針對神經網絡用于基坑變形預測存在結構難確定、訓練易陷入局部最優及易過學習等問題,構造滾動時間窗,以已有的實測時間序列為樣本,利用最小二乘支持向量機(ls-svm)建立基坑預測模型,應用網格搜索算法優化模型參數,連續滾動地多步預測基坑變形。實例結果表明,該模型預測效果優于bp神經網絡,具有所需數據少、推廣能力強等優點。

巖土工程受力變形演化是一個典型的非線性問題,其演化的高度非線性和復雜性,很難用簡單的力學、數學模型描述,但可用粒子群優化徑向基神經網絡對巖土工程應力、位移非線性時間序列進行動態實時預測。網絡徑向基層的單元數通過均值聚類法確定后,所有其它參數:中心位置、形狀參數、網絡權值,均通過粒子群優化算法在全局空間優化確定。工程實例應用表明,該模型預測結果準確、精度高,有良好的應用前景。

隨著建設工程施工的信息化與安全化,基坑的變形預測是基坑設計和施工的重要補充手段?；赽p人工神經網絡模型以及時序分析arx自回歸各態歷經模型,對基坑的沉降變形進行了預測,數據結果表明兩種模型均能較好地對未來值進行較真實的預測;從bp模型與arx模型的預測結果均方誤差值大小的角度而言,bp模型的預測對于未來趨勢的判斷比arx模型要更強一些。試驗結果說明兩種預測模型應用于實際工程的監測預測具有實際意義。

針對建筑施工事故原始樣本少、隨機波動大和預測難度大等特點,對建筑施工事故小樣本預測問題展開研究。采用lssvm對建筑施工事故進行回歸建模,發揮粒子群算法計算速度快和具有較強全局搜索能力的優點,基于pso對lssvm參數進行優化；以相關文獻建筑施工事故為預測案例,運用所提方法進行仿真實驗。結果表明:采用pso-lssvm預測方法的絕對誤差(mape)為2.99%,并且每年的預測相對誤差都低于5%,遠低于現有研究方法得出的結果,說明所提方法具有預測精度高、泛化能力強的特點,能滿足工程應用要求。

介紹了小波分析與時間序列組合模型的優點,給出了利用該組合方法對建筑物變形監測數據進行分析和預測的思路,并對長江紫都c塊1#樓的沉降監測數據進行了分析和預測。結果表明,該方法能有效分析和預測建筑物的沉降變形情況,建筑物各沉降點的累積沉降量均在允許的范圍內,隨時間的推移,沉降累積量趨于平穩,該建筑物基本穩定。

為了快速準確的預測基坑開挖對周圍建筑物沉降的影響,本文提出一種結合多智能體粒子尋求lssvm(最小二乘支持向量機)模型參數的算法,提高了lssvm算法的預測精度.采用該算法對昆明市某基坑開挖過程中周圍建筑物的沉降進行預測,并與其他預測方法進行對比,結果表明該算法具有收斂速度快、預測精度高等特點.

分析得出原始gm(1,1)模型對應的灰微分方程僅是白化微分方程的梯形積分形式,因此以辛普生求積公式為基礎建立了新的灰微分方程,而辛普生求積公式也是一種近似表達形式,因而對新的灰微分方程添加動態擾動項,以彌補灰微分方程與白化微分方程的差別,同時對初始值添加修正項,使其更加符合最小二乘法思想。將改進后的gm(1,1)模型應用到基坑變形預測中,實例應用結果顯示,改進的gm(1,1)模型具有較高的預測精度。

灰色預測模型在基坑變形中的應用——基于基坑監測變形值具有一定的灰色特征，利用灰色系統理論建立了基坑監測變形值的等步長與非等步長gm(1，1)預測模型。通過對某基坑樁頂位移變形數據的預測，表明了灰色預測模型在基坑變形監測中具有較好的可行性及可靠性。

改進gm(1，1)模型在基坑變形預測中的應用——分析得出原始gm(1，1)模型對應的灰微分方程僅是白化微分方程的梯形積分形式，因此以辛普生求積公式為基礎建立了新的灰微分方程，而辛普生求積公式也是一種近似表達形式，因而對新的灰微分方程添加動態擾動項，以彌補...

灰色加權模型在深基坑變形預測中的應用——深基坑的變形及其預測是工程建設中經常遇到的重要問題，論文對加權灰色模型應用于該領域作了探討。在進行加權模型理論計算的基礎上，以深基坑實際變形監測資料為基礎，利用原始模型結果作為比較基礎，對加權模型進行了...

gm（1，1）優化模型在基坑變形預測中的應用——基坑邊坡系統是一典型的灰色系統。其變形發展過程可用灰色系統理論進行預測。本文在常規全息gm(1，1)模型的基礎上，采用等維新息迭代法gm(1，1)模型對鄭州太陽城紫荊花園基坑變形進行模擬預測，結果表明了迭代法g...

