基于贝叶斯优化XGBoost的隧道沉降量预测

公路隧道在建设过程中易受到地理环境等因素的影响, 山体结构的不稳定可能会产生潜在的安全隐患, 而隧道沉降量是反应隧道结构变化的一项重要指标, 因此提出一种基于贝叶斯优化XGBoost的隧道沉降监测量预测模型. 由于隧道施工场景复杂干扰严重, 给数据采集和后期沉降变化分析带来困难, 本文首先对原始沉降监测数据进行时间尺度统一, 然后融合时域和空域信息对数据中的异常值、缺失值进行数据修复, 在此基础上, 提出贝叶斯优化的XGBoost集成模型对隧道监测的周边收敛、地表沉降和拱顶沉降数据分别进行分析. 通过与优化前模型以及时序预测模型预测结果进行对比, 发现贝叶斯优化的XGBoost模型精度最高, 对拱顶沉降、地表沉降、周边收敛的平均预测精度可以达到0.979 4. 该模型能够对隧道沉降变化过程进行有效的监测与预测, 对于隧道安全问题的监管具有重要的实际应用价值.     

基于Verhulst模型的公路隧道沉降预测

科学的预测隧道拱顶沉降量是隧道监控设计的重要环节。监控量测中的隧道拱顶沉降数据大多具有"S"形特点,能较好地满足Verhulst模型的需要。应用该模型对隧道拱顶的沉降量进行预测研究,结果表明该模型是一种简单经济、精度较高的灰色数据预报系统。     

基于时空特征区域神经网络的施工隧道沉降量预测

针对隧道施工过程中沉降量精准预测问题, 提出了一种基于时空特征区域神经网络的施工隧道沉降量预测方法. 依据当前隧道地表下沉量, 通过有效融合多维空间特征量, 对未来的演化趋势做出合理预测. 以白家庄隧道栾川端的地表观测数据为例, 对所提方法的预测性能进行算例分析. 结果表明: 所提预测方法对隧道地表沉降量数据均有较准确的预测效果, 且预测结果也具有一定的鲁棒性. 研究可应用于实际隧道施工的监测管理过程.     

鹧鸪山隧道监控量测计算机辅助分析

鹧鸪山隧道地处高原高寒区,为深埋长隧道,工程地质条件极为复杂。隧道开挖初期,围岩局部失稳,过大的变形致使初期支护结构被严重破坏,造成巨大经济损。由此,现场开展了围岩变形和结构应力的监控量测,并开发公路隧道监控量测计算机辅助分析系统,功能包括拱项下沉和周边收敛、围岩内部位移、锚杆、钢拱架、二次衬砌受力监测等分析。用该系统对鹧鸪山隧道现场监测资料进行分析,取得了围岩稳定性的重要认识,并及时反馈,确保了施工安全。     

隧道沉降变形连续监测系统

为保证隧道安全运营,要长期对其进行变形监测。隧道沉降变化是评估隧道安全的一个重要指标。文章利用激光准直性设计了隧道沉降监测装置系统,该系统由激光源组件和目标靶组成,系统首先采集激光打到目标靶上的光斑图像,再通过图像分割、形态学处理等获得光斑中心坐标,结合其他参数和初始测量信息,最终得出隧道沉降变化情况。实验检测和工程应用证明,该系统具有低成本、易于敷设、高精度等优点,能对隧道沉降实施有效监测。     

基于图像传感器网络的隧道形变监测系统研究

随着地铁建设的持续发展,隧道结构的安全性受到了广泛的关注。介绍了一种地铁隧道整体沉降的监测系统,采用安装在隧道内壁的分布式图像传感器网络对相邻断面的目标光源进行监测,并将图像数据进行采集、储存、传输、处理,数据库系统对历史数据进行融合与分析之后获得相邻断面间的相对位移,在经过坐标变换和定位基准传递后,计算出每个断面在隧道整体中的绝对位移。最终通过网络发布隧道沉降信息,建立隧道形变的预警机制。     

基于高精度曲面建模的物体表面形变监测

道路、隧道、桥梁等物体表面形变监测是质量安全保障的重要前提。针对其表面监测问题，提出一种基于激光栅格化采样和高精度曲面建模的物体表面监测方法。该方法对监测物体表面利用栅格化采样进行高精度曲面建模和插值，通过多项式空间插值估计监测点的真实值和曲面第一、二基本量，对物体表面沉降和曲率半径参数变化角度进行监测。为验证该方法的有效性，在两组不同复杂程度的已知曲面上随机选取100个测试点，针对采样密度和插值密度分别进行数值仿真实验，并利用实物模型构建模拟形变实验，进而对测试点处的沉降变化和曲率半径变化进行监测。实验结果表明：在仿真实验中，高栅格化采样密度和插值密度能够大幅提高曲面重构精度，并降低物体表面不同复杂程度对监测精度的影响；在实物模拟形变实验中，沉降测量精度可达98.41%，曲率半径变化检测精度可达81.82%。     

