基于MIC-BBO-SVM的大坝渗流预测模型*

为监控大坝运行过程中的异常状态，准确预测大坝渗流量的变化趋势，采用最大信息系数(MIC)量化渗流量与影响因子之间的相关性大小并从中选取主导因子作为输入变量，通过引入生物地理学优化算法(BBO)并以K折交叉验证意义下的平均均方根误差为损失函数来优化支持向量机(SVM)作为预测模型，以某水电站工程的拦河大坝为例进行模型验证。结果表明:MIC-BBO-SVM模型的拟合优度、均方根误差、平均绝对误差和平均绝对百分比误差分别为0.957 5，0.155 0 m3/h，0.135 6 m3/h，11.51%，预测性能明显优于逐步回归模型、SVM模型和MIC-SVM模型，可为大坝渗流安全监测提供参考与借鉴。     

基于泛平均运算的矿井瓦斯浓度组合预测模型

为有效分析煤矿瓦斯监测数据以实现准确、可靠的瓦斯浓度预测,基于不等权泛平均运算模型,研究瓦斯浓度时间序列组合预测的方法,提出一种新的矿井瓦斯浓度组合预测模型,并证明最优组合预测模型是其特例。采用自回归(AR)模型和径向基函数(RBF)神经网络预测模型作为组合预测模型的单项预测模型;以遗传算法和最小二乘法确定新组合预测模型的参数,实现瓦斯浓度预测单项模型的最优组合。试验分析表明:新模型在平方和误差、平均绝对误差、均方误差、平均绝对百分比误差、均方百分比误差等评价指标上,均取得比自回归模型、径向基函数神经网络模型和最优组合预测模型更低的误差。     

高速铁路列车晚点时间实时预测的神经网络模型

准确地预测高速列车晚点时间对提高高速铁路实时调度指挥水平及运输服务质量有重要意义。以武汉-广州高速铁路(HSR)列车运行实绩数据为基础,建立基于循环神经网络(RNN)的列车晚点预测模型。该模型中,按照列车实际运行顺序输入RNN以利用其反馈机制学习到相邻列车间相互作用关系。基于平均绝对误差(MAE)以及平均绝对百分误差(MAPE)评估模型的预测能力。结果表明:提出的深度学习模型预测精度明显高于人工神经网络、支持向量回归及马尔科夫等已有列车晚点时间预测模型。     

基于时间序列模型的航班运行风险短期预测

针对国内航班运行风险预测技术匮乏的现状,采用移动平均自回归(ARMA)方法,构建航班日运行风险的单变量预测模型;采用向量自回归(VAR)方法,构建航班日运行风险的多变量预测模型;经稳定性检验后,对比2种方法的短期预测效果,发现使用ARMA的单变量预测模型,未来第3天预测精度达到80.76%,可用预测周期为1～3天;而VAR多变量预测模型计算出未来第1天预测精度可高达92%,第7天预测精度仍达到80.64%,适用预测周期为1～7天。结果表明:基于ARMA和VAR的时间序列模型可用于航班运行风险的短期预测,而VAR模型精度更好,更加符合实际需求。     

基于ARIMA和XGBoost组合模型的交通事故预测

近年来交通事故及其损失严重影响社会经济的发展和人民生活的提高,交通事故预测可以为交通事故预防提供数据支持。基于自回归滑动平均(ARIMA)模型和极端梯度提升(XGBoost)模型,构建时间序列组合预测模型,对交通事故相关指标进行趋势预测。根据交通事故的特点,选定"事故起数""受伤人数""死亡人数"及"损失"4个指标。首先,根据自相关、偏自相关图确定ARIMA模型参数,根据AIC(赤池信息准则)值确定最终模型;然后,对4个指标的ARIMA模型预测结果的残差构建残差序列,对其进行XGBoost建模,得出修正后的残差预测值;最后,根据残差预测值和ARIMA模型预测值得出组合模型最终的预测值。实例结果表明,4项指标的混合预测模型的预测精度均优于单一的ARIMA模型和Holt-winters模型,其中以"受伤人数"和"死亡人数"的模型改善效果最为显著,"受伤人数"指标的平均绝对百分比误差降低了5.431 7个百分点,"死亡人数"指标的平均绝对百分比误差降低了3.625 9个百分点。     

