CN103942433A - 一种基于历史资料分析的建筑物沉降预测方法 - Google Patents
一种基于历史资料分析的建筑物沉降预测方法 Download PDFInfo
- Publication number
- CN103942433A CN103942433A CN201410162042.5A CN201410162042A CN103942433A CN 103942433 A CN103942433 A CN 103942433A CN 201410162042 A CN201410162042 A CN 201410162042A CN 103942433 A CN103942433 A CN 103942433A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- data
- point
- forecast model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种基于历史资料分析的建筑物沉降预测方法,包括如下步骤:采集监测数据;将监测数据按时间顺序分为:学习数据与检验数据;历史监测数据的分析;建立支持向量机回归预测模型;建立牛顿插值预测模型;建立加权移动平均法预测模型;建立组合模型;计算组合模型的权重;利用组合模型预测任意时刻的建筑物沉降值。较常规方法,本方法具有精度高、计算简单、适用范围广、运算效率高等特点。
Description
技术领域
本发明提供一种基于历史资料分析的建筑物沉降预测方法,涉及到地理信息领域的预测模型,属于土木工程技术领域。
背景技术
建筑物的沉降观测的目的在于检查沉降指数是否超过了建筑物设计所允许的范围,若超限则会导致建筑物的危险指数上升,严重时将会威胁人的生命安全。随着世界人口的日益增多,住房问题的日趋严峻以及高层建筑物的出现,为了保证建筑物的正常使用及安全,并为后期的施工提供可靠的观测资料及相应的沉降参数,建筑物沉降预测的必要性日益明显。目前常用的预测模型有灰色模型、回归模型、时间序列模型等,其中大多数模型无法精确模拟沉降曲线的变化,致使模型插值预测的精度较差,在实际工程中难以满足要求。
发明内容
发明目的:针对现有技术中存在的问题与不足,本发明提供种基于历史资料分析的建筑物沉降预测方法,利用组合模型预测任意时刻的建筑物沉降值,组合模型能够综合利用各类单一模型提供综合的沉降信息,进而对沉降问题进行精准预测。
技术方案:一种基于历史资料分析的建筑物沉降预测方法,包括如下步骤:
采集监测数据,提取第i期的监测时刻ti,及沉降监测数据Zi,其中,i=1,2,...,h;
将监测数据按时间顺序分为两部分:第一部分为:由a(a≥10)对观测数据组成的学习数据;另一部分为:由b对观测数据组成的检验数据;
历史监测数据的分析:利用移动平均法对学习数据进行平滑处理,得到平滑后的数据;对平滑后的数据进行分析,按监测时间递增的顺序,计算各点与下一点连线段的斜率;寻找学习数据中最后一个沉降监测值周围的极值点。
利用相关系数建立支持向量机回归预测模型;
利用插值余项建立牛顿插值预测模型:
Pn(x)=f(x0)+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+…
+f[x0,x1,…,xn](x-x0)…(x-xn-1)
式中,xk表示n+1期数据中第k+1期数据的监测时间。
区分近点与远点,建立加权移动平均法预测模型:
对a个学习数据,按监测时间递增的顺序逐点推移求出n(n≥3)期数据的加权平均数,n期数据的权值分别取为ω1,ω2,…,ωn,将Rj作为第j+1期的预测值:
Rj=ω1yj+ω2yj-1+…+ωnyj-n+1
建立组合模型:
ft=[k1,k2,k3][f1,f2,f3]T
式中,ft为t时刻组合模型的预测值,k1、k2、k3及f1、f2、f3分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的权及预测值。
计算支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型在组合模型中的权值;
利用组合模型预测任意时刻的建筑物沉降值。
其中,所述历史监测数据的分析的方法为:
利用移动平均法对学习数据进行平滑处理。按监测时间递增的顺序逐点推移求出N(2≤N≤5)个学习数据的平均数,即可得到一次移动平均数:
式中,为第j个数据的移动平均数;yj为第j个沉降监测值。
对平滑后的数据进行分析,按时间t递增的顺序,计算各点与下一点连线段的斜率:
寻找学习数据中最后一个沉降监测值周围的极值点,极值点的判断方法为:该点为斜率正负号变化的临界点,且正负号与后一点保持一致;若全序列所有斜率符号均不变化,则取学习数据的倒数第十个点作为临界点。将临界点及其之后的点称为近点,其余则为远点。
其中,所述建立支持向量机回归预测模型的方法为:
将高斯函数作为支持向量机回归预测模型的核函数。
利用支持向量机回归模型对学习数据进行训练并计算相关系数,其中,相关系数r的计算公式为:
式中,Xi'为沉降监测值,Yi'为沉降预测值,为沉降监测值平均值,为沉降预测值平均值;
