LS-SVM的基坑变形时间序列预测模型

随着建设工程施工的信息化与安全化,基坑的变形预测是基坑设计和施工的重要补充手段。基于bp人工神经网络模型以及时序分析arx自回归各态历经模型,对基坑的沉降变形进行了预测,数据结果表明两种模型均能较好地对未来值进行较真实的预测;从bp模型与arx模型的预测结果均方误差值大小的角度而言,bp模型的预测对于未来趋势的判断比arx模型要更强一些。试验结果说明两种预测模型应用于实际工程的监测预测具有实际意义。

介绍了小波分析与时间序列组合模型的优点,给出了利用该组合方法对建筑物变形监测数据进行分析和预测的思路,并对长江紫都c块1#楼的沉降监测数据进行了分析和预测。结果表明,该方法能有效分析和预测建筑物的沉降变形情况,建筑物各沉降点的累积沉降量均在允许的范围内,随时间的推移,沉降累积量趋于平稳,该建筑物基本稳定。

分析得出原始gm(1,1)模型对应的灰微分方程仅是白化微分方程的梯形积分形式,因此以辛普生求积公式为基础建立了新的灰微分方程,而辛普生求积公式也是一种近似表达形式,因而对新的灰微分方程添加动态扰动项,以弥补灰微分方程与白化微分方程的差别,同时对初始值添加修正项,使其更加符合最小二乘法思想。将改进后的gm(1,1)模型应用到基坑变形预测中,实例应用结果显示,改进的gm(1,1)模型具有较高的预测精度。

灰色预测模型在基坑变形中的应用——基于基坑监测变形值具有一定的灰色特征，利用灰色系统理论建立了基坑监测变形值的等步长与非等步长gm(1，1)预测模型。通过对某基坑桩顶位移变形数据的预测，表明了灰色预测模型在基坑变形监测中具有较好的可行性及可靠性。

改进gm(1，1)模型在基坑变形预测中的应用——分析得出原始gm(1，1)模型对应的灰微分方程仅是白化微分方程的梯形积分形式，因此以辛普生求积公式为基础建立了新的灰微分方程，而辛普生求积公式也是一种近似表达形式，因而对新的灰微分方程添加动态扰动项，以弥补...

灰色加权模型在深基坑变形预测中的应用——深基坑的变形及其预测是工程建设中经常遇到的重要问题，论文对加权灰色模型应用于该领域作了探讨。在进行加权模型理论计算的基础上，以深基坑实际变形监测资料为基础，利用原始模型结果作为比较基础，对加权模型进行了...

gm（1，1）优化模型在基坑变形预测中的应用——基坑边坡系统是一典型的灰色系统。其变形发展过程可用灰色系统理论进行预测。本文在常规全息gm(1，1)模型的基础上，采用等维新息迭代法gm(1，1)模型对郑州太阳城紫荆花园基坑变形进行模拟预测，结果表明了迭代法g...

基于空调负荷预测的优化控制是解决冰蓄冷控制问题的理想途径。本文在分析国际建筑物空调负荷预测竞赛研究成果的基础上指出,利用季节性时间序列模型建模预测精度较高,且工程实施简便,特别适合于空调系统连续运行、负荷波动规律性较强的建筑物负荷预测。本文概要介绍利用季节性时间序列模型进行建模预测的理论和方法,并通过工程实例验证了建模方法的有效性。

结合小波分析在数据处理方面的优势,采用小波包去噪对露天矿边坡沉降数据进行去噪处理,再结合时间序列分析理论建立小波包-时间序列预测模型,从而对露天矿边坡进行变形分析预测。通过实验数据对比分析,结合小波包去噪与时间序列分析理论模型对露天矿边坡沉降数据进行预测,预测精度较高,能够对矿区边坡的沉降进行预测。

利用时间序列和灰色模型理论,针对北方某城市的交通事故统计数据,分别建立了自回归移动平均模型及灰色模型,并对各模型进行了步长为12的预测。通过模型对比发现:2个模型的预测绝对误差分别为23.95%和54.32%,且对于具有季节周期性特点的序列,自回归移动平均模型的预测结果与实际观测值比较吻合,说明自回归移动平均模型比灰色模型更能充分挖掘历史信息以减少预测误差,并反映数据的周期性变化,具有良好的适用性。

以国家体育场(鸟巢)工程的沉降观测数据为基础,论述了采用时间序列模型处理变形数据的原理和方法,并对建筑物的变形趋势进行了分析和预测,为建筑物的安全施工和正常使用提供了保障.