基于支持向量回归机的煤层瓦斯含量预测研究

为了对煤层瓦斯含量进行准确预测,应用支持向量回归机(SVR)理论建立煤层瓦斯含量预测模型,结合现场实测数据利用支持向量机(SVM)工具箱进行模型的求解及预测,并从均方根误差、希尔不等系数和平均绝对百分误差3个不同误差指标与人工神经网络预测模型进行比较分析。研究结果表明:SVR模型其预测精度及可行性高于神经网络模型,而且运算快,实时性较好,用于煤层瓦斯含量的预测较理想,具有良好的应用前景,可以为煤矿瓦斯防治提供理论依据。     

关联交叉口交通流模糊变权重组合预测方法

针对单一交通流预测方法存在的局限性和传统交通流组合预测模型中权重不能动态变化的问题,提出一种关联交叉口交通流模糊变权重组合预测方法。先对交叉口交通流的关联性进行分析,并给出关联交叉口的定义;再建立关联交叉口交通流模糊自适应变权重组合预测模型,该模型分别利用Kalman滤波器模型与SVM模型来预测关联交叉口交通流量,然后根据这2个模型预测的误差和交通量的变化趋势,采用模糊逻辑推理方法,对这2个预测模型分别赋予适当的权重。试验结果表明,组合预测模型的最大绝对误差、平均绝对误差和相关系数均明显好于单一的预测方法,分别为9.8%、4.63%和0.99。     

大坝变形GA-LSTM组合预测模型研究

为监测大坝运行过程中的异常状态，防范化解大坝溃坝等重大风险，基于大坝变形大样本、非线性监测数据，引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测，以测试样本的均方根误差最小为适应度函数，采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数，建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析，并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明，GA-LSTM模型的预测效果和性能更佳，且相较于LSTM模型和GRU模型各测点预测误差均有减小，平均绝对误差减小量最高达6.92%。     

基于MRMR-RPK-ELM模型的PM2.5质量浓度预测

为了提高PM2.5质量浓度预测精度,提出一种用最大相关最小冗余算法(MRMR)筛选最优特征值,高斯多项核函数(RPK)优化极限学习机(ELM)的PM2.5质量浓度预测模型.以赣州市为例,选择PM10、O3、SO2、CO、NO2、降水、气压、气温、相对湿度、风速等10个影响因子,PM2.5为目标因子,通过降维处理和核函数特征映射代替随机映射解决PM2.5的高度复杂性.结果表明,MRMR算法选出的影响因子PM10、O3、CO、NO2和相对湿度,不仅考虑目标因子与影响因子的相关性,还考虑影响因子之间的相关性,进而降低了数据维度.MRMR-RPK-ELM模型的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为6.35、9.618、19.89％和0.942,相较于原始的ELM模型,PM2.5质量浓度预测精度有明显提升,拟合程度较高,且具有更好的泛化能力,能准确捕捉PM2.5质量浓度的突变节点.     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。     

冬季高速公路逐时路表温度LSTM预测模型

为提高冬季路表温度的预测精度,提出一种基于多维长短时记忆(LSTM)神经网络的冬季路表温度逐时预测模型,以小时路表温度为模型输出,综合考虑多维气象因素的累积影响和路表温度的周期性,采用滑动窗口构造输入特征矩阵;构建路表温度LSTM逐时预测模型,通过深度学习高效逼近具有复杂非线性和不确定性的路表温度,并以江苏省宁宿徐高速公路、云南省麻昭高速公路为实例进行验证。结果表明：与随机森林(RF)模型和BP神经网络相比,LSTM路表温度逐时预测模型的准确率得到显著提高,在宁宿徐高速、麻昭高速的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别为0.303、0.295、0.543和0.581、0.694、0.833,预测值与观测值绝对误差位于[0, 1)℃之间的占比为93%和89%。LSTM模型能准确捕捉路表温度的周期性和不确定性,在阴雨天和晴朗天的预测值与实测值基本一致,模型鲁棒性较好。     

