【技术实现步骤摘要】
基于PPLN的时序组合预测模型
[0001]本专利技术涉及预测模型
，具体涉及基于PPLN的时序组合预测模型。
技术介绍
[0002]地面沉降或软土路基沉降等大多与土的固结压缩有关，但是由于土的特殊工程性质，土的固结和压缩的规律是相当复杂的，它的一些参数也是不易准确测定；通过测量得到的实测沉降资料进行沉降计算能在一定程度上预测土壤沉降趋势，保证沉降工程计算准确率。目前沉降预测的方法有很多，传统常用的各类曲线拟合法都是静态的预测方法。随着上世纪90年代以来系统理论及计算科学的发展，人们又发展了动态的预测方法，如：灰色模型预测法、人工神经网络法等；如今新的发展趋势是分段预测、组合预测。
[0003]目前，软土路基沉降预测的方法主要有2类：一类是利用土的本构模型，采用Biot固结理论的有限元分析方法，但因本构模型与工程实际存在较大差距，预测结果难以令人满意，且土体本构模型的建立尚需大量土工试验，土工参数确定的可靠性也不高，故很难用于指导工程实践。另一类方法是根据实测沉降数据推算沉降与时间的发展关系，用以预测未来的沉降...
【技术保护点】
【技术特征摘要】
1.基于PPLN的时序组合预测模型，其特征在于，包括如下步骤：步骤一、数据预处理：对原始时序数据进行预处理，并通过数据插值处理获取等间隔时间序列数据；步骤二、选择趋势模型：确定等间隔时间序列数据的观测数据，并对通过静态预测法提取多组趋势项部分，通过时间序列自回归模型提取周期项部分；步骤三、执行网络训练：将多组趋势项部分和周期项部分作为输入部分输入投影寻踪学习网络；步骤四、搭建PPLN－TCF预测模型：根据所选取的样本数据对投影寻踪学习网络进行训练；步骤五、验证PPLN－TCF预测模型：将验证数据输入网络，检验当前模型的预测效果。2.根据权利要求1所述的基于PPLN的时序组合预测模型，其特征在于，所述数据插值处理方法为：通过三次样条函数将给定n个观察时间t1<t2<t3<
…
<t
n
及其观测值x1，x2，x3，
…
，x
n
，用三次自然样条函数S(t)求出一组插值点上的函数值及其一阶、二阶导数值；其中，所述三次样条函数采用的方法是用分段三次多项式逼近函数y＝f(x)。3.根据权利要求1所述的基于PPLN的时序组合预测模型，其特征在于，所述步骤二中趋势模型通过对观测数据进行预测分析：对于预测问题：设x(t)为第t期的实际观测值，t＝1，2，
…
，n；验证预测效果：将观测数据最后几期分为三组：A：x(1)，x(2)，
…
x(l)；B：x(l+1)，x(l+2)，
…
x(m)；C：x(m+1)，x(m+2)，
…
x(n)。其中，A组数据用于趋势拟合；B组数据和A组数据为PPLN网络训练样本数据；C组数据为预测模型的验证数据。4.根据权利要求3所述的基于PPLN的时序组合预测模型，其特征在于，基于所述观测数据的趋势模型的建立过程：选择2
‑
3组与观测数据相符的趋势，建立k组趋势模型：y1(t)＝F1(t)
…
y
k
(t)＝F
k
(t)设为第i个模型的第t期的预测值。5.根据权利要求4所述的基于PPLN的时序组合预测模型，其特征在于，通过将所述k组趋势模型的预测值作为网络的前k个输入结点的输入值；根据时间序列自回归模型确定p值，并判断与时间序列{x
t
}相适合的自回归阶数：假设x(t)是网络期望输出，p阶延迟采用观测值x(t
‑
1)，x(t
‑
2)，
…
，x(t
‑
p)，则输入向量X为：网络采用多变量输入、单变量输出方式，实际输出与输入向量满足如下数学模型：
其中是输入层和隐层的连接权向量；α
ij
是输入层的第j个输入和隐层第i个平滑函数f
i
之间的连接权值，i＝1，
…
，q，j＝1，
…
，k+p，满足||α
i
||＝1；f
i
是隐层的第i个平滑函数，i＝1，
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。