基于双目立体视觉的隧道围岩形变监测系统

隧道围岩形变监测是保证隧道施工安全的重要技术手段。现有隧道围岩形变测量系统易受隧道不良施工环境的影响,且监测连续性差,难以有效反映围岩的形变趋势。因此,文中提出了一种基于双目立体视觉的隧道围岩形变监测系统。采用特征点识别、三维坐标计算等图像处理技术对隧道围岩形变进行测量,并开发了远程计算机操作软件,用户登录软件即可查看监测数据,如隧道监测面图像、形变量、历史数据等,实现了隧道围岩形变远程、非接触、实时测量,对隧道建设安全具有重要意义。     

基于灰色模型的公路高边坡变形预测模型研究

对工程开挖岩质高边坡进行实时监测,科学预测预报边坡变形规律,对工程防灾减灾具有十分重要的实际意义。灰色系统理论是通过生成变换弱化原始序列的随机性,将无规序列转换成有规序列,能有效地对生成序列进行预测。本文构建了基于GM(1,1)模型的等时间间距及非等时间间距的公路高边坡变形预测模型,并结合贵州省某高速公路工程高边坡变形监测实例,利用该高边坡实际监测数据序列建立非等时间距离的GM(1,1)沉降和平面位移预测模型,模型计算结果表明,沉降预测精度较好,可推广应用,平面预测精度有待提高。     

基于ICEEMDAN-LSTM的地铁盾构隧道管片形变数据分析预测

地铁隧道安全监测以及监测数据的分析处理与预测是保障地铁隧道安全的重要手段。由于施工环境的影响,监测数据不可避免会含有噪声。本文以盾构地铁隧道管片变形自动监测数据为研究对象,提出基于ICEEMDAN-LSTM的变形监测数据分析预测方法。首先采用ICEEMDAN对监测数据进行分解处理,获得监测数据的IMF和残差分量;构建LSTM网络模型,应用LSTM模型对监测数据的IMF和残余分量进行预测,再对IMF和残余分量预测值进行叠加重构获得变形预测值。实验分析结果表明,ICEEMDAN-LSTM模型的预测精度明显高于BP、LSTM模型。     

2种灰色模型在矿区地表沉陷预计中的适用性

目前矿区地表单点沉陷动态预计方法主要基于传统的水准测量数据,监测方法单一,成本高,观测点易破坏,不能保证地表形变信息的实时性,且采用灰色模型进行地表沉陷预计时只针对单一模型的应用,没有结合模型自身特点分析其适用性。以袁店二矿7221工作面为试验区域,采用合成孔径雷达差分干涉测量技术监测矿区地表沉陷量,分别建立了描述沉陷量与时间关系的GM(1,1)与灰色Verhulst模型进行地表沉陷量预计,实现了矿区地表沉陷监测与动态预计一体化。通过比较、分析GM(1,1)与灰色Verhulst模型对地表沉陷量的拟合及预计结果,得出了2种灰色模型在矿区地表沉陷预计中的适用性:在矿区开采沉陷开始至活跃前期,若地表单点沉陷量曲线呈近似单峰型,则宜采用GM(1,1)进行短期预计;当矿区地表沉陷进入衰退阶段,单点沉陷量曲线呈平底饱和状态,则宜采用灰色Verhulst模型进行中长期预计。     

基于RFM模型的随机森林算法对民航客户的流失分析

近几年,随着航空市场的快速发展,对于航空公司而言,如何在增加市场占有率的同时,对客户的流失进行有效的控制也刻不容缓。基于随机森林算法,根据航空客户数据,建立流失预测模型,对客户是否已流失进行预测研究,将传统的RFM客户价值模型进行改进,结合随机森林算法对客户流失进行预测。实验结果表明,基于RFM模型的随机森林算法构建的客户流失模型拥有更具有说服力的指标选取,AUC值达到0.92,且准确率较高。利用该模型可对航空公司客户流失进行较为准确的预测,对流失客户进行分类,为民航企业提供营销策略。     

