PSO-LSSVM模型的基坑变形时间序列预测

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,构造滚动时间窗,以已有的实测时间序列为样本,利用最小二乘支持向量机(ls-svm)建立基坑预测模型,应用网格搜索算法优化模型参数,连续滚动地多步预测基坑变形。实例结果表明,该模型预测效果优于bp神经网络,具有所需数据少、推广能力强等优点。

岩土工程受力变形演化是一个典型的非线性问题,其演化的高度非线性和复杂性,很难用简单的力学、数学模型描述,但可用粒子群优化径向基神经网络对岩土工程应力、位移非线性时间序列进行动态实时预测。网络径向基层的单元数通过均值聚类法确定后,所有其它参数:中心位置、形状参数、网络权值,均通过粒子群优化算法在全局空间优化确定。工程实例应用表明,该模型预测结果准确、精度高,有良好的应用前景。

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。

针对建筑施工事故原始样本少、随机波动大和预测难度大等特点,对建筑施工事故小样本预测问题展开研究。采用lssvm对建筑施工事故进行回归建模,发挥粒子群算法计算速度快和具有较强全局搜索能力的优点,基于pso对lssvm参数进行优化；以相关文献建筑施工事故为预测案例,运用所提方法进行仿真实验。结果表明:采用pso-lssvm预测方法的绝对误差(mape)为2.99%,并且每年的预测相对误差都低于5%,远低于现有研究方法得出的结果,说明所提方法具有预测精度高、泛化能力强的特点,能满足工程应用要求。

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。

为了快速准确的预测基坑开挖对周围建筑物沉降的影响,本文提出一种结合多智能体粒子寻求lssvm(最小二乘支持向量机)模型参数的算法,提高了lssvm算法的预测精度.采用该算法对昆明市某基坑开挖过程中周围建筑物的沉降进行预测,并与其他预测方法进行对比,结果表明该算法具有收敛速度快、预测精度高等特点.

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...

为提高大型公共建筑能耗的预测精度,提出一种基于灰色模型和最小二乘向量机方法(gm-lssvm)的办公能耗预测模型.该方法结合灰色建模计算简单的特点,以及最小二乘支持向量机非线性拟合能力和泛化能力强的优势,充分发掘样本数据的规律,并以粒子群优化算法进行模型参数选择.根据福州某大型公共建筑能耗数据,通过本研究提出的方法建立预测模型,并与神经网络模型以及最小二乘支持向量机模型的预测结果进行比较,验证了该方法具备较高的预测精度和较强的泛化能力.

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.

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了rbf神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于pso-rbf的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于pso-rbf的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。

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.

介绍了支持向量机回归原理,建立了某高层建筑变形的时间序列预测模型,并采用网格搜索法对模型参数进行选择,保证模型的泛化能力。实验结果证明,和bp神经网络相比,支持向量机有更好的预测精度。

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。

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...