基于LMD-Elman神经网络模型的建筑物沉降预测

为提高建筑物沉降变形预测精度,准确掌握建筑物变形趋势,发挥局部均值分解（LMD）算法与Elman神经网络模型在数据处理、数据预测中的优势,提出一种新的LMD-Elman神经网络模型。该组合预测模型有效实现建筑物沉降预测的流程为：(1)通过LMD方法将沉降序列分解为若干的不同尺度具有物理意义的乘积函数;(2)发挥Elman神经网络模型在数据预测中的优势,针对不同分量建立预测模型得到各分量预测值;(3)将各分量预测值重构得到最终预测结果。将组合预测模型应用于实测建筑物沉降数据预测中,结果表明,相较于GM(1.1)模型与单一的Elman神经网络模型,本文提出组合预测模型预测结果与实际监测值具有较高的一致性,预测精度更高。该组合预测模型能够充分发掘建筑物沉降数据本身所蕴含的物理机制与物理规律,提高了建筑物沉降变形的预测精度。     

多子群遗传神经网络模型用于路口短时交通流量预测

作为智能交通系统ITS的基础和关键问题,交通流量预测方法的研究有着重要的意义。为适应交叉路口短时交通流量的实时变化性和非线性性,本文提出将一种多子群遗传神经网络算法（MPGNN）应用于交叉路口短时交通流量预测的方法,结合BP网络对非线性问题良好的求解能力和遗传算法优良的全局寻优能力,并建立遗传算法的多个子种群来搜索BP网络的最佳结构。通过对武汉市珞瑜路、武珞路、珞狮南路、珞狮北路交叉路口的短时交通流量进行预测分析,取得了良好的实验效果。根据预测结果对该路段的交通流量进行重新分配和控制,对缓解珞瑜路和武珞路段高峰时期交通流量的压力具有重要作用。     

支座位移预警的相空间重构与神经网络模型实现

针对桥梁健康监测系统支座位移预警阈值的设置问题,该文采用相空间重构与滑动窗口Elman神经网络预测模型相结合的方法进行研究。以国内某特大跨径拱桥支座位移作为研究对象,选用改进的C-C算法确定嵌入维数和延迟时间,通过对一维时间序列的重构来恢复系统原动力特征。同时,为避免Elman神经网络训练时长过大、不能在线及时更新参数的问题,采用滑动窗口方法对Elman神经网络训练数据进行实时更新,建立基于相空间重构的滑动窗口Elman神经网络预警模型,对支座位移预测均值进行区间估计。实验表明该预警方法能够得到区间型的位移阈值,可以敏感地发现位移的异常变化,实现多级预警,确保桥梁安全。     

基于RNN的空气污染时空预报模型研究

针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。     

SSA-Elman神经网络模型在建筑物沉降预测中的应用

为了提高建筑物沉降变形预测精度,最大限度地减少监测数据中非变形噪声分量对预测结果的影响,本文在Elman神经网络模型的基础上引入奇异谱分析方法,构建新的SSA-Elman神经网络模型。首先利用SSA方法提取沉降监测数据中的趋势分量与周期分量,剔除噪声分量,提高监测数据信噪比;其次通过Elman神经网络模型分别对趋势分量、周期分量进行预测,得到对应分量预测结果;最后重构趋势分量与周期分量预测结果得到最终预测结果。通过实测建筑物沉降数据分别对Elman神经网络模型与SSA-Elman神经网络模型进行建模与预测,结果表明,SSA-Elman神经网络模型的预测精度更高,更适应长周期预测。     

Elman神经网络在GPS高程拟合中的应用

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,将其运用到GPS高程拟合中,通过实例数据比较Elman神经网络与几何解析法、BP神经网络和广义回归神经网络的拟合效果,结果表明该方法拟合效果最佳。     

缺失GPS时间序列的神经网络补全

在GPS时间序列数据补全问题中,针对在空间点位分布稀疏、观测值连续缺失情况下传统补全效果不佳的问题,提出了一种基于深度学习的补全方法。针对时间序列中存在连续大量缺失的情况,设计了基于长短时记忆神经网络的补全模型;使用待补全站时间序列中可用的数据训练模型,合并使用日期数据增强训练效果,使模型学习到隐式蕴含在序列中的时空相关知识,预测序列缺失处的值。用IGS基准站SHAO的1999—2017年有缺失的时间序列进行实验;并与时间序列预测的传统经典方法 Seasonal ARIMA进行了比较。实验结果表明:在待补全站观测值缺失较多时,提出的方法依然可以取得很好的补全效果;在补全较长连续缺失时,无论是在预测精度还是对原始序列形态的模拟上,表现均优于Seasonal ARIMA。     

基于遗传算法的灰色Elman神经网络在深基坑变形中的应用

为保障基坑施工安全,快速发现沉降问题,本文提出一种基于遗传算法的灰色Elman神经网络,利用沉降监测数据预测围护结构沉降.通过计算发现该模型迭代收敛速度较快,25次即能达到0.001的均方误差,可以在较短时间得到预测结果.与其他3种基础模型对比,发现该模型精度较高,在SSE、MRE、MSE 3种精度评价中均处于较高水平...     

