导读:本文包含了沉降预测模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,灰色,神经网络,组合,序列,路基,时间。
沉降预测模型论文文献综述
赵磊磊,花向红,邵梽,赵朋[1]（2019）在《改进的新陈代谢GM(1,1)模型在建筑物沉降预测中的应用》一文中研究指出对新陈代谢GM(1,1)模型所采用的灰色预测方法进行了改进,运用新的代数递推方程替代了原始的灰色微分方程,并利用某建筑物的沉降观测数据进行了预测与分析,结果表明,改进后的新陈代谢GM(1,1)模型的预测精度得到了显着提高。(本文来源于《测绘地理信息》期刊2019年06期）
李广源,花向红,韩浩然,续东[2]（2019）在《一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型》一文中研究指出根据高铁沉降监测和预测特点,提出了一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型,给出了组合高铁沉降预测模型实施步骤。通过某一高铁沉降监测数据,对单一模型和组合模型预测进行分析比较,结果表明,采用变系数组合模型求出的预测值精度更高。(本文来源于《测绘地理信息》期刊2019年06期）
陆潘,杜英辉,陈雷,马坤,沈宇鹏[3]（2019）在《考虑车流量的BP神经网络模型预测吹填土地区路基工后沉降》一文中研究指出根据吹填土路基工后沉降原理,选取曹妃甸北环路吹填土路基某一断面的车流量和时间作为影响因素,建立了考虑车流量的BP神经网络模型,并将之用于吹填土路基的工后沉降预测。与泊松曲线模型和双曲线模型的预测结果对比后发现,BP神经网络模型预测精度更高,误差在4%以内,从而验证了考虑车流量的BP神经网络模型在解决该类问题上的简便性和适用性。(本文来源于《中国港湾建设》期刊2019年11期）
沙爱敏,吕凡任,尹继明,王晓东[4]（2019）在《基于变权重组合预测模型的软土路基沉降预测研究》一文中研究指出为建立更加符合软土路基沉降的预测模型与方法,以某公路工程实测沉降数据为研究对象,对软土路基沉降规律进行分析基础上,分别建立Logistic模型,双曲线模型,Gompertz模型,乘幂模型和对数模型5种预测模型.将5种单项模型预测值与实测值进行对比分析,得到3种优势模型.以组合预测模型理论为依据,赋予3种优势模型不同权重系数建立变权重组合预测模型.结果表明,模型预测值与实测值拟合程度更好,预测精度和可靠性都显着高于单项预测模型,具有明显的优越性.模型能准确地预测长期沉降,更适合于作为公路软土路基沉降预测模型.(本文来源于《数学的实践与认识》期刊2019年21期）
林晓东,林浩[5]（2019）在《考虑序列关联性的公路隧道沉降预测模型》一文中研究指出准确预测公路隧道结构沉降数据对工程安全风险控制具有重要意义。针对传统自回归-滑动平均时间序列预测模型(Auto-Regressive and Moving Average)的单一线性问题,该文提出了考虑沉降数据空间关联性的向量-结构时间序列模型(Structural Vector Time Series)。该模型由向量式和结构式两部分组成:①向量式时间序列模型可模拟多维时间序列变量当期项与滞后项的关联关系;②结构式时间序列则建立多维时间序列当期项的关联关系。最后以上海某一公路隧道为工程案例,计算结果表明考虑空间关联性的向量-结构时间序列模型比传统时间序列模型预测精度更高。(本文来源于《中外公路》期刊2019年05期）
马争锋,王青志[6]（2019）在《非等时距灰色模型在冻土路基沉降预测中的应用》一文中研究指出基于2012年5月～2016年10月G109线K2967+850监测断面处冻土路基的沉降监测数据资料,根据在冻融循环条件下产生的沉降数据多周期和波动性的特点,以及监测数据采集时间间隔不等长的原因,采用非等时距GM(1,1)灰色预测模型构建了冻土路基累计沉降量预测模型。通过将预测模型的模拟值序列与实测值序列进行对比,验证了模型的模拟精度达到I级以上,证明用此模型对K2967+850监测断面2 m深度以内冻土路基的沉降预测是可信的。(本文来源于《广西大学学报(自然科学版)》期刊2019年05期）
