基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。

基于RVM与ARMA误差校正的短期风速预测

为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。

龙马溪组页岩数字岩心LSM-RVM数值建模方法研究及TOC含量影响分析

页岩气储层中含有大量有机碳(TOC),其丰度与成熟度对页岩力学特性有重要影响.建立包含TOC的精细数值模型,将有助于探索页岩微结构与矿物组分含量对等效弹性模量的作用程度,是"甜点区"预测的重要理论基础.本文提出了一种离散数值建模方法,基于高精度成像技术,采用晶格弹簧-随机孔隙耦合模型(LSM-RVM)模拟包含多种矿物组分及不同成熟度干酪根的数字岩心,分析TOC成熟度及含量对弹性参数的影响.在该模型中,参数设置(数值阻尼与加载应变速率)至关重要,选取不当会对计算精度造成一定影响.研究结果表明,LSM-RVM能够生成符合TOC及多种矿物实际分布特征的数值模型,是一种精细数值建模方法.

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效地预防边坡破坏灾害的发生。提出了一种基于相关向量机(relevance vector machine,RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机(support vector machine,SVM)模型、径向基函数(radical basis function,RBF)神经网络模型和RVM模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的3种预测指标值均是最小的。其中,平均绝对误差(mean absolute error,MAE)分别降低了86.02%和22.11%,均方根误差(root mean square error,RMSE)分别降低了72.05%和1.09%,相对均方误差(relative root mean square error,RRMSE)也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。

基于粗糙集降维和相关向量机的长期用电需求预测方法

提出基于粗糙集降维的相关向量机用电量预测模型。选取1996—2010年北京市的GDP作为输入值,对应的全社会用电量作为输出值进行分析验证。研究结果表明:相关向量机是一种新的监督学习方法,与支持向量机相比,它更加稀疏,泛化能力更强且不需要设置惩罚因子,而粗糙集降维被用于从多个相关因素中筛选出适用于RVM回归模型的输入向量集,进而提高算法效率;基于相关向量机的用电量预测模型比经过优化参数后的支持向量机预测模型更优。