计算相关系数的均值若则按监测时间递增的顺序,自学习数据的左侧减少训练数据个数,直至
利用训练完毕的支持向量机模型预测任意时刻的沉降值。
所述建立牛顿插值预测模型的方法为:
从学习数据中,选取末尾n+1(初始值为a)期数据计算各点间的差商:
式中,xk表示n+1期数据中第k+1期数据的监测时间。
构造牛顿插值预测模型:
Pn(x)=f(x0)+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+…
+f[x0,x1,…,xn](x-x0)…(x-xn-1)
计算插值余项:
令:
ωn+1(x)=(x-x0)(x-x1)…(x-xn)
插值余项可表示为:
Rn(x)=f[x,x0,…,xn]ωn+1(x)
若Rn(x)>0.001,则按监测时间递增的顺序,自学习数据的左侧减少训练数据个数,且取n=n-1,重新构造牛顿插值预测模型,直至Rn(x)≤0.001。
其中,所述建立加权移动平均法预测模型的方法为:
对a个学习数据,按监测时间递增的顺序逐点推移求出n(n≥3)期数据的加权平均数,n期数据的权值分别取为ω1,ω2,…,ωn,则第j期数据的加权算术移动平均值为
取:则上式可表示为:
Rj=ω1yj+ω2yj-1+…+ωnyj-n+1
将Rj作为第j+1期的预测值,即
近点数据权值之和与远点数据权值之和定为8:2,则近点与远点的权可分别表示为:及N1及N2分别为n期数据中近点及远点的个数。
其中,所述计算权值的方法为:
计算个体模型的预测误差:
令:
式中,yt为实际观测值,f1t、f2t、f3t分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的预测值;e1t、e2t、e3t分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的预测误差。
计算加权平均预测误差绝对值之和:
令:
式中,J1、J2、J3分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型预测误差的绝对值之和;J表示加权平均预测误差的绝对值之和;b为检验数据个数。
支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的权值可分别由下式计算:
有益效果:本发明的一种基于历史资料分析的建筑物沉降预测方法,提出了新的建筑物沉降预测方法,该方法所提出的历史监测数据的分析可有效区分出距预测点的近点及远点,从而可以在后续计算中区分定权;提出了新的基于相关系数建立支持向量机回归预测模型的方法,该方法建立的支持向量机回归预测模型预测精度高;提出了新的基于截断误差建立牛顿插值预测模型的方法,该方法建立的牛顿插值预测模型,预测精度高,可根据具体的沉降数据选择合适的次数;提出了新的建立加权移动平均法预测模型的方法,该方法在区分近点与远点的基础上提出了新的定权方法;提出了新的组合模型权值计算方法,该方法简单易操作。相较其他预测方法,本方案具有精度高、计算简单、适用范围广、运算效率高等特点。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,基于历史资料分析的建筑物沉降预测方法,包括以下步骤:
(1)采集监测数据,提取第i期的监测时刻ti,及沉降监测数据Zi,其中,i=1,2,...,h;
(2)将监测数据按时间顺序分为两部分:第一部分为:由a(a≥10)对观测数据组成的学习数据;另一部分为:由b对观测数据组成的检验数据;
(3)历史监测数据的分析:利用移动平均法对学习数据进行平滑处理;对平滑后的数据进行分析,按监测时间递增的顺序,计算各点与下一点连线段的斜率;寻找学习数据中最后一个沉降监测值周围的极值点。
(4)利用相关系数建立支持向量机回归预测模型;
(5)利用插值余项建立牛顿插值预测模型:
Pn(x)=f(x0)+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+…
+f[x0,x1,…,xn](x-x0)…(x-xn-1)
式中,xk表示n+1期数据中第k+1期数据的监测时间。
(6)区分近点与远点,建立加权移动平均法预测模型:
对a个学习数据,按监测时间递增的顺序逐点推移求出n(n≥3)期数据的加权平均数,n期数据的权值分别取为ω1,ω2,…,ωn,将Rj作为第j+1期的预测值:
Rj=ω1yj+ω2yj-1+…+ωnyj-n+1
(7)建立组合模型:
ft=[k1,k2,k3][f1,f2,f3]T
式中,ft为t时刻组合模型的预测值,k1、k2、k3及f1、f2、f3分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的权及预测值。
(8)计算支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型在组合模型中的权值;
(9)利用组合模型预测任意时刻的建筑物沉降值。
步骤(3)中历史监测数据的分析的方法为:
(301)利用移动平均法对学习数据进行平滑处理。按监测时间递增的顺序逐点推移求出N(2≤N≤5)个数的平均数,即可得到一次移动平均数:
