基于ARIMA与IGWO-SVM优化模型的高铁沉降变形预测研究与应用
发布时间：2021-07-28 21:06
高速铁路近些年来已经成为我国主要的运输方式,飞速时代下的高速铁路要保障列车运行的安全性、平稳性和舒适度,实质是对线下工程工后沉降的一种严苛考验。路基作为铁路工程的重要构成部分,对其进行沉降预测成为控制铁路安全的关键环节。目前在铁路工程中应用较为广泛的沉降预测方法有Asaoka法、三点法和双曲线法等,而高速铁路采用的无砟轨道所具备的“高平顺”性导致了路基变形数据呈现非线性特征和“小量级、大波动”的敏感性,高铁变形预测已演变成一个非线性的复杂动态系统,利用单个传统的预测方法很难有效地分析沉降系统的变动趋势。针对这一问题,本文从常用的、针对高速铁路沉降曲线特征的预测模型出发,为了对变形领域内的数据进行更全面的分析,引入数据预处理与残差修正组合模型的概念,探究了基于小波分析与时间序列分析的相空间重构IGWO-SVM变形预测组合模型在高速铁路变形数据上的适用性。本文结合高铁路基沉降数据的非线性波动机理特点,总结了现今常用的变形预测方法及研究进展,阐述了相空间重构技术、小波分析、时间序列分析和支持向量机理论基础以及各模型的参数选取依据。其次针对含噪随机序列应用一维离散小波进行消噪处理;利用能根据被...
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
灰狼种群等级制度示意图
图 3.2 二维空间向量示意图CXXDCXXDCX .;.;.123 1 2 2 3 A . D ; X X A . D ; X X A
去噪后序列相关性的分析与单位根检验
【参考文献】：
期刊论文
[1]贵广高铁无砟轨道机械化施工技术研究[J]. 张雷. 铁道建筑技术. 2017(11)
[2]基于相空间重构的GA-SVR组合模型边坡位移预测研究[J]. 刘小生,秦志强. 大地测量与地球动力学. 2017(10)
[3]基于小波Mallat算法和BP神经网络的空气质量指数预测的研究[J]. 高鹏,周松林. 池州学院学报. 2017(03)
[4]改进灰狼算法在土壤墒情监测预测系统中的应用[J]. 李宁,李刚,邓中亮. 计算机应用. 2017(04)
[5]基于灰狼优化算法的多机电力系统稳定器参数最优设计[J]. 左剑,张程稳,肖逸,李银红,段献忠. 电网技术. 2017(09)
[6]具有自适应搜索策略的灰狼优化算法[J]. 魏政磊,赵辉,韩邦杰,孙楚,李牧东. 计算机科学. 2017(03)
[7]基于灰狼算法的改进研究[J]. 郭振洲,刘然,拱长青,赵亮. 计算机应用研究. 2017(12)
[8]新型灰狼优化算法在函数优化中的应用[J]. 罗佳,唐斌. 兰州理工大学学报. 2016(03)
[9]一种新型非线性收敛因子的灰狼优化算法[J]. 王敏,唐明珠. 计算机应用研究. 2016(12)
[10]一种计算高铁沉降预测常用模型参数的新方法[J]. 张吉春,明祖涛. 测绘通报. 2016(01)
博士论文
[1]基于群智能优化的机器学习方法研究及应用[D]. 赵东.吉林大学 2017
[2]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
[3]混沌时间序列分析及在铁路货运量预测中的应用研究[D]. 吴华稳.中国铁道科学研究院 2014
[4]基于支持向量机的金融时间序列分析预测算法研究[D]. 鲍漪澜.大连海事大学 2013
[5]基于小波分析与神经网络滚动轴承故障诊断方法的研究[D]. 杨柳松.东北林业大学 2013
[6]基于支持向量机的岩土非线性变形行为预测研究[D]. 董辉.中南大学 2007
[7]基于小波理论的变形分析模型研究[D]. 文鸿雁.武汉大学 2004
硕士论文
[1]基于时间序列分析的汽车销量预测研究[D]. 章旭.合肥工业大学 2017
[2]基于非线性动力系统的时间序列预测技术研究[D]. 郭俊.天津理工大学 2017
[3]小水电群生态智能调度算法研究与系统开发[D]. 任沁.浙江工业大学 2016
[4]小波分析和组合模型在沉降预计中的应用研究[D]. 高山.安徽理工大学 2016
[5]基于EMD的相空间重构极限学习机的短期气象要素预测方法及其应用研究[D]. 张珊珊.南昌大学 2016