运用小波理论和神经网络理论不同结合方法建立地表变形预测模型。文中先建立了较为普遍的松散型的小波去噪神经网络模型和紧致型的小波神经网络模型,分析了小波去噪和bp神经网络的隐含层节点数选取过程。基于实测数据分析可得:三种模型的预测效果较单一的bp神经网络预测效果更好;基于小波变换的神经网络预测模型的平均绝对百分比误差为0.15,优于另两种模型的预测精度。

根据杭州湾悬浮泥沙浓度的时间序列数据,通过数据预处理、模型识别、定阶、参数估计及适应性检验,建立了一个arima(3,1,2)模型,并对未来杭州湾悬浮泥沙的浓度作了预测.结果表明,arima模型对描述和预测杭州湾悬浮泥沙浓度具有较高的精度.

根据杭州湾悬浮泥沙浓度的时间序列数据,通过数据预处理、模型识别、定阶、参数估计及适应性检验,建立了一个arima(3,1,2)模型,并对未来杭州湾悬浮泥沙的浓度作了预测。结果表明,arima模型对描述和预测杭州湾悬浮泥沙浓度具有较高的精度。

基于灰色bp神经网络组合模型的基坑变形预测研究——为了使得基坑变形预测在“少样本”、“贫信息”的情况下依然能够得出精度较高的结果，在传统的灰色gm(1，1)模型和bp神经网络模型的基础上，进行了灰色bp神经网络组合模型的研究。通过总结2传统模型的原理和算...

本文基坑变形预测共包含了两个过程，即一次非线性预测和二次非线性预测。其中，一次非线性预测是利用多种回归模型对基坑的变形进行回归预测，探讨不同回归模型的预测效果，并选取较优的回归结果进行组合预测；二次非线性预测是利用混沌rbf神经网络对组合预测的搜索误差序列进行二次预测，进一步减少预测误差，提高预测精度。结果表明：本文的预测精度较高，该方法在基坑变形预测中具有较高的有效性和可行性。

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比gm(1,1)预测模型小;与bp预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与bp预测相结合的方法进行预测。

针对gm(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于ls-svm的灰色补偿rbf神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色gm(1,1)模型预测得到的一组结果的残差值,直接获得rbf网络的中心函数训练rbf网络,得到rbf误差补偿器,去补偿gm(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。

自适应gm(1，1)灰色模型在基坑变形预测中的应用——针对基坑变形系统的不确定性及灰色性，结合工程实例，采用自适应gm(1，1)模型对基坑监测数据进行了变形预测，结果表明呆用自适应模型大大提高了长时间段预测精度，预测结果完全满足工程要求，具有较好的实用价...

分析了改进的等维新息灰色预测模型用于深基坑变形预测的合理性。应用深基坑实际变形监测资料,对其预测精度及可行性进行了验证。结果表明,等维新息灰色模型的预测精度较高,模型的预测结果基本上能满足要求。灰色预测模型的预测精度与监测的时间间隔是否固定、数据变化的规律性是否明显有关。当规律明显时预测精度较高,而当监测时间间隔波动大、数据有大的跳跃突变时,预测精度较低。

应用非等间距时间序列的灰色gm(1,1)模型对建筑物的沉降过程进行模拟,工程实例计算结果表明,该模型的预测值与实际测量值吻合较好,为建筑物沉降的预测提供了有效可行的方法。

基于arma模型的隧道位移时间序列分析——在新奥法隧道施工中，隧道位移监测对于评价围岩稳定性和支护结构合理性起重要作用。目前大都采用ar模型对隧道位移进行时间序列分析，避开了非线性估计，致使拟合精度和模型实用性较差。为此，介绍了具有较高预测精度和较...