共查询到19条相似文献，搜索用时 156 毫秒
1.
由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。 相似文献
2.
从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。 相似文献
3.
4.
由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。 相似文献
5.
为了提升长短时记忆(LSTM)神经网络对深基坑沉降监测数据的预测效果，本文提出一种基于互补集合经验模态分解(CEEMD)、样本熵以及LSTM神经网络的组合基坑沉降预测模型。该组合沉降模型实现基坑沉降变形预测的关键步骤为：首先，使用CEEMD分解算法将基坑沉降序列分解为若干个本征模态函数(IMF);其次，重组相同特征的IMF分量；最后，使用LSTM神经网络预测重组后分量并叠加预测结果。使用某实测基坑数据进行实验，结果显示，本文提出组合预测模型预测结果的均方根误差、平均绝对误差以及平均绝对百分比误差较对比模型均更小，表明本文提出组合预测模型的预测精度更高，具有较好的非线性序列预测效果，为基坑沉降预测提供了一种新方法。 相似文献
6.
滑坡体除了因自身重力产生位移外,还受到降雨的影响,但通常降雨对滑坡位移的作用具有滞后性。为了分析并预测降雨对滑坡位移的影响,本文提出一种顾及降雨影响的动态优化时滞时序GM(1,2)滑坡位移预测模型。首先,利用经验模态分解(EMD)分解位移序列并通过时间序列重构得到周期位移序列和趋势位移序列,对降雨数据和滑坡周期位移序列进行时滞分析和相关分析,确定时滞时间和影响程度,建立基于背景值优化的动态时滞GM(1,2)模型预测降雨量变化导致的滑坡周期位移变化;然后,建立门限自回归模型预测滑坡趋于自然变化的趋势位移;最后,通过时序叠加得到顾及降雨影响的滑坡预测位移,建立了顾及降雨因素的动态优化时滞时序GM(1,2)组合预测方法。本文以福宁高速公路八尺门滑坡和秭归县八字门滑坡监测数据为例,验证了动态优化时滞GM(1,2)模型的精度,并与其他模型的预测结果进行了对比分析。试验结果表明,动态优化时滞时序GM(1,2)组合预测模型能准确地预测降雨影响导致的滑坡位移变化,预测效果较好,该组合模型对滑坡灾害的预警与防治具有一定的参考价值。 相似文献
7.
针对地磁变化场时间序列的混沌特性,提出了一种改进的集成经验模态分解(modified ensemble empirical mode decomposition,MEEMD)-样本熵-最小二乘支持向量机(least square support vector machine,LSSVM)的地磁变化场预测模型。首先,利用MEEMD-样本熵将非平稳的地磁变化场时间序列分解为一系列复杂度差异明显的地磁变化场子序列;然后,针对每一个子序列分别建立LSSVM模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地磁变化场数据为例进行实验,并与基于单一LSSVM以及RBF径向基神经网络的两种预测模型进行比较。实验结果表明,MEEMD-样本熵-LSSVM模型的预测值能紧跟地磁变化场的变化趋势,相比另外两种模型,体现出更好的预测效果,在地磁Kp指数小于3时,预测3h平均绝对误差为1.63nT。 相似文献
8.
针对传统开采沉陷监测方法的缺陷和现有预测模型精度较低的问题,该文提出了一种基于SBAS-InSAR和差分进化混合灰狼优化算法(DEGWO)优化支持向量机回归(SVR)的预测模型,利用2018年10月-2020年3月的44景Sentinel-1A数据对陕西彬长矿区孟村煤矿进行开采沉陷监测,得到该矿区的年平均沉降速率和时间序列累积沉降值.SBAS-InSAR监测结果表明,该矿区年平均沉降速率最高达到了211 mm/a,最大累积形变量达到335 mm.用矿区GPS数据对InSAR处理结果进行验证,拟合效果较好.并将预测结果与传统SVR预测模型以及灰色GM(1,1)模型的预测结果进行对比,DEGWO-SVR模型的绝对误差、相对误差以及均方根误差,均为三者最小.说明了差分进化混合灰狼优化算法能够起到很好的参数优化效果,该方法优化的SVR预测模型能够在矿区开采沉陷预测中得到应用. 相似文献
9.
袁兴明 《测绘与空间地理信息》2020,(2):63-66,72
GNSS技术是现代测量技术的代表。为了提高GNSS时间序列的精度,本文利用时间序列线性分析的方法,探测分析时间序列存在的趋势项、周期项以及复杂程度。利用线性拟合方法获取了3个方向的拟合函数;自相关和偏自相关函数探测出时间序列存在周期项和趋势项;应用AR(p)模型对时间序列进行了短期预测分析,通过模型定阶、估计,确定了AR(2)为最佳的预测模型,随着预测步数的增加,预测精度逐渐降低。 相似文献
10.
三峡库区水质数据时间序列分析预测研究 总被引：3，自引：0，他引：3
阐述了时间序列分析的概念、种类及分析方法,以三峡库区水质各指标的水期时间序列数据为研究对象,采用Holt-Winters时间序列预测模型进行了水质预测的试验研究. 相似文献
11.
