基于最小二乘支持向量机的高速铁路路基沉降预测.pdfVIP

第33卷 ，第6期 中 国 铁 道 科 学 Vo1．33 No．6 2012年 11月 CHINA RAILWAY SCIENCE November，2012 文章编号：1001—4632 (2012)06—0006—05 基于最小二乘支持向量机的高速铁路路基沉降预测 冯胜洋，魏丽敏，郭志广 (中南大学 土木工程学院，湖南 长沙 410075) 摘 要：高速铁路路基的施工环境复杂，沉降监测数据往往是不等时距的。鉴于最tb_--乘支持向量机拥有 强大的非线性拟合能力，使用最小二乘支持向量机建立沉降与时间的关系函数，以等时间步长插值得到路基的 等时距沉降时间序列，建立基于最小二乘支持向量机的高速铁路路基沉降预测模型。分别运用给出的预测模型 和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测，并 与现场实测数据对比。结果表明，短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的 预测精度高，预测结果更稳定，外推预测沉降更可靠。 关键词 ：路基；沉降预测；最小二乘支持向量机；时间序列；预测模型；高速铁路 中图分类号：U216．417；TU433 文献标识码 ：A doi：10．3969／j．issn．1001—4632．2012．06．02 在高速铁路建设过程中，路基沉降监测是必不 决人工神经网络遇到的问题，具有很好的非线性映 可少的环节，实测的路基沉降监测数据蕴含着丰富 射能力。该理论在一些工程领域已得到了应用，取 的系统演化信息。以这些路基沉降监测数据为基 得了较好的预测效果[5]，但由于支持向量机的算 础，使用合适的预测方法对高速铁路路基进行沉降 法复杂程度随着学习样本容量的增加而显著增大， 预测，进而为确定高速铁路路基填筑方案和选择合 Suykens等[7_]提出了支持向量机的一种改进形式， 理的铺轨时问提供参考。目前，路基沉降预测方法 即最sJ~--乘支持向量机理论 (L SVIⅥ)，顺利地 有多种，如曲线拟合法、灰色系统法和人工神经网 解决了支持向量机处理大样本问题时运算时间过长 络法等。曲线拟合法简单实用，但其前提是假定荷 的问题。本文使用 L SVM对不等时距的高速铁 载一次施加，这与高速铁路复杂的施工过程不符， 路路基沉降监测数据进行等时距处理，建立基于 因此，该方法前期沉降预测不够稳定，与实测值相 LS-SVM 的高速铁路路基沉降时间序列预测模型， 差较大1-13。灰色系统理论提供了在贫信息情况下求 进行路基沉降预测。 解系统问题的新途径，该方法要求原始数据满足光 滑离散函数[2]，对数据的要求较高，然而由于高速 最小二乘支持向量机 铁路路基施工环境复杂，沉降监测数据不可避免会 出现较大的波动，若不对数据进行处理，预测沉降 设训练样本集 {(五，Y)，i一 1，2，…，N)，其 可能出现较大偏离。人工神经网络具有很强的非线 中，z ∈R 为咒维的输入样本，Y ∈R为输出样 性映射能力，而且还具有 自组织、自学习、非线性 本。LS-SVM的原理与经典支持向量机基本相同， 动态处理及容错性强等优点，因此被广泛用于路基 两者的主要区别是LS-SVM对经典支持向量机的 沉降预测，但是人工神经网络存在过拟合、训练过 优化问题进行了改进，LS-SVM 的优化问题为 程受局部极小点的困扰、网格结构的选择过分依赖 一 N ， N m inJ(cu，8)一1∑}+专c∑学 (1) 经验等缺陷，直接影响