Professional Documents
Culture Documents
隧道围岩变形预测的进化高斯过程回归模型 刘开云
隧道围岩变形预测的进化高斯过程回归模型 刘开云
12
2 0 1 年 12 月
1 JOURNAL
OF
THE CHINA RAILWAY
SOCIETY De
c ember
2011
文章编号:
1001-8360(
2011)
12-0101-06
隧道围岩变形预测的进化高斯过程回归模型
刘开云1, 方 昱1,2, 刘保国1, 徐 冲1
1.北京交通大学 土木建筑工程学院,北京 100044;2.安徽省高速公路控股集团有限公司,安徽 合肥 230051)
(
摘 要:隧道施工围岩变形预测是关系到隧道施工安全和工程质量的关键,至今已出现多种预测 模 型,但 也 存 在
GPR)引入隧道施工围岩变形预测以克服现有模型存在的问 题,针 对 目 前 采 用
各种问题。本文将高斯过程回归(
共轭梯度法获得 GPR 模型最优超参数的缺陷,将十进制 遗 传 算 法 (
GA)与 高 斯 过 程 回 归 算 法 相 耦 合,采 用 遗 传
算法在训练过程中自动搜索 GPR 模型最优超参数,形成 GA-GPR 算 法,并 编 制 相 应 的 计 算 程 序。 为 了 对 比,采
用遗传算法与支持向量回归(
SVR)算法相耦合,形成 GA-SVR 算法,将 这 两 种 算 法 程 序 应 用 于 黄 榜 岭 隧 道 施 工
围岩变形预测。计算结果对比表明:本文提出的进化高斯 过 程 回 归 算 法 明 显 提 高 了 预 测 精 度 ,并 为 类 似 工 程 提
供借鉴。
关键词:隧道工程;变形预测;高斯过程回归;遗传算法;智能模型
中图分类号: 2 文献标志码:A do
U451. i: 3969/
10. j.i
ssn.
1001-8360.
2011.
12.
017
I
nte
lli
gen
t De
forma
tion
Pre
dic
tion
Mod
elo
f
Tunne
l Su
rround
ing
Rock
Ba
sed
on
Gene
tic-Gau
ssi
an
Pro
ces
s Re
gre
ssi
on
Coup
ling
Alo
gri
thm
,
LIU
Kai-yun1 ,FANG
Yu1 2 ,LIU
Bao-guo1 ,XU
Chong1
(
1.Schoo
l o
f C
ivi
l Eng
ine
erng,Be
i ii
jng
Jiao
tong
Uni
ver
siy,Be
t ii
j 100044,Ch
ng ina;
2.Anhu
i Exp
res
sway
Hol
ding
Gr Co.,Lt
oup d.He
fei
230051,Ch
ina)
Abs
trat:
c Defo
rmati
on pr
edic
tion
of sur
rounding
rock
is
the key
t gua
o r
antee cons
truct
ion
safet
y and qual
ity.By
now,t
here
haveeme
r
ged many kinds of
pr
ed i
cti
on models.however,va
rious prob
lems have beenf
ound wi
th
them.The Gaussi
an Proc
ess(GP)hol
ds many advantagessuch
ase
asy
progr
ammi ng,se
lf-adapt
ivea
cqu
isi
tion
of
hyper
par
ame te
rs and pred
ict
ion wi
th probabil
it i
y nt
erpre
tat
ion.The Gauss
ian pr
ocess r
egres
sion(GPR) is
int
roduced t
o pr
edic
t de
format
ion o
f surroundi
ng
rock.Pre
s en
tly,the
hyper
paramete
rso
f
GPR a
re
got
by max-
imizi
ngt
he
likel
ihood f
unct
ion o
f train
ing sampl
es ba
sed on the
conjuga
te gr
adien
t al
gor
ithm.However,the
con
juga
te
grad
ien
t a
lgo
rit
hm
has
the
sho
rtcomi
ngs
oft
oo
str
ong
dependenc
e on
the
in
iti
alva
l
uei
n
opt
imi
zat
ion,
di
ffi
cul
t det
ermina
tion
ofi
ter
ati
on
steps
and easy
fal
ling
in
to the
loca
l opt
imum.Aimi ng at
overcomingt
hose
shor
tcomings,
the
geneti
c a
lgori
thm(GA) coded
int
he de
cimal
system was
used
to
sea
rch t
he opt
ima l
hyper pa-
r
ame
ter
s o
f GPR
aut
oma
tic
all
y i
n t
het
ra
ini pr
ng oc
ess
so
ast
of
orm
the
GA-GPR
algo
rihm,
t and
the
co
rre-
spond
ing
code
s we
re
prog
rammed
in
MATLAB.The
gene
tic
al
gor
ithm
was
coup
led
wit
h t
hesuppo
rtve
c
tor
re-
r
ges
sion
algo
rit
hm
tof
orm
the
GA-SVR
algo
rit
hm.