保护性林地砍伐事件空间分布特征及风险评估研究

严守生态红线,保护森林资源,是构建生态文明,推动绿色发展的重要措施。及时掌握林地的变化,尽早发现林地的破坏行为,对森林资源保护和管理具有重要意义。目前对于林地砍伐等破坏行为的监测都是被动与事后的,如何主动地进行防范,对易发生砍伐的区域进行高频次全方位的监管,就需要探究林地砍伐区域的空间分布特征,评估和预测林地砍伐的风险。基于多源遥感变化检测和实地调查获取海南省保亭县公益林连续2 a林地砍伐的图斑,研究林地砍伐与人为活动和地形地貌的关系,进而评估林地砍伐风险,为地方林业部门开展更具针对性的巡查、监测和保护措施提供支持,加强林地监管的有效性,真正将林地砍伐等破坏行为遏制在萌芽阶段,严守生态红线,推动生态文明建设。     

基于数据驱动的风洞风机故障诊断研究

风洞风机是风洞动力系统的核心部件,是提供风洞试验条件必须的动力源。目前在国内外低速风洞设备中,主要使用大功率电机驱动风扇,其故障集中发生在电机和风扇机构上,一旦发生故障会造成大量的停机时间,严重影响试验工作。基于风机运行采集的大量数据,将故障预测与健康管理(PHM)技术应用于风洞风机故障诊断研究,重点探讨风机故障诊断系统构建的关键步骤,以期达到提前诊断风机故障的目的。数据分析使用主成分分析(PCA)法提取风机多维故障特征,选用随机森林(RF)算法诊断风机故障状态,并探讨了两种适合算法的硬件搭建方法。通过试验验证,RF算法具有很好的故障分类能力,平均分类准确率达94%、召回率95%、查准率94%,可精确区分风洞风机故障状态。     

一种基坑地面沉降新型预测方法

根据支护结构测斜位移和地面沉降的关系,结合灰色理论和卡尔曼滤波预测方法,提出一种地面沉降预测方法——灰色卡尔曼滤波(GKF),将预测结果与宁波地铁舟孟北路的实际监测数据进行对比。采用残差检验法检测GKF的预测效果,结果表明,GKF方法具有较高预测精度。     

基于梯度提升回归树的短时交通流预测模型

短时交通流预测是交通流建模的一个重要组成部分,在城市道路交通的 管理和控制中起着重要的作用。然而,常见的时间序列模型(如ARIMA)、随机森林(RF)模型在交通流预测方面由于被构建模型产生的残差和输入变量所影响,其预测精度受到限制。针对该问题,提出了一种基于梯度提升回归树的短时交通预测模型来预测交通速度。首先,模型引入Huber损失函数作为模型残差的处理方法;其次, 在输入变量中考虑预测断面受到毗邻空间因素和时间因素相关性的影响。模型在训练过程中通过不断调整弱学习器的权重来纠正模型的残差,从而提高模型预测的精度。利用某城市快速路的交通速度数据进行实验,并使用MSE和MAPE等指标将本文模型与ARIMA模型和随机森林模型进行对比,结果表明,文中所提模型的预测精度最好,从而验证了模型在短时交通流预测方面的有效性。     

灰色模型在矿区沉降预测中的应用

为了准确掌握矿山的沉降变化规律,预测沉降发展趋势,提出一种采用灰色模型进行矿区沉降预测的方法。结合沉降观测实例,采用灰色模型精度检验和数理统计的F分布两种方法对灰色模型的预测结果进行检验和分析。结果表明,灰色模型能够满足矿区沉降预测的精度要求,且预测精度随着采用数据量的增加而提高。     

基于机器学习的数据流突变型服务功能链构建策略

在SDN/NFV协同的未来网络架构下,针对增强移动宽带场景中因数据流突变造成的服务功能链低可用问题进行了研究,并提出了一种基于启发式闭环反馈算法的服务功能链动态构建策略。该算法分服务功能链的部署模块和反馈调整模块两部分。首先,基于资源优化模型实现服务功能链的初始化部署,其中对资源优化模型的求解选择利用遗传算法;然后,通过引入机器学习算法随机森林回归对当前服务功能链可承载的数据流量大小进行实时预测,以实现相应的反馈调整。整个服务功能链的构建策略是一种基于遗传和随机森林回归预测的启发式闭环反馈算法设计。仿真结果表明,在应对突变数据流时与现有的遗传和禁忌搜索算法相比,所提算法的用户接受率提高了12%,对底层资源的占用降低了19%。     

基于机器学习组合模型的电商商品销量预测

如何准确高效地预测销量是企业一直以来关注的重要问题.传统的时间序列预测方法虽然在研究和实践中占主导地位,但是存在一定的局限性.随着大数据的发展,电商企业能获取前所未有的数据量和数据特征,仅利用过去的行为和趋势很难准确地对销量进行预测.本文提出一种基于随机森林、GBDT、XGBoost算法的成本厌恶偏向性组合预测模型,并...