多元评价体系组合模型在铁路隧道变形预测中的应用
本文关键词: 高速铁路隧道 变形预测 PSO-SVM模型 GA-BP网络模型 ARMA模型 出处:《隧道建设》2017年06期 论文类型:期刊论文
【摘要】:为克服传统预测模型结构单一、预测精度及稳定性不足等缺陷,提出多元体系组合预测模型的建模思路。首先,基于支持向量机、BP神经网络及ARMA模型3种单一预测模型,构建铁路隧道变形预测体系;再以均方根误差、误差平方和及平均绝对误差等为评价准则或指标,构建各预测结果的误差评价体系,求解各单项预测模型的权值贡献指数,得到最优组合权值;然后利用后验差检验、残差检验和关联度检验构建预测精度校验体系,对组合预测结果进行检验,评价预测模型的有效性;最后,结合工程实例,对多元体系组合预测模型在特大断面隧道中的变形预测效果进行检验。结果表明:多元评价体系组合模型预测相对误差值均小于2%,具有较高的预测精度,且较单一预测模型具有更高的预测精度,也一致通过相关检验,验证了多元体系组合预测模型的有效性。
[Abstract]:In order to overcome the shortcomings of the traditional prediction model, such as single structure, poor prediction accuracy and stability, the modeling idea of multi-system combination forecasting model is put forward. Firstly, based on support vector machine (SVM). BP neural network and ARMA model are three kinds of single prediction models to construct railway tunnel deformation prediction system. Then take the root mean square error, the sum of square error and the average absolute error as the evaluation criterion or index, construct the error evaluation system of each prediction result, and solve the weight contribution index of each single prediction model. The optimal combination weight is obtained. Then the prediction accuracy checking system is constructed by using posteriori error test, residual error test and correlation degree test. The combined prediction results are tested and the validity of the prediction model is evaluated. Finally, combined with engineering examples, the deformation prediction effect of multicomponent system combination prediction model in large section tunnel is tested. The results show that the relative error of multivariate evaluation system combination model is less than 2%. It has higher prediction accuracy and higher prediction accuracy than the single prediction model. The validity of the multi-system combination forecasting model is verified by correlation test.
【作者单位】: 陕西铁路工程职业技术学院;
【分类号】:U456.3
【正文快照】: 0引言随着近年我国交通事业的蓬勃发展,特大断面隧道工程不断增加,尤其是在高速客运列车专线中[1]。由于隧道开挖和支护均是复杂的系统,变形机制较为复杂,难以从理论角度对隧道的变形进行准确计算,在特大断面隧道中尤为突出,加之特大断面隧道为高速客运列车专线时,工程的重要
【相似文献】
相关期刊论文 前10条
1 文军;蒋由辉;方文清;;航空货运量的优化组合预测模型[J];计算机工程与应用;2010年15期
2 黄元生;黎特;皮薇;;非平均权重条件下电力负荷组合预测模型研究[J];山东电力高等专科学校学报;2013年03期
3 丁岳维;组合预测模型的研究[J];西安公路交通大学学报;1997年04期
4 朱章;对组合预测模型预测精度的分析[J];黄石高等专科学校学报;1997年01期
5 邢棉;能源发展趋势的非线性优化组合预测模型研究[J];华北电力大学学报;2002年03期
6 陈华友,赵佳宝,刘春林;基于灰色关联度的组合预测模型的性质[J];东南大学学报(自然科学版);2004年01期
7 李眉眉;丁晶;衡彤;覃光华;;电力月负荷的混沌趋势组合模型预测[J];四川电力技术;2006年03期
8 张欣;;组合预测模型在上海内河港口吞吐量预测中的应用[J];水运工程;2007年04期
9 王斌;张金隆;;航线流量组合预测模型研究[J];武汉理工大学学报(信息与管理工程版);2008年03期
10 赵海青,杨秀岐;灰色加法组合预测模型及其应用[J];保定师范专科学校学报;2002年04期
相关会议论文 前10条
1 谢如贤;成盛超;程仕军;陈思华;;变结构组合预测模型的建立与应用[A];全国青年管理科学与系统科学论文集(第2卷)[C];1993年
2 董景荣;;基于遗传辅助设计的汇率组合预测模型研究[A];面向复杂系统的管理理论与信息系统技术学术会议专辑[C];2000年
3 马永开;唐小我;;组合预测模型研究[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集(第4卷)[C];1997年
4 成枢;刘国林;高放;;最优组合预测模型及其在变形预测中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
5 何迎东;吴婉莹;郭u&;陈华友;;基于离消度的组合预测模型及其应用[A];第十届中国不确定系统年会、第十四届中国青年信息与管理学者大会论文集[C];2012年
6 陈华友;程蕾;张倩;;基于相关系数的IOWA算子最优组合预测模型[A];第四届中国不确定系统年会论文集[C];2006年
7 陈华友;;IOWA算子的组合预测模型及在所得税预测中的应用[A];第三届不确定系统年会论文集[C];2005年
8 谢正文;孔凡玉;胡毅夫;;基于熵权的沉降组合预测模型及应用[A];第一届中国水利水电岩土力学与工程学术讨论会论文集(下册)[C];2006年
9 王永光;赵国浩;;变权组合预测模型在中国煤炭需求预测中的应用[A];2007中国可持续发展论坛暨中国可持续发展学术年会论文集(4)[C];2007年
10 王尚俊;吴刚;陈华友;周礼刚;;基于广义10WA算子的组合预测模型及在卷烟消费需求中应用[A];第十一届中国不确定系统年会、第十五届中国青年信息与管理学者大会论文集[C];2013年
相关博士学位论文 前5条
1 赵川;重载交通对高速公路桥梁的疲劳影响研究[D];河北工业大学;2015年
2 于志恒;基于智能理论的交通流量组合预测模型研究[D];东北师范大学;2016年
3 向昌盛;基于支持向量机的时间序列组合预测模型[D];湖南农业大学;2011年
4 万玉成;基于未确知性的预测与决策方法及其应用研究[D];东南大学;2004年
5 南晓强;风电预测技术及其运行分析[D];西南交通大学;2013年
相关硕士学位论文 前10条
1 宋鹤;基于WEB的风电场可视化监测技术研究[D];沈阳理工大学;2015年
2 高兴良;基于逐步回归分析的组合神经网络股指预测研究[D];哈尔滨工业大学;2015年
3 Phanthavong Tulaxay;基于小波-BP神经网络的贝叶斯概率组合预测模型及其在预报调度中的应用[D];华北电力大学;2015年
4 徐晓波;电动汽车充/换电站短期负荷预测方法研究[D];华北电力大学;2015年
5 蒋星;基于趋势点模型的超短期风电功率预测研究[D];广西大学;2015年
6 奚晨;组合预测模型的应用与研究[D];兰州大学;2015年
7 周清平;沪深300指数的组合预测模型研究[D];兰州大学;2015年
8 熊威;顾及多效应的混凝土坝位移联合预报与监控分析[D];南昌大学;2015年
9 李滢;基于灰色理论的车辆轮对踏面磨损预测研究[D];兰州交通大学;2015年
10 吴念;地区电网中长期负荷组合预测模型和方法研究[D];华南理工大学;2012年
,本文编号:1460881
本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/1460881.html