式中,为第j个数据的移动平均数;yj为第j个沉降监测值。
(302)对平滑后的数据进行分析,按时间t递增的顺序,计算各点与下一点连线段的斜率:
(303)寻找学习数据中最后一个沉降监测值周围的极值点,极值点的判断方法为:该点为斜率正负号变化的临界点,且正负号与后一点保持一致;若全序列所有斜率符号均不变化,则取学习数据的倒数第十个点作为临界点。将临界点及其之后的点称为近点,其余则为远点。
步骤(4)中建立支持向量机回归预测模型的方法为:
(401)将高斯函数作为支持向量机回归预测模型的核函数。
(402)利用支持向量机回归模型对学习数据进行训练并计算相关系数,其中,相关系数r的计算公式为:
式中,Xi'为沉降监测值,Yi'为沉降预测值,为沉降监测值平均值,为沉降预测值平均值;
(403)计算相关系数的均值若则按监测时间递增的顺序,自数据的左侧减少训练数据个数,直至
(404)利用训练完毕的支持向量机模型预测任意时刻的沉降值。
步骤(5)中建立牛顿插值预测模型的方法为:
(501)从学习数据中,选取末尾n+1(初始值为a)期数据计算各点间的差商:
式中,xk表示n+1期数据中第k+1期数据的监测时间。
(502)构造牛顿插值预测模型:
Pn(x)=f(x0)+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+…
+f[x0,x1,…,xn](x-x0)…(x-xn-1)
(503)计算插值余项:
令:
ωn+1(x)=(x-x0)(x-x1)…(x-xn)
插值余项可表示为:
Rn(x)=f[x,x0,…,xn]ωn+1(x)
若Rn(x)>0.001,则按监测时间递增的顺序,自数据的左侧减少训练数据个数,且取n=n-1,重新构造牛顿插值预测模型,直至Rn(x)≤0.001。
步骤(6)中建立加权移动平均法预测模型的方法为:
(601)对a个学习数据,按监测时间递增的顺序逐点推移求出n(n≥3)期数据的加权平均数,n期数据的权值分别取为ω1,ω2,…,ωn,则第j期数据的加权算术移动平均值为
取:则上式可表示为:
Rj=ω1yj+ω2yj-1+…+ωnyj-n+1
将Rj作为第j+1期的预测值,即
(602)近点数据权值之和与远点数据权值之和定为8:2,则近点与远点的权可分别表示为:及N1及N2分别为n期数据中近点及远点的个数。
步骤(8)中计算权值的方法为:
(801)计算个体模型的预测误差:
令:
式中,yt为实际观测值,f1t、f2t、f3t分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的预测值;e1t、e2t、e3t分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的预测误差。
(802)计算加权平均预测误差绝对值之和:
令:
式中,J1、J2、J3分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型预测误差的绝对值之和;J表示加权平均预测误差的绝对值之和;b为检验数据个数。
(803)支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的权值可分别由下式计算:
Claims (6)
1.一种基于历史资料分析的建筑物沉降预测方法,其特征在于,包括如下步骤:
采集监测数据,提取第i期的监测时刻ti,及沉降监测数据Zi,其中,i=1,2,...,h;
将采集到的监测数据按时间顺序分为两部分:第一部分为:由a(a≥10)对观测数据组成的学习数据;另一部分为:由b对观测数据组成的检验数据;
历史监测数据的分析:利用移动平均法对学习数据进行平滑处理,得到平滑后的学习数据;对平滑后的学习数据进行分析,按监测时间递增的顺序,计算各点与下一点连线段的斜率;寻找学习数据中最后一个沉降监测值周围的极值点;
利用相关系数建立支持向量机回归预测模型;
利用插值余项建立牛顿插值预测模型:
Pn(x)=f(x0)+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+…
+f[x0,x1,…,xn](x-x0)…(x-xn-1)
式中,xk表示n+1期数据中第k+1期数据的监测时间;
区分近点与远点,建立加权移动平均法预测模型:对a个学习数据,按监测时间递增的顺序逐点推移求出n(n≥3)期数据的加权平均数,n期数据的权值分别取为ω1,ω2,…,ωn,将Rj作为第j+1期的预测值:
Rj=ω1yj+ω2yj-1+…+ωnyj-n+1
建立组合模型:
ft=[k1,k2,k3][f1,f2,f3]T
式中,ft为t时刻组合模型的预测值,k1、k2、k3及f1、f2、f3分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的权及预测值;
计算支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型在组合模型中的权值;
利用组合模型预测任意时刻的建筑物沉降值。
