基于灰色⁃广义回归神经网络模型的城市群交通运输能力预测

城市群交通运输能力是构建国家综合立体交通网的战略基石。鉴于传统预测方法难以适应城市群交通运输能力影响因素众多且存在时变、耦合、不确定性强等特征,提出了一种灰色-广义回归神经网络的复合模型,以预测未来城市群交通运输能力。首先,选用LASSO算法筛选主要影响变量来降低数据复杂度,运用GM(1,1)模型弱化数据序列的随机性,预测影响变量时间序列的变化趋势,并填补数据缺失。然后,以20002019年京津冀城市群的数据集训练GRNN模型,根据GM(1,1)模型预测出的20202025年城市群交通运输能力影响因素,得出未来年份交通运输能力动态趋势。结果表明,复合预测模型精度优于传统方法,有效减少了小样本预测的不确定性。最后,结合预测结果分析了京津冀城市群核心区位城市的发展方向,为助力构建以城市群为重要抓手的新发展格局进行了前瞻性探讨。

基于高精度GPS的盾构隧道下穿河道河床变形监测

为了解决盾构隧道下穿河流施工过程中河床变形难以采用水准仪、全站仪等传统方法监测的问题,作者以石家庄地铁1号线双线盾构隧道下穿滹沱河工程为例,介绍了高精度全球定位系统(global positioning system,GPS)静态观测方法在河床变形长期监测中的应用.首先,布置目标区域监测网,包括1台参考站和6台监测站;然后,对基准站稳定性进行评估,并解算各监测站位移时间序列;最后,根据监测站位移时间序列分析盾构施工影响下河床的变形规律.观测结果表明,该监测方法精度可达到亚毫米级,河床沉降开始于掌子面到达前3~4D(隧道外径),盾尾脱出时沉降速率达到最大值,后行线对地表横向水平位移的影响比先行线的影响大.