Bot
h t
he
GA-GR
and
GA-SVR
algo
rit
hms
wer
e app
lied
in
sur
round
i r
ng ock
def
orma
tion
pred
ict
i o
on ft
he
Huangbang
ling
Tunne
l.I
t i
s conc
luded
thr
ough
compa
rison
tha
t
t
he
GA-GPR
algo
rit
hm
impr
ove
s pr
eci
si o
on fde
f
orma
tion
pred
ict
i o
on ft
unne
l sur
round
ing
rock
obv
ious
l and
y
so
it
providesr
ef
er enc
e f
ors
imi
lar
engi
neeri
ng pro
jects.
Key wo
r s:
d t
unnel engineer
ing;deformat
ion
predi
ction;gaus
sian
proc
ess
reg
res
sion;gene
tic
al
gor
ithm;i
nte
lli-
gen
t mode
l
收稿日期: 2010-03-17;修回日期:2010-07-27
基金项目:中央高校基本科研业务费项目( 2011JBM267)
作者简介:刘开云( 1971—),男,安徽青阳人,副教授,博士。 隧道工程由于赋存环境和材料自身构造上的极度
E-ma
il:
kyl
iu310@126. c
om
102 铁 道 学 报 第 33 卷
本、全局优化和推广性能好的优点,恰好弥补了神经网 测目标值t的先验分布为
络的不足,近年 在 隧 道 工 程 中 得 到 了 广 泛 应 用 [
,但
4-5] t~N(
0,Q=C+σnI)
2
(3 )
文献[
6]指出支持 向 量 机 本 身 也 存 在 着 如 何 采 取 适 当 式中:
I 为单位矩阵。
惩罚函数来防止过拟 合、核 参 数 选 择 以 及 其 估 计 输 出 由式(3 )推出训练样本输出t 和测试样本输出t*
不具有概率意义,在变形空间被拉长或不对称等问题。 所形成的联合高斯先验分布为
高斯过程 ( s,简称 GP)是 近 年 来 t C(
X,X)+σnI C(
2
X,x* )燄烌
Gaus
sian
Proc
es
基于统计学理论发展 而 来 的 一 种 全 新 学 习 机,它 对 处
[]
t*
烄 熿
~N 0,
烆 燀C(
X,x* ) C(
x* ,
x* )
燅烎
理高维数、小样本、非线性等复杂分类和回归问题具有 (4 )
很好的适应 性,且 泛 化 能 力 强,在 不 牺 牲 性 能 的 条 件 式中:
C( X)为 n×n 阶对称正定的协方差矩阵,其任
X,
下,与人工神经网络 和 支 持 向 量 机 相 比 有 着 容 易 实 现 意项c 度量了xi 和xj 的相关性;
i
j
C( x* )是测试x* 与
X,
的特点;同时,其超参数可通过自适应方法得到,有着灵 训练集的所有输入点 X 的 n×1 阶协方差矩阵;
C(x* ,
活的非参数推断和预测输出的概率解释,是一个具有概 x* )是测试点x* 自身的协方差。
率意义的核学习机 [7-9]。苏国韶将高斯过程回归算法应 在给定测试点x* 和训练集 D 的条件下,贝叶斯概
用于基坑位移时间序列分析,取得了远优于灰色系统的 率预测的目标是计 算 出 ( x* )。根 据 贝 叶 斯 后
t*|D,
预测效果,证明了该算法在岩土工程领域应用的高效性 验概率公式得
和可行性 [
10]
。迄今对高斯过程最优超参数的选择仍采 ( x* ,
t*| D)~N(
μt* ,
σt* )
2
(5 )
用共轭梯度 法,但 共 轭 梯 度 法 存 在 优 化 效 果 依 赖 于 初 式中:
t 的期望和方差分别为
*
算法引入高斯过程回归超参数的最优化搜索,以克服共 σnI) C(
2 -1
x ,
*
X) (7 )
轭梯度法的上述弊端,并将其应用于黄榜岭隧道围岩变 2 高斯过程训练
1.