马婧,刘婷婷,吕岩[7]（2019）在《基于灰色理论和BP神经网络的季冻区草炭土路基沉降预测模型研究》一文中研究指出随着北方交通工程建设范围的不断扩大,很多高速公路不可避免地穿越草炭土分布区。季冻区草炭工具有高含水率,高有机质,低分解度等特殊工程地质性质,使沉降预测的理论计算误差较大不能满足实际工程需求。本文首先分析了季冻区草炭土路基沉降机理的特殊性,以此提出了优化的灰色沉降预测模型和二维-双隐层BP神经网络沉降预测模型。两种沉降预测模型不仅考虑了草炭土本身复杂的工程地质性质、北方地区季冻情况对土体自然沉降的影响,还引入了填筑情况等工程因素对路基沉降量的深度学习。以长白山吉林到延吉高速公路草炭土路基沉降实际监测数据为例,将两种模型拟合及预测结果进行对比分析,结果表明两种模型的拟合预测精度均较高,并且各有优势,由此本文对该类工程中两种预测模型各自的特点进行了总结,为北方地区草炭土路基沉降多因素预测模型的研究提供一定参考价值。(本文来源于《2019年全国工程地质学术年会论文集》期刊2019-10-11）
张闯,李建中,胡天杨,张玉炘[8]（2019）在《4种灰色Verhulst模型在基坑沉降预测中的应用研究》一文中研究指出基于基坑沉降监测问题,提出了4种监测模型。模型1为传统的灰色Verhulst模型。模型2为采用变换倒数和优化的约束模型来求解背景值参数与初值参数的优化灰色Verhulst模型。模型3为采用离散化思维对原数据序列进行倒数变换,完成从连续的形式向离散的形式变化的优化灰色离散Verhulst模型。模型4为采用新陈代谢方法的优化灰色离散Verhulst模型。利用提出的4种模型对中国深圳龙城工业园某基坑的沉降进行预测计算。计算结果与实测结果比较表明,采用新陈代谢方法的优化灰色离散Verhulst模型具有较高的预测精度和稳定性,能较好地描述基坑沉降。(本文来源于《2019年全国工程地质学术年会论文集》期刊2019-10-11）
彭渊[9]（2019）在《一种基于遗传算法优化的BP神经网络建筑物沉降预测模型》一文中研究指出为提高建筑物基坑沉降预测精度,针对传统BP神经网络模型收敛速度慢和易陷入局部最小值的缺陷,利用遗传算法的全局寻优能力建立基于GA-BP神经网络的高精度建筑物基坑沉降预测模型。结合实际建筑物的基坑沉降监测数据,与传统BP神经网络预测模型进行对比,结果表明基于GA-BP神经网络的沉降预测精度更高。(本文来源于《江西测绘》期刊2019年03期）
王璐,桂占飞[10]（2019）在《GM-ARMA-BP组合模型在建筑物沉降预测中的应用》一文中研究指出针对建筑物变形监测中的沉降预测问题,本文结合灰色模型、时间序列模型和BP神经网络模型的优点,提出了GM-ARMA-BP组合模型进行沉降预测的方法,有效克服了单一模型稳定性差的缺点,并以某高层建筑沉降观测数据为样本,通过对这几种模型的沉降预测结果进行比较分析,结果表明:GMARMA-BP组合模型预测效果最好,精度较单一模型提高50%以上,并且具有一定的适用性。(本文来源于《北京测绘》期刊2019年09期）
沉降预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
根据高铁沉降监测和预测特点,提出了一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型,给出了组合高铁沉降预测模型实施步骤。通过某一高铁沉降监测数据,对单一模型和组合模型预测进行分析比较,结果表明,采用变系数组合模型求出的预测值精度更高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
沉降预测模型论文参考文献
[1].赵磊磊,花向红,邵梽,赵朋.改进的新陈代谢GM(1,1)模型在建筑物沉降预测中的应用[J].测绘地理信息.2019
[2].李广源,花向红,韩浩然,续东.一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型[J].测绘地理信息.2019
[3].陆潘,杜英辉,陈雷,马坤,沈宇鹏.考虑车流量的BP神经网络模型预测吹填土地区路基工后沉降[J].中国港湾建设.2019
[4].沙爱敏,吕凡任,尹继明,王晓东.基于变权重组合预测模型的软土路基沉降预测研究[J].数学的实践与认识.2019
[5].林晓东,林浩.考虑序列关联性的公路隧道沉降预测模型[J].中外公路.2019
[6].马争锋,王青志.非等时距灰色模型在冻土路基沉降预测中的应用[J].广西大学学报(自然科学版).2019
[7].马婧,刘婷婷,吕岩.基于灰色理论和BP神经网络的季冻区草炭土路基沉降预测模型研究[C].2019年全国工程地质学术年会论文集.2019
[8].张闯,李建中,胡天杨,张玉炘.4种灰色Verhulst模型在基坑沉降预测中的应用研究[C].2019年全国工程地质学术年会论文集.2019
[9].彭渊.一种基于遗传算法优化的BP神经网络建筑物沉降预测模型[J].江西测绘.2019
[10].王璐,桂占飞.GM-ARMA-BP组合模型在建筑物沉降预测中的应用[J].北京测绘.2019
论文知识图