為提高大型公共建筑能耗的預測精度,提出一種基于灰色模型和最小二乘向量機方法(gm-lssvm)的辦公能耗預測模型.該方法結合灰色建模計算簡單的特點,以及最小二乘支持向量機非線性擬合能力和泛化能力強的優勢,充分發掘樣本數據的規律,并以粒子群優化算法進行模型參數選擇.根據福州某大型公共建筑能耗數據,通過本研究提出的方法建立預測模型,并與神經網絡模型以及最小二乘支持向量機模型的預測結果進行比較,驗證了該方法具備較高的預測精度和較強的泛化能力.

基于空調負荷預測的優化控制是解決冰蓄冷控制問題的理想途徑。本文在分析國際建筑物空調負荷預測競賽研究成果的基礎上指出,利用季節性時間序列模型建模預測精度較高,且工程實施簡便,特別適合于空調系統連續運行、負荷波動規律性較強的建筑物負荷預測。本文概要介紹利用季節性時間序列模型進行建模預測的理論和方法,并通過工程實例驗證了建模方法的有效性。

結合小波分析在數據處理方面的優勢,采用小波包去噪對露天礦邊坡沉降數據進行去噪處理,再結合時間序列分析理論建立小波包-時間序列預測模型,從而對露天礦邊坡進行變形分析預測。通過實驗數據對比分析,結合小波包去噪與時間序列分析理論模型對露天礦邊坡沉降數據進行預測,預測精度較高,能夠對礦區邊坡的沉降進行預測。

利用時間序列和灰色模型理論,針對北方某城市的交通事故統計數據,分別建立了自回歸移動平均模型及灰色模型,并對各模型進行了步長為12的預測。通過模型對比發現:2個模型的預測絕對誤差分別為23.95%和54.32%,且對于具有季節周期性特點的序列,自回歸移動平均模型的預測結果與實際觀測值比較吻合,說明自回歸移動平均模型比灰色模型更能充分挖掘歷史信息以減少預測誤差,并反映數據的周期性變化,具有良好的適用性。

以國家體育場(鳥巢)工程的沉降觀測數據為基礎,論述了采用時間序列模型處理變形數據的原理和方法,并對建筑物的變形趨勢進行了分析和預測,為建筑物的安全施工和正常使用提供了保障.

通過研究分析夏熱冬冷地區公共建筑能耗變化特點,建立了rbf神經網絡建筑能耗預測模型。在此基礎上運用微粒群算法對模型優化,建立了基于pso-rbf的建筑能耗預測模型。利用大量數據構造樣本集,運用軟件分別對優化前后的預測模型進行訓練,并運用到典型公共建筑能耗值的預測實例中。結果表明基于pso-rbf的建筑能耗預測模型的學習能力和預測能力強,能較準確地實現公共建筑能耗預測。

運用小波理論和神經網絡理論不同結合方法建立地表變形預測模型。文中先建立了較為普遍的松散型的小波去噪神經網絡模型和緊致型的小波神經網絡模型,分析了小波去噪和bp神經網絡的隱含層節點數選取過程?；趯崪y數據分析可得:三種模型的預測效果較單一的bp神經網絡預測效果更好;基于小波變換的神經網絡預測模型的平均絕對百分比誤差為0.15,優于另兩種模型的預測精度。

根據杭州灣懸浮泥沙濃度的時間序列數據,通過數據預處理、模型識別、定階、參數估計及適應性檢驗,建立了一個arima(3,1,2)模型,并對未來杭州灣懸浮泥沙的濃度作了預測.結果表明,arima模型對描述和預測杭州灣懸浮泥沙濃度具有較高的精度.

介紹了支持向量機回歸原理,建立了某高層建筑變形的時間序列預測模型,并采用網格搜索法對模型參數進行選擇,保證模型的泛化能力。實驗結果證明,和bp神經網絡相比,支持向量機有更好的預測精度。

針對基坑變形預測中信息的灰色性和數據的非線性性,提出用灰色神經網絡預測基坑變形的新方法。用一樁錨聯合支護體系實例進行了預測研究,得到支護體系的不同預測模型的組合預測值。研究結果表明:灰色神經網絡預測誤差比gm(1,1)預測模型小;與bp預測模型相比,前期誤差大,后期誤差小。在基坑變形監測中,為了更準確地預測基坑變形,可以采用灰色神經網絡預測與bp預測相結合的方法進行預測。

自適應gm(1，1)灰色模型在基坑變形預測中的應用——針對基坑變形系統的不確定性及灰色性，結合工程實例，采用自適應gm(1，1)模型對基坑監測數據進行了變形預測，結果表明呆用自適應模型大大提高了長時間段預測精度，預測結果完全滿足工程要求，具有較好的實用價...