和组合模型预测方法。结果表明,MGM(1,3)+AR(3)组合模型不仅能够反映数据序列的发展变化的趋势性,而且还能考虑数据序列随机波动的影响,组合模型拟合与预测的模拟预测精度高。研究成果为隧道围岩施工期和运行期的安全提供可靠依据,并未科学研究和理论计算提供参考。 相似文献
7.
边坡的变形表现出复杂的非线性演化特征,大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础,使用零均值化和标准偏差预处理方法,以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模,利用BP网络对边坡位移非平稳时序进行趋势项提取,使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法,建立了适合岩土体位移预测的神经网络–时间序列分析联合模型,以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明:新模型的预测精度高、实时可靠,可应用于实际工程。 相似文献
8.
边坡非线性位移的神经网络-时间序列分析 总被引:17,自引:1,他引:17
边坡的变形表现出复杂的非线性演化特征,大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础,使用零均值化和标准偏差预处理方法,以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模,利用BP网络对边坡位移非平稳时序进行趋势项提取,使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法,建立了适合岩土体位移预测的神经网络-时间序列分析联合模型,以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明:新模型的预测精度高、实时可靠,可应用于实际工程。 相似文献
9.
10.
针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。 相似文献
11.
为实现长沙房地产业持续健康发展,按照景气循环原理,收集长沙市2002~2014 年房地产市场各项指标数据,建立房地产景气循环评价指标体系。基于扩散指数模型,利用时间序列法测定各指标循环波动值,对长沙市房地产市场先行、同步、滞后景气扩散指数进行综合测度并绘制房地产市场景气循环走势图。根据同步扩散指数曲线与历史数据分析长沙市 2002~2014 年房地产市场运行轨迹,运用先行扩散指数和滞后扩散指数曲线分别对长沙市房地产市场景气情况进行预测和验证。应用该模型能够有效判断长沙房地产景气循环转折点并进行短期未来发展趋势预测,更好地实现房地产市场景气监测,为政府、消费者和房地产开发商三方投资决策提供参考 相似文献
12.
一般在做规划时,对人口的变动及未来的预测是不可缺少的,特别是风景名胜区规划.除回归分析外,时系列分析可以清楚地表达这种倾向线的趋势,现以十渡风景名胜区人口、户数的统计结果作为应用说明的基础数据,详细阐述时系列分析数据的种类和构造,以及诸方法的概念和计算过程. 相似文献
13.
尺度是许多物理现象的内在特性,信号含有不同尺度的物理结构特性,随着信号分析的多尺度的变化引起的相应的信号特征的产生,消失,融合,这就是信号对多分辨率的感知,因而通过对信号的多尺度的分解可以很好的检测信号的特征。通过多尺度分解后建立各细节分量的变形分析模型为:H(ti)=f(ti)+β(ti)+εi,其中f(ti)为趋势部分,利用小波分析进行提取,我们可认为小波分析后低频部分为趋势部分信号,β(ti)为隐含周期性或者异方差性部分,平稳或非平稳随机分量,它包含在高频信号部分。利用正弦周期函数和RBF网络建立β(ti)逼近模型。εi表示随机误差部分。 相似文献
14.
建立了基于时间序列分析方法的建筑能耗预测模型,对上海某办公建筑逐月能耗进行预测.采用CensusX12方法进行季节调整,建立ARMA时序模型,并对季节因子进行温度化处理.模拟结果表明,采用时间序列分析的方法来预测建筑能耗是一种有效方法. 相似文献
15.
健康的区域生态系统能持续提供生态系统服务,是实现城市可持续发展的基础。同时,城市土地利用直接影响区域生态系统的健康状态,因此如何在健康视角下合理规划与协调城市土地利用方式,成为风景园林与城市规划领域的重点研究课题。以北京市为例,基于2007和2017年的土地利用类型,采用CA-Markov模型对2027年自然发展、快速发展、多目标保护和森林建设4种土地利用情景进行预测,统筹生态系统的物理健康与功能健康评价,构建区域生态系统健康评估框架,探讨4种土地利用情景下更健康的城市土地利用规划新方法。结果表明,与2017年健康状态相比,北京市快速发展情景的区域生态系统健康评估结果呈现负值,其他情景下均呈现良好的增长趋势,森林建设情景下增长最为明显。坚持生态优先、绿色发展、集约化发展建设用地和加强森林建设,可大幅提升区域生态系统的健康状态。 相似文献
16.
17.
18.
19.
The European Water Framework Directive recommends investigating trends in groundwater head time series by means of trend analysis in order to assess possible harmful anthropogenic impacts. This approach encounters substantial problems. Usually the Mann-Kendall test is applied which does not consider interactions between trends and auto-correlation in the data. These are very common in groundwater head time series. As a consequence, trend significance has been substantially overestimated. In addition, significance, magnitude and trend sign depend strongly on the selected time span. A functional analysis based on a principal component analysis of groundwater head time series was introduced as an alternative. It yielded very robust results, independent from the selected periods. To determine anthropogenic impacts on groundwater heads, deviations of observed data from the expected behaviour could be investigated. Data requirements and the computational effort of this approach are about the same compared to trend analysis. 相似文献
20.
This paper presents a comparative study on the applications of general regression neural network (GRNN) models and conventional Box–Jenkins time series models to predict the maintenance cost of construction equipment. The comparison is based on the generic time series analysis assumption that time-sequenced observations have serial correlations within the time series and cross correlations with the explanatory time series. Both GRNN and Box–Jenkins time series models can describe the behavior and predict the maintenance costs of different equipment categories and fleets with an acceptable level of accuracy. Forecasting with multivariate GRNN models was improved significantly after incorporating parallel fuel consumption data as an explanatory time series. An accurate forecasting of equipment maintenance cost into the future can facilitate decision support tasks such as equipment budget and resource planning, equipment replacement, and determining the internal rate of charge on equipment use. 相似文献