关键词： 建筑工程   施工成本预测   极限学习机   支持向量机   融合预测模型  

摘要： 随着建筑工程行业的发展,施工成本预测越来越受到重视。为了提高预测准确性,我们提出了一种基于极限学习机(ELM)和支持向量机(SVM)的融合预测模型。首先,我们分别构建了基于ELM和SVM的子预测模型,然后通过加权融合策略将两种子模型结合在一起。实验结果表明,所提出的融合预测模型在建筑工程施工成本预测方面表现优越,具有较高的预测精度和稳定性。我们对比了ELM、SVM和多层感知机(MLP)等方法的性能,并对融合预测模型进行了详细的分析。此外,我们还讨论了未来研究方向,以期推动建筑工程施工成本预测领域的发展。

关键词： 滑坡敏感性   数据驱动   元学习   小样本学习  

摘要： 滑坡灾害是当前制约中国西部山区重大基础设施建设的最重要因素之一。如何可靠开展广域范围滑坡敏感性预测,一直是国内外研究的难点。现有以深度学习为代表的数据驱动广域复杂环境敏感性分析方法仍面临两大挑战:(1)广域范围滑坡孕灾环境的差异性:单一模型难以可靠预测(解释)不同孕灾环境滑坡易发性;(2)小样本问题:中国西南山区滑坡隐蔽性强,探测成本高昂,样本数据少。针对以上问题,以中国重庆市綦江、涪陵区为例,采用分块预测策略,元学习一种泛化性强的适于滑坡敏感性小样本预测的中间表征,通过局部区域中极少的样本和反向传播梯度迭代次数,将模型快速适应于当前局部区域滑坡敏感性预测任务,从而解决广域范围滑坡孕灾环境差异问题与小样本问题。区别于支持向量机、多层感知机、随机森林等传统方法需要大量样本及梯度迭代训练监督模型,所提方法仅需要小样本微调中间模型,就使滑坡敏感图预测精度提升1%~5%,准确度提升1%~3%,F1分数提升0.5%~6%,召回率接近其他方法最高水平。

关键词： 地铁轨道   沉降预测   小波去噪   粒子群优化(PSO)   极限学习机(ELM)  

摘要： 地铁轨道结构变形是影响地铁安全运营的重要因素,尤其是在沉降变形方面,因此监测地铁轨道沉降变形,同时根据监测结果对轨道的沉降变形趋势进行准确判断具有重要意义。本文以某市地铁2号线轨道监测数据为例,发挥小波分析与极限学习机(ELM)模型在数据处理、数据预测中的优势,将粒子群优化(PSO)算法用于ELM模型参数优化中,构建基于小波去噪的PSO-ELM组合预测模型,进行地铁轨道的沉降变形预测研究。通过小波分析进行监测数据去噪,解决了监测数据不稳定带来的预测结果的干扰问题;通过构建PSO-ELM组合预测模型,解决了模型参数选取随机性带来的预测精度受限问题。本文将提出的小波去噪PSO-ELM模型与单一ELM模型、小波去噪ELM模型的沉降预测结果进行对比分析,结果表明本文提出的组合预测模型预测精度最高,同时预测误差不会随预测期数的增加产生明显变化,具有较高的稳健性与适应性。

关键词： 短期负荷预测   极限学习机   微电网   实际负荷   运行经济性   信息矩阵   变量相关性  

摘要： 常规的新能源微电网短期负荷预测方法主要使用气象相似日集确定预测变量相关性,易受信息矩阵变化影响,导致预测负荷与实际负荷相差过高。因此,需要基于极限学习机设计一种全新的新能源微电网短期负荷预测方法。即生成了新能源微电网短期负荷预测指标,利用极限学习机构建了微电网短期负荷预测模型,设计了新能源微电网短期负荷预测算法,从而实现新能源微电网短期负荷预测。实验结果表明,设计的新能源微电网极限学习机短期负荷预测方法的预测负荷与实际负荷较接近,证明设计的短期负荷预测方法的预测效果较好,具有准确性,有一定的应用价值,为提高微电网运行经济性作出了一定的贡献。