2.根据权利要求1所述的一种基于历史资料分析的建筑物沉降预测方法,其特征在于:历史监测数据的分析的方法为:
利用移动平均法对学习数据进行平滑处理;按监测时间递增的顺序逐点推移求出N(2≤N≤5)个数的平均数,即可得到一次移动平均数:
式中,为第j个数据的移动平均数;yj为第j个沉降监测值;
对平滑后的数据进行分析,按时间t递增的顺序,计算各点与下一点连线段的斜率:
寻找学习数据中最后一个沉降监测值周围的极值点,极值点的判断方法为:该点为斜率正负号变化的临界点,且正负号与后一点保持一致;若全序列所有斜率符号均不变化,则取学习数据的倒数第十个点作为临界点;将临界点及其之后的点称为近点,其余则为远点。
3.根据权利要求1所述的一种基于历史资料分析的建筑物沉降预测方法,其特征在于:建立支持向量机回归预测模型的方法为:
将高斯函数作为支持向量机回归预测模型的核函数;
利用支持向量机回归模型对学习数据进行训练并计算相关系数,其中,相关系数r的计算公式为:
式中,Xi'为沉降监测值,Yi'为沉降预测值,为沉降监测值平均值,为沉降预测值平均值;
计算相关系数的均值若则按监测时间递增的顺序,自数据的左侧减少训练数据个数,直至
利用训练完毕的支持向量机模型预测任意时刻的沉降值。
4.根据权利要求1所述的一种基于历史资料分析的建筑物沉降预测方法,其特征在于:建立牛顿插值预测模型的方法为:
从学习数据中,选取末尾n+1(初始值为a)期数据计算各点间的差商:
式中,xk表示n+1期数据中第k+1期数据的监测时间;
构造牛顿插值预测模型:
Pn(x)=f(x0)+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+…
+f[x0,x1,…,xn](x-x0)…(x-xn-1)
计算插值余项:
令:
ωn+1(x)=(x-x0)(x-x1)…(x-xn)
插值余项可表示为:
Rn(x)=f[x,x0,…,xn]ωn+1(x)
若Rn(x)>0.001,则按监测时间递增的顺序,自数据的左侧减少训练数据个数,且取n=n-1,重新构造牛顿插值预测模型,直至Rn(x)≤0.001。
5.根据权利要求1所述的一种基于历史资料分析的建筑物沉降预测方法,其特征在于:建立加权移动平均法预测模型的方法为:
对a个学习数据,按监测时间递增的顺序逐点推移求出n(n≥3)期数据的加权平均数,n期数据的权值分别取为ω1,ω2,…,ωn,则第j期数据的加权算术移动平均值为
取:则上式可表示为:
Rj=ω1yj+ω2yj-1+…+ωnyj-n+1
将Rj作为第j+1期的预测值,即
近点数据权值之和与远点数据权值之和定为8:2,则近点与远点的权可分别表示为:及N1及N2分别为n期数据中近点及远点的个数。
6.根据权利要求1所述的一种基于历史资料分析的建筑物沉降预测方法,其特征在于:计算权值的方法为:
计算个体模型的预测误差:
令:
式中,yt为实际观测值,f1t、f2t、f3t分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的预测值;e1t、e2t、e3t分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的预测误差。
计算加权平均预测误差绝对值之和:
令:
式中,J1、J2、J3分别为支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型预测误差的绝对值之和;J表示加权平均预测误差的绝对值之和;b为检验数据个数;
支持向量机回归预测模型、牛顿插值预测模型及加权移动平均法预测模型的权值可分别由下式计算:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410162042.5A CN103942433A (zh) | 2014-04-21 | 2014-04-21 | 一种基于历史资料分析的建筑物沉降预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410162042.5A CN103942433A (zh) | 2014-04-21 | 2014-04-21 | 一种基于历史资料分析的建筑物沉降预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103942433A true CN103942433A (zh) | 2014-07-23 |
Family
ID=51190101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410162042.5A Pending CN103942433A (zh) | 2014-04-21 | 2014-04-21 | 一种基于历史资料分析的建筑物沉降预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942433A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122111A (zh) * | 2014-08-12 | 2014-10-29 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构的三类综合安全预警方法 |
