基于TGWO-LightGBM的混凝土坝变形预测模型

变形是影响混凝土坝安全运行的重要因素之一,对其中径向位移的预测能够保证混凝土坝在运行期间的安全。然而,大坝的变形数据并不是线性变化且容易陷入局部最优,为了解决这一问题,利用非线性灰狼优化算法(TGWO)对轻量梯度提升机(LightGBM)进行优化,构建了一种以统计模型为基础的TGWO-LightGBM混凝土坝变形预测模型。仿真结果表明,TGWO-LightGBM模型相较于GWO-LightGBM模型、LightGBM模型,能够较好地搜索并优化轻量梯度提升机神经网络的参数、更好地平衡全局和局部性能,从而使得LightGBM预测模型具有更高的预测精度。

基于改进灰狼算法优化BP神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据.提出一种基于改进灰狼算法(TGWO)优化BP神经网络的短时交通流预测模型(TGWO-BP),有效提高短时交通流预测精度.针对标准灰狼算法(GWO)收敛速度慢,容易陷入局部极值的问题,提出一种自适应递减的收敛因子,使灰狼算法区分全局搜索和局部搜索;改进灰狼个体的位置更新公式,引入惯性权重,调节惯性权重大小使灰狼算法具有跳出局部极值的能力;对比分析TGWO-BP、GWOBP、PSO-BP、BP这4种短时交通流预测模型,结果显示,TGWO-BP的短时交通流预测模型误差为10.03%,达到较好的预测精度.