关键词： 日径流预测   正则化极限学习机   蜣螂优化算法   珍鲹优化算法   泥环算法   小波包变换   三峡水库  

摘要： 准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

关键词： 现货价格预测   人工神经网络   极限学习机   电力市场  

摘要： 电力不同于其他商品一样能够进行存储,电力现货价格往往存在着不确定性。在竞争激烈的市场中,电力现货价格预测模型成为了电力相关企业非常重要的工具。为进一步加强电力相关企业的购电决策能力,提出了一种基于极限学习机算法的中短期电力现货价格预测模型。首先通过极限学习机算法训练的人工神经网络确定未来半年的月平均现货价格,其次在算法中构建参考函数返回与给定风险相关的参考价格,降低现货市场波动风险。结果表明,所提出模型的预测均方根误差低于期货价格相关值的10%,能够改善中短期电力交易决策,降低决策风险。

关键词： 滑坡位移   变分模态分解   深度学习   粒子群优化   灰色关联度  

摘要： 针对传统方法在滑坡位移预测时准确率不高、泛化性不足等问题，基于“分解—预测—重构”思想，提出了一种将变分模态分解和深度学习相结合的滑坡位移预测模型。该模型通过灰色关联度分析确定滑坡位移的影响特征，采用粒子群优化算法（ Particle Swarm Optimization， PSO）对变分模态分解（ Variational Mode Decomposition， VMD）进行优化，将滑坡位移分解为具有不同物理意义的分量。针对分解后各分量的时序特点，分别采用多项式曲线拟合、长短时记忆网络（ Long Short-Term Memory，LSTM）和时间卷积网络（ Temporal Convolutional Networks， TCN）进行预测，最终将各分量预测值重构叠加，实现滑坡位移的精准预测。以八字门滑坡数据为例，采用决定系数(Coefficient of Determination， R2)、平均绝对误差（Mean Absolute Error， MAE）、均方根误差（Root Mean Square Error， RMSE）等指标对模型进行量化评估。结果表明：所提出的滑坡位移预测模型精度达到98.6%，能够有效提取滑坡位移数据中隐含的信息特征，对滑坡位移获取具有一定的借鉴意义；在各分量预测中采用不同的模型时，预测效果存在显著差异。因此，针对各分量特征的不同，建立相应的预测模型能够有效提高滑坡位移预测精度；通过参数敏感性分析，得出模型的输入序列长度为12时精度最佳。本文所提模型预测精度良好，可以为滑坡防灾减灾工程的实际应用提供参考。

关键词： 河流水质预测   改进的自适应噪声完备集合经验模态分解   变分模态分解   极限学习机   分频处理  

摘要： 针对城市河流水质中的化学需氧量和高锰酸盐指数无法有效预测的问题,提出一种基于两层分解方法和极限学习机的河流水质预测方法。引入改进的自适应噪声完备集合经验模态分解(improved complete ensemble EMD,ICEEMDAN)分解原始水质时间序列,分频处理子分量为高频分量和低频分量,加入变分模态分解(variational mode decomposition, VMD)对高频分量进行二次分解,建立关于所有分量的极限学习机(extreme learning machine, ELM)和最小二乘支持向量机(least square support vector machine, LSSVM)预测模型,将各分量预测值线性相加得到最终的预测结果。以苏州市水道的水质数据集作为样本进行实验,上述方法得出化学需氧量和高锰酸盐指数的平均绝对误差(mean absolute error, MAE)、均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别为0.076、0.158、2.674%和0.182、0.193、0.673%,在识别和分析关键水质参数方面的稳健性优于其它对比模型,克服了集合经验模态分解(ensemble empirical mode decomposition, EEMD)重构过程中出现的模态混叠问题,特别是在高频分量情况下,能够做到预测更加有效。

关键词： 日径流预测   多极小波包变换   改进浣熊优化算法   混合核极限学习机   超参数优化  

摘要： 为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

关键词： 相空间重构   核极限学习机   交通流预测   蝴蝶优化算法   量子自适应   邻域扰动   惯性权重  

摘要： 传统短时交通流预测精度低、稳定性差,提出一种结合改进蝴蝶算法优化核极限学习机与相空间重构的短时交通流预测模型。结合量子自适应种群初始化、邻域扰动和惯性权重对蝴蝶算法改进,利用改进蝴蝶算法对核极限学习机超参寻优。利用混沌理论确定样本时序最佳延迟时间和嵌入维数,利用PSR对样本重构,利用优化核极限学习机建立短时混沌交通流预测模型。采用郑州市某主干路口车流实测数据进行实证分析,其结果表明,改进模型能够有效降低预测误差,实现混沌交通流实时准确预测。