CN104268662A (zh) * | 2014-10-14 | 2015-01-07 | 河海大学 | 一种基于分步优化分位数回归的沉降预测方法 |
CN104599002A (zh) * | 2015-02-13 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 预测订单价值的方法及设备 |
CN106295869A (zh) * | 2016-08-04 | 2017-01-04 | 辽宁工程技术大学 | 一种基于改进无偏灰色模型的建筑物沉降预测方法 |
CN106759546A (zh) * | 2016-12-30 | 2017-05-31 | 重庆邮电大学 | 基于改进多变量灰色预测模型的基坑变形预测方法及装置 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109214470A (zh) * | 2018-10-25 | 2019-01-15 | 中国人民解放军国防科技大学 | 一种基于编码网络微调的图像能见度检测方法 |
CN112036436A (zh) * | 2020-07-23 | 2020-12-04 | 国网江苏省电力有限公司检修分公司 | 一种调相机油温预测系统的数据噪声处理方法及处理系统 |
CN113864372A (zh) * | 2021-11-01 | 2021-12-31 | 中国第一汽车股份有限公司 | 一种变速器预测性热防护方法和汽车 |
CN115200545A (zh) * | 2022-07-14 | 2022-10-18 | 广东电网有限责任公司 | 一种基于无线数字传输技术的变电站沉降监测装置 |
-
2014
- 2014-04-21 CN CN201410162042.5A patent/CN103942433A/zh active Pending
Non-Patent Citations (9)
Title |
---|
JANA EKLUND等: "Forecast Combination and Model Averaging using Predictive Measures", 《ECONOMETRIC REVIEWS》 * |
冯金巧: "城市道路交通拥挤预测关键技术研究", 《中国博士学位论文全文数据库:工程科技II辑》 * |
应维云: "SVM方法及其在客户流失预测中的应用研究", 《系统工程理论与实践》 * |
权轶: "组合预测方法中的权重算法及应用", 《科技创业月刊》 * |
李德江等: "基于支持向量机的建筑物沉降预测模型研究", 《测绘工程》 * |
李恒凯等: "基于牛顿插值的建筑物沉降灰色预测模型研究", 《工程勘察》 * |
牟洪洲: "建筑沉降监测数据处理组合模型研究", 《中国优秀硕士学位论文全文数据库:工程科技II辑》 * |
王栓宏: "判别极值点的一种方法", 《张掖师专学报(综合版)》 * |
王静等: "基于组合模型的建筑物沉降预测", 《江西科学》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122111A (zh) * | 2014-08-12 | 2014-10-29 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构的三类综合安全预警方法 |
CN104122111B (zh) * | 2014-08-12 | 2016-11-23 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构的三类综合安全预警方法 |
CN104268662A (zh) * | 2014-10-14 | 2015-01-07 | 河海大学 | 一种基于分步优化分位数回归的沉降预测方法 |
CN104268662B (zh) * | 2014-10-14 | 2017-08-01 | 河海大学 | 一种基于分步优化分位数回归的沉降预测方法 |
CN104599002A (zh) * | 2015-02-13 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 预测订单价值的方法及设备 |
CN106295869A (zh) * | 2016-08-04 | 2017-01-04 | 辽宁工程技术大学 | 一种基于改进无偏灰色模型的建筑物沉降预测方法 |
CN106759546A (zh) * | 2016-12-30 | 2017-05-31 | 重庆邮电大学 | 基于改进多变量灰色预测模型的基坑变形预测方法及装置 |