12.
13.
将微粒群和支持向量机用于耕地驱动因子选择的研究 总被引：2，自引：0，他引：2
结合微粒群算法(PSO)具有执行速度快、受问题维数变化影响小的优点及支持向量机算法(SVM)结构风险最小化原理,构建了基于离散二进制微粒群(BPSO)与支持向量机的耕地驱动力因子选择方法,使用特征子集中确定的特征来训练支持向量回归机,用适应度函数来评价回归机的性能,指导BPSO的搜索。实验表明,该方法能有效地提取出耕地驱动因子的特征子集,从而降低了指标的维数,保留了关键信息,以获得知识的最小表达。 相似文献
14.
GIS支持下滑坡灾害空间预测方法研究 总被引：11，自引：0，他引：11
滑坡预测在防灾减灾工作中具有重要意义,它包括空间、时间预测两个方面。基于统计模型进行区域评价与空间预测是滑坡灾害研究的重要方向,但是预测结果往往依赖样本数量和空间分布等。本文以马来西亚金马伦高原为研究区,选择高程、坡度、坡向、地表曲率、构造、土地覆盖、地貌类型、道路和排水系统作为评价因子,探讨运用地理信息系统(GIS)和遥感(RS)获取与管理滑坡灾害信息,以及热带雨林地区湿热环境下滑坡空间预测的方法。支持向量机(SVM)和逻辑(Logistic)回归模型分别应用于滑坡空间预测,结果显示平均预测精度分别为95.9%和86.2%,SVM法具有较高的描述精度,值得推荐;同时,基于SVM模型的滑坡空间预测受样本影响较小,预测结果相对比较稳定,这对于滑坡灾害区域评价与预测的快速实现具有实际意义。 相似文献
15.
This paper presents a spatially distributed support vector machine (SVM) system for estimating shallow water bathymetry from optical satellite images. Unlike the traditional global models that make predictions from a unified global model for the entire study area, our system uses locally trained SVMs and spatially weighted votes to make predictions. By using IKONOS-2 multi-spectral image and airborne bathymetric LiDAR water depth samples, we developed a spatially distributed SVM system for bathymetry estimates. The distributed model outperformed the global SVM model in predicting bathymetry from optical satellite images, and it worked well at the scenarios with a low number of training data samples. The experiments showed the localized model reduced the bathymetry estimation error by 60% from RMSE of 1.23 m to 0.48 m. Different from the traditional global model that underestimates water depth near shore and overestimates water depth offshore, the spatially distributed SVM system did not produce regional prediction bias and its prediction residual exhibited a random pattern. Our model worked well even if the sample density was much lower: The model trained with 10% of the samples was still able to obtain similar prediction accuracy as the global SVM model with the full training set. 相似文献
16.
全球定位系统（GPS）时序数据预测的工作中发现,通常时序数据中含有的噪声会干扰数据预测的结果.为了降低时序数据中噪声对预测结果的负面影响,将提升小波阈值降噪技术和长短期记忆（LSTM）神经网络相结合,实现一种GPS时序数据降噪预测模型.该模型在预测之前首先利用提升小波与平滑阈值函数对GPS时序数据中的噪声进行剥离,然后构建多层LSTM神经网络对时序数据进行单步预测.通过实验与多种时间序列预测模型进行对比,结果表明所提出的LSTM预测模型对GPS时间序列的预测具有较强的适用性和较高的准确性. 相似文献
17.
公路的不均匀沉降会对车辆运行带来极大的安全隐患,高速公路沉降观测和预测是保障高速公路安全运营的必要手段.本文将时间序列法用于高速公路沉降预测,分析时间序列法的建模步骤、参数估计和适应性分析原理.通过程序计算得到预测结果和精度,与传统的双曲线法比较发现,时间序列法具有更高的预测精度和更好的工程实用性. 相似文献
18.
针对降雨过程中大气可降水量(PWV)和气象参数(温度(T)、湿度(U)、露点温度(Td)、气压(P))特征变化情况,提出基于机器学习算法的短临降雨预报模型. 以北京(BJFS)站和武汉(WUH2)站2020年的3 h天顶对流层延迟(ZTD)和气象数据为例,构建随机森林(RF)、支持向量机(SVM)、K近邻(KNN)、朴素贝叶斯分类器(NBC) 4种算法的预报模型,并引入各自时刻的降雨情况作为新的特征向量,分别采用70%和80%训练集的分割方式,降雨情况作为模型输出,并利用准确性、精确率和假负率评价模型的适用性. 在取得准确性约0.92,精确率约80%,假负率约20%的结果下,进一步以时间序列年积日为第150—200天的数据为样本,对200—250天的降雨情况进行预报. 实验结果表明:基于机器学习的短临降雨预报模型可以预报未来3 h 80%以上的降雨情况,且假负率在20%以下,其中SVM模型的综合性能更优. 与传统的阈值模型相比,准确率相当,假负率降低约50%. 相似文献
19.
对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。 相似文献