[6]基于ARIMA模型和ARIMAX模型的山东省GDP的预测与分析[D]. 陈聪聪.山东大学 2016
[7]基于支持向量机的组合预测模型及其应用研究[D]. 孟玲玲.河南理工大学 2015
[8]相空间重构和支持向量机结合的短期电力负荷预测研究[D]. 李昕.中北大学 2015
[9]支持向量机模型优化方法及其在旋转机械智能诊断中的应用[D]. 雷丝雨.电子科技大学 2015
[10]基于小波包分解和布谷鸟算法的最小二乘支持向量机风速预测模型的研究与应用[D]. 魏翔.兰州大学 2015
本文编号：3308645
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
灰狼种群等级制度示意图
图 3.2 二维空间向量示意图CXXDCXXDCX .;.;.123 1 2 2 3 A . D ; X X A . D ; X X A
去噪后序列相关性的分析与单位根检验
【参考文献】：
期刊论文
[1]贵广高铁无砟轨道机械化施工技术研究[J]. 张雷. 铁道建筑技术. 2017(11)
[2]基于相空间重构的GA-SVR组合模型边坡位移预测研究[J]. 刘小生,秦志强. 大地测量与地球动力学. 2017(10)
[3]基于小波Mallat算法和BP神经网络的空气质量指数预测的研究[J]. 高鹏,周松林. 池州学院学报. 2017(03)
[4]改进灰狼算法在土壤墒情监测预测系统中的应用[J]. 李宁,李刚,邓中亮. 计算机应用. 2017(04)
[5]基于灰狼优化算法的多机电力系统稳定器参数最优设计[J]. 左剑,张程稳,肖逸,李银红,段献忠. 电网技术. 2017(09)
[6]具有自适应搜索策略的灰狼优化算法[J]. 魏政磊,赵辉,韩邦杰,孙楚,李牧东. 计算机科学. 2017(03)
[7]基于灰狼算法的改进研究[J]. 郭振洲,刘然,拱长青,赵亮. 计算机应用研究. 2017(12)
[8]新型灰狼优化算法在函数优化中的应用[J]. 罗佳,唐斌. 兰州理工大学学报. 2016(03)
[9]一种新型非线性收敛因子的灰狼优化算法[J]. 王敏,唐明珠. 计算机应用研究. 2016(12)
[10]一种计算高铁沉降预测常用模型参数的新方法[J]. 张吉春,明祖涛. 测绘通报. 2016(01)
博士论文
[1]基于群智能优化的机器学习方法研究及应用[D]. 赵东.吉林大学 2017
[2]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
[3]混沌时间序列分析及在铁路货运量预测中的应用研究[D]. 吴华稳.中国铁道科学研究院 2014
[4]基于支持向量机的金融时间序列分析预测算法研究[D]. 鲍漪澜.大连海事大学 2013
[5]基于小波分析与神经网络滚动轴承故障诊断方法的研究[D]. 杨柳松.东北林业大学 2013
[6]基于支持向量机的岩土非线性变形行为预测研究[D]. 董辉.中南大学 2007
[7]基于小波理论的变形分析模型研究[D]. 文鸿雁.武汉大学 2004
硕士论文
[1]基于时间序列分析的汽车销量预测研究[D]. 章旭.合肥工业大学 2017
[2]基于非线性动力系统的时间序列预测技术研究[D]. 郭俊.天津理工大学 2017
[3]小水电群生态智能调度算法研究与系统开发[D]. 任沁.浙江工业大学 2016
[4]小波分析和组合模型在沉降预计中的应用研究[D]. 高山.安徽理工大学 2016
[5]基于EMD的相空间重构极限学习机的短期气象要素预测方法及其应用研究[D]. 张珊珊.南昌大学 2016
[6]基于ARIMA模型和ARIMAX模型的山东省GDP的预测与分析[D]. 陈聪聪.山东大学 2016
[7]基于支持向量机的组合预测模型及其应用研究[D]. 孟玲玲.河南理工大学 2015
[8]相空间重构和支持向量机结合的短期电力负荷预测研究[D]. 李昕.中北大学 2015
[9]支持向量机模型优化方法及其在旋转机械智能诊断中的应用[D]. 雷丝雨.电子科技大学 2015
[10]基于小波包分解和布谷鸟算法的最小二乘支持向量机风速预测模型的研究与应用[D]. 魏翔.兰州大学 2015
本文编号：3308645
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3308645.html