基于灰色马尔科夫模型的机场安检危险品数量预测

机场安检的危险品数量具有动态、随机、非线性等特点,传统的GM(1,1)模型无法对其作出准确的预测。利用灰色GM(1,1)模型对2014年1—5月所查获的危险品数量进行计算、检验,并对6—8月的危险品数量进行预测。首先建立危险品数量的GM(1,1)模型,然后再对其预测值进行修正,结果表明,灰色马尔科夫模型的平均相对误差比灰色预测模型的平均相对误差减小了25.18%,表明灰色马尔科夫模型比单一的灰色预测模型的精度高,该模型是有效可行的,可为航空公司6—8月将要查获的危险品数量预测提供理论基础,以便引起相关部门的高度重视,并采取相应措施以保障旅客安全。     

基于改进随机森林模型的海底管道腐蚀预测

为提高海底管道腐蚀速率预测精度,建立一种基于改进随机森林的海底管道腐蚀预测模型。首先,采用斯皮尔曼相关系数,分析实海挂片腐蚀数据的相关性,并采用因子分析降维;然后,设定K值为5的K折交叉验证,建立随机森林回归(RFR)模型,并输入降维后的数据;最后,输出模型的交叉验证得分,并对比评价该模型与其他模型的最高得分预测结果。研究结果表明:改进RFR的五折交叉验证输出平均得分值为0.912,高于BP神经网络(BPNN)模型、支持向量回归(SVR)模型2种对比模型;五折交叉验证最高得分预测结果均方根误差(RMSE)、平均绝对误差(MAE)分别为1.441和1.3,均优于对比模型相应值。     

基于AM-LSTM的飞行区航空器滑行轨迹预测与冲突识别

为解决航空器点源定位难以有效预测而引发冲突风险愈来愈多的问题,构建基于注意力机制(AM)和长短期记忆网络(LSTM)的时间序列轨迹预测模型AM-LSTM,预测未来短时间内飞行区航空器的瞬时点源位置;在此基础上,根据航空器型号和滑行航向对其进行轮廓扩展,以航空器速度作为安全距离权重,通过射线法实现轮廓冲突的判定;并以乌鲁木齐地窝堡机场为例进行验证,利用训练完成的轨迹预测模型预测飞行区航空器滑行轨迹,以识别航空器轮廓间的滑行冲突。结果表明：AM-LSTM预测模型能够准确预测飞行区航空器运动轨迹。未来3 s内轨迹位置预测的平均位移误差为1.05 m,轨迹点位置预测精准性可达94.37%,故能在轨迹预测的基础上精确识别滑行冲突风险,有利于保障飞行区的安全运行。     

基于网联车轨迹重构的交通油耗和排放估计方法北大核心CSCD

如何基于有限的轨迹数据对油耗和交通排放进行精准地估计一直是研究的难点和热点,为解决该问题,提出了基于轨迹重构的油耗和排放估计方法。首先,基于跟驰模型,利用网联车(Connected Vehicle,CV)轨迹重构道路上常规车(Regular Vehicle,RV)轨迹。然后,将轨迹重构结果与VT-Micro排放模型相结合,对道路上所有车辆的油耗和排放进行估算。最后,通过数值仿真试验验证模型在不同CV渗透率和交通流密度条件下的可行性和有效性。结果表明:该方法能够实现对油耗和排放的精准估算,且随着CV渗透率和交通流密度的增加,油耗和排放估计的准确性不断提高;当CV渗透率不低于30%,且交通流密度为60 veh/km时,交通油耗估计的平均绝对百分比误差小于2.17%,排放估计的平均绝对百分比误差小于8.66%;当CV渗透率为50%时,在不同交通流密度条件下车辆油耗估计的平均绝对百分比误差小于2.45%,排放估计的平均绝对百分比误差小于13.68%。     