CN106759546B (zh) * | 2016-12-30 | 2018-11-13 | 重庆邮电大学 | 基于改进多变量灰色预测模型的基坑变形预测方法及装置 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN108985340B (zh) * | 2018-06-22 | 2021-06-01 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109214470A (zh) * | 2018-10-25 | 2019-01-15 | 中国人民解放军国防科技大学 | 一种基于编码网络微调的图像能见度检测方法 |
CN109214470B (zh) * | 2018-10-25 | 2020-11-03 | 中国人民解放军国防科技大学 | 一种基于编码网络微调的图像能见度检测方法 |
CN112036436A (zh) * | 2020-07-23 | 2020-12-04 | 国网江苏省电力有限公司检修分公司 | 一种调相机油温预测系统的数据噪声处理方法及处理系统 |
CN112036436B (zh) * | 2020-07-23 | 2024-02-13 | 国网江苏省电力有限公司检修分公司 | 一种调相机油温预测系统的数据噪声处理方法及处理系统 |
CN113864372A (zh) * | 2021-11-01 | 2021-12-31 | 中国第一汽车股份有限公司 | 一种变速器预测性热防护方法和汽车 |
CN115200545A (zh) * | 2022-07-14 | 2022-10-18 | 广东电网有限责任公司 | 一种基于无线数字传输技术的变电站沉降监测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942433A (zh) | 一种基于历史资料分析的建筑物沉降预测方法 | |
Xu et al. | Uncertainty analysis in statistical modeling of extreme hydrological events | |
CN103793601A (zh) | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 | |
CN104537211A (zh) | 一种基于层次分析法及灰色理论的企业安全风险预警方法 | |
CN104732303A (zh) | 一种基于动态径向基函数神经网络的油田产量预测方法 | |
CN103558360A (zh) | 一种降雨型滑坡临界失稳启动降雨量的测定方法 | |
CN105300692A (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN104050514A (zh) | 一种基于再分析数据的海浪有效波高的长期趋势预测方法 | |
CN103268525B (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
Wang et al. | Forecast of water level and ice jam thickness using the back propagation neural network and support vector machine methods | |
CN107363645A (zh) | 基于功率检测的铣床加工过程刀具磨损量预测方法 | |
CN103198215A (zh) | 一种基于差异进化支持向量机的坑外土体沉降预测方法 | |
CN104376384A (zh) | 一种基于电力大数据分析的台风日最大日负荷预测系统 | |
CN108090614A (zh) | 一种基于相关系数的空间风场预测模型建立方法 | |
CN105653851A (zh) | 基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法 | |
Liu et al. | Gauss process based approach for application on landslide displacement analysis and prediction | |
CN104268662B (zh) | 一种基于分步优化分位数回归的沉降预测方法 | |
CN103617468A (zh) | 一种生活必需品中长期预测方法 | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
CN103942430A (zh) | 一种基于组合模型的建筑物沉降预测方法 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN104866930A (zh) | 一种基于定量筛选时间序列预测模型的时间序列预测方法 | |
Bhatta et al. | Seismic damage prediction of RC buildings using machine learning | |
CN106295869A (zh) | 一种基于改进无偏灰色模型的建筑物沉降预测方法 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140723 |