全球平均海平面变化LMD-àTrous多尺度分析及预测

针对非线性非平稳的全球平均海平面时间序列分析及预测的问题,对局部均值分解LMD方法和àTrous算法进行了研究,提出了一种时间序列多尺度分析LMD-àTrous方法.利用LMD-àTrous方法处理全球平均海平面的时间序列,并结合自回归AR方法对未来全球平均海平面的变化进行预测.用平均绝对误差和平均绝对百分比误差评价AR、LMD+AR、àTrous+AR和LMD-àTrous+AR预测方法的结果,并用小波方差图描述利用传统AR方法和结合LMD-àTrous方法预测的时间序列的周期特性.实验结果表明,LMD-àTrous方法能够挖掘出数据的物理机制和物理规律,并分解成不同尺度上的特征信息,将含有噪声的项进行自适应小波阈值去噪处理并重构时间序列,能够有效地发掘数据规律并达到其预测的效果,相比于传统的时间序列预测方法具有优越性.     

基于小波分解的差分灰色神经网络-AR模型及其在地铁隧道沉降预测中应用研究

提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。     

混沌特征参数对神经网络预测电离层TEC的影响分析

利用国际GNSS服务组织(IGS)提供的东经115°经线上不同纬度处一年的电离层总电子含量(TEC)时间序列数据,研究了如何进一步提高基于神经网络方法预测电离层TEC的效果。研究表明:电离层TEC的预测误差与电离层TEC时间序列的最大Lyapunov指数与该序列均值的乘积具有较强的相关性;而且与时间延迟和嵌入维数的选择是否恰当也有着密切关系。     

几种神经网络在GPS高程转换中的比较

本文利用GPS高程点数据,通过神经网络拟合的方法获得高程异常值;运用BP神经网络、GRNN神经网络、Elman神经网络三种模型,在matlab下对同一数据实现GPS高程转换,同时对各种方法的精度进行了比较。     

基于ARIMA-BP神经网络的组合模型在地基沉降预测中的应用研究

在归纳时间序列分析法和BP神经网络法两种单一预测模型的基础上,研究了基于ARIMA-BP神经网络的几种不同的组合模型,并结合某地基沉降的实际数据对各种组合模型的预测结果与精度进行了比较分析,得出了相应的结论。     

基于EMD和RBF神经网络的大坝形变预测

利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络,研究大坝变形时间序列中非线性周期信号变化的内在规律,使用西龙池L022号站4000期数据作为训练样本,对后续80期数据进行预测,并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明,N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比,RBF预测效果更好,受数据精度影响较小,MAE、RMSE较BP分别最高可提高63%、57%,且本文方法计算效率高,泛化能力强。     

深度学习在大坝变形预测中的应用研究

大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。     

运用动态谐波回归模型对MODIS叶面积指数时间序列产品的分析与预测

运用动态谐波回归模型(Dynamic Harmonic Regression,DHR)对MODIS的长时间序列的LAI产品进行分析,可以从中分离出LAI随时间变化的多年趋势、季节变化及残差等主要成分,通过建立的模型实现LAI年间变化的短时预测。本文将所述DHR模型分析方法试用于遥感数据产品随时间变化的信息提取,对LAI年间变化的预测结果证明该方法用于遥感像元尺度LAI产品的时间序列分析与预测的效果良好。     

基坑变形小波去噪及PSO-BP神经网络预测模型研究

以地铁站基坑观测数据为例,开展了小波及粒子群优化的BP神经网络预计模型的研究。使用小波阈值去噪方法对实际观测时间序列进行去噪处理,对小波去噪前后的数据进行BP神经网络预测模型预测处理并与粒子群优化的BP神经网络预测模型预测数据进行对比分析,结果表明粒子群优化的BP神经网络预测模型预测精度较高。     

时间序列分析的直播星用户开卡预测

针对同一地区不同时间内直播星电视服务用户的数量变化特征,该文提出了基于时间序列的直播星用户预测方法,并通过ARIMA模型预测用户数量。分析了ARIMA模型的建立方法和评价参数,对时间序列模型ARIMA(p,d,q)的参数进行不同组合的尝试;利用模型评价参数(平稳的R方和正态化的BIC)确定模型的阶数p、q;对模型进行参数检验和显著性检验,根据检验结果确立最终模型为ARIMA(4,2,3);采用宁夏用户数据对模型拟合效果进行验证,进而对未来几个月的用户数量进行预测。结果表明,时间序列模型ARIMA(4,2,3)对宁夏用户数量变化的预测准确度比较高。     

基于EMD方法的组合预测模型在建筑物基坑沉降监测中的应用

为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。     

GM-ARMA-BP组合模型在建筑物沉降预测中的应用

针对建筑物变形监测中的沉降预测问题,本文结合灰色模型、时间序列模型和BP神经网络模型的优点,提出了GM-ARMA-BP组合模型进行沉降预测的方法,有效克服了单一模型稳定性差的缺点,并以某高层建筑沉降观测数据为样本,通过对这几种模型的沉降预测结果进行比较分析,结果表明:GMARMA-BP组合模型预测效果最好,精度较单一模型提高50%以上,并且具有一定的适用性。