基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测

为提升盐穴储气库注采管柱的内腐蚀速率预测精度，建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征，应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型，并采用SSA对模型参数进行迭代寻优，避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明，经小波KPCA特征提取后得到包含98.73%原信息的3项主成分，SSA-ELM模型的预测结果与实际值基本吻合，其均方根误差(E_RMS)为0.009 3,平均绝对百分比误差(E_MAP)为0.336 0%,决定系数(R²)高达0.991 2,较其他3种对比模型性能更优。研究表明，所建模型具有强泛化性能和高预测精度，能够有效预测盐穴储气库注采管柱的内腐蚀速率，为盐穴储气库注采系统的完整性评价和风险预警...     

建筑工程安全文明施工费预测精度研究

为准确测算建筑工程安全文明施工费,提出案例推理技术(CBR)-最大信息系数(MIC)-随机森林(RF)预测模型方法。通过实地调研61个典型工程样本数据,选择12个安全文明施工费的影响因素作为候选特征变量,采用CBR进行样本相似度检索以构建模型的训练样本集,运用MIC确定关键特征变量输入模型,组合建立3种RF模型(RF、MIC-RF和CBR-MIC-RF),并通过实证分析其预测精度。结果表明：通过样本相似度检索和识别关键特征变量,可显著提高RF模型的预测精度(平均绝对百分比误差(MAPE)为3.35%);模型预测精度随不同等级的相似度阈值呈“U”型变化,设置合适的相似度阈值对提升模型的预测效果至为关键;CBR-MIC-RF模型可获得比支持向量机模型更好的预测性能。     

芳香族硝基化合物爆速的定量构效关系预测

为提高芳香族硝基化合物爆速的预测精度,提出基于定量结构-性质相关性(QSPR)的芳香族硝基化合物爆速的理论预测方法。应用Dragon软件计算21种芳香族硝基化合物的分子描述符,利用遗传-多元线性回归方法(GA-MLR)从大量描述符中筛选出4个与爆速关系最为密切的分子描述符,建立相应的4参数线性理论预测模型,并采用内部和外部验证方式,验证模型的拟合能力、稳健性和预测能力。结果表明:训练集和测试集的平均绝对误差(AAE)分别为0.048和0.208km/s,均方根误差(RMSE)分别为0.058和0.302 km/s,所建模型具有较好的稳健性和预测性能。     

两种预测模型在煤层瓦斯抽采量预测中的对比分析

本文分别采用灰色GM(1,1)预测模型与灰色马尔科夫预测模型对贵州某矿21124工作面运输巷本煤层瓦斯抽采量进行预测,其中灰色GM(1,1)预测模型的绝对误差为13.33%,灰色马尔科夫预测模型的绝对误差为4.22%;利用残差检验法对以上两种预测模型进行精度检验,其中灰色GM(1,1)预测模型的小误差概率为0.25,均方差比值为1.55,马尔科夫预测模型的小误差概率为0.92,均方差比值为0.46,结合预测精度等级划分,看出后者的预测精度级别更高;灰色马尔科夫预测模型更适合数据波动性较大的煤层瓦斯抽采量预测,与灰色预测模型相比,该法具有预测误差更小、预测精度更高、预测规律更符合实际数据的真实变化趋势等优点。     

交通事故时间序列预测模型研究

为提升交通事故时间序列预测精度,建立一个基于相关向量机(RVM)的交通事故时序序列预测模型。结合RVM的建模与求解思想,建立交通事故时间序列预测函数关系式;设计交通时序参数预测模型实现流程,并选取均方根误差(RMSE)、模型训练时间等作为评价指标;以我国交通事故数、万车死亡率、10万人口死亡率为例,验证所建模型的有效性。实例验证表明:所建模型对不同的交通事故时间序列指标预测效果良好,预测精度高于灰色预测、自回归移动平均模型、支持向量机(SVM)等经典模型。