形时间序列的分析与预测,以验证这种进化高斯过程回 由于 GP 方法中协方差函数在有限输入点集上要求
归耦合算法在隧道工程围岩变形预测应用的效果。 且是一个满足 Me
是正定的, rcr条件的对称函数,
e 故协方
差函数等价于核函数,
式(6 )可改写成如下形式
1 高斯过程及其回归算法 n
xi,
μt* = ∑αiC( x* ) (8 )
高斯过程又称正态随机过程,其任意有限变量集合 i=1
第 12 期 隧道围岩变形预测的进化高斯过程回归模型 103
式中:
αi= (
C(X,
X)+σn
I)-1t。
2
化结果不依赖于初始 值 和 隐 含 并 行 搜 索 的 特 点,迄 今
预测值的均值是核函数 C 的线性组合,可将非线 已被广泛地应用于求解带有多参数、多变量、多目标和
性关系的数据映射到 特 征 空 间 后 转 换 为 线 性 关 系,从 在多区域 但 连 通 性 较 差 的 NP-ha
rd 优 化 问 题 并 取 得
而使复杂非线性问题转化为容易处理的线性问题。高 了良好的应用效果,为了克服共轭梯度法的这一缺陷,
斯过程核函 数 可 分 为 各 项 同 性 (
Iso
trop
ic,简 称 ISO) 在此引入十进制遗传算法在样本训练过程中自动搜索
及 自 动 相 关 性 测 定 (Au
toma
tic
re
levanc
e de
termi
na- 最优超参数,形 成 进 化 高 斯 过 程 回 归 (
GA-GPR)耦 合
t
ion,简称 ARD)两类。本文采用如下3 种单一协方差 算法,其流程图见图 1。该算法的计算流程如下:
函数 [7]:
(1 )平方指数协方差函数( rd)
SEa
xi,
( xj)
T
M(xi-xj)
xi,
CSE ( xj)=σ2
fexp - [ 2 ] 2 i
δj
+σn
(9 )
(2 )有理二次协方差函数( rd)
RQa
xi,
CRQ ( xj)=
xi-xj)
( T
xi-xj) -α 2 ij
M(
2
[
σf 1+
2α ]+σnδ (
10)
(3 )Ma
tern
iso 协方差函数
xi,
CM ( f(
xj)=σ2 xi-xj)
3· 槡( xi-xj)·
M(
T
e+槡
exp(-槡 xi-xj)
3· 槡( T
xi-xj )+σnδ (
M(
2 i
j
11)
式中:令θ= ({
M }, σn )是 包 含 所 有 超 参 数 的 向 量;
σf ,
2 2
M }=d
{ i e-2)表示超参数的对角矩阵;参数σ2
ag( f 为核
函数的信号方差,用来控制 局 部 相 关 性 的 程 度;
e为关
联性测定超参数,其值越大,表示输入与输出相关性越
小;
α 为核函数的形状参数; σn 表示噪声的方差。
ARD 型核函数和 ISO 型 核 函 数 在 形 式 上 是 一 致
图 1 进化高斯过程回归耦合算法流程图
的,区别在于 ARD 型核函数的超参数e 的维数与输入
第 1 步 将 训 练 样 本 分 为 两 部 分,一 部 分 作 为
变量 X 的维数相同,即对输入变量 X 的任一分量xi,
e
都有一个分量ei 与之对应;而对ISO 型核函数, GA-GPR 网络的学习样 本,另 一 部 分 作 为 检 验 网 络 训
e 不随
练能力的测试样本。
输入变量维数而改变,始终是一个一维标量,即认为所
第 2 步 遗传算法 初 始 化,随 机 生 成 种 群 规 模 为
有输入与输出的相关性是相同的 [7]。
采用共轭梯度法,通 过 对 训 练 样 本 的 对 数 似 然 函 Np 的 GPR 网络超参数的初始群体,计数器记 g=0。
第 3 步 GPR 算法读入训练样本和测试样 本,同
数(式(12 ))的极大化获得最优超参数θ[7]。
时读入初始群体中的 各 个 体 网 络 超 参 数,进 行 网 络 训
g[ (
L=l θ)]=
t|X,
练和预测。
1 1 n ( ) (
- tTQ-1t- lg|Q|- lg 2π 12) 第 4 步 各个体的预测结果传给遗传算法,
由遗传算
2 2 2
1 ( T 法的适应函数计算每个个体的适应度,
进行适应度评价。
[ ( ,)
θi
l |X θ ]= t
g t
2 [
Q
r αα -Q-1)
θi ] (
13)
第 5 步 判断是否 达 到 预 先 指 定 的 进 化 代 数,如
达到,算法结束,返回 当 前 适 应 度 最 高 的 个 体,解 码 得
2 进化高斯过程回归耦合算法
到最优超参数;如未达到进化代数,进入下一步。
现有高斯过程回 归 研 究 文 献,都 是 通 过 采 用 共 轭 第 6 步 选择算子选择初始群体中适应度较高的个
梯度法求取训练样本的对数 似 然 (式(12 ))的 极 大 值 体,
进行杂交和变异操作,
生成个体数为 Np 的 GPR 网络
获得最优超参数。但共轭梯度法存在优化效果对初值 计数器记g=g+1;
超参数的子代群体, 计算转入第3步。
的依赖性太强、迭代 次 数 难 以 确 定 和 易 陷 入 局 部 优 化 第 7 步 重复第 3 步 ~ 第 6 步,直到达到指定的进
的缺点,实际应用 效 果 通 常 并 不 理 想。 遗 传 算 法 作 为 化代数,
算法结束,
返回最优 GPR 网络超参数。
一种仿生全局最优化 算 法 具 有 目 标 函 数 不 必 可 微、优 十进制遗传算法采用排队选择算子、算术杂交和非
104 铁 道 学 报 第 33 卷
均匀变异。遗传算法的种群规模为 2
0,杂交概率 0.
9,变 理裂隙及风化裂隙极为发育,岩体呈角砾状松散结构,
异概率0.
0 进化1
5, 00代,
适应度函数如下 岩石极破碎,洞身段有一汇水山体沟谷,洞内有潮湿感
或滴水现象,降雨时可能会喷水或涌水从而降低围岩的
g(
x)=e
xp -0.
0 {
5×ma
x [|f(xy)-y|×100%]}
i
i
i
稳定性,开挖时拱部无支护宜塌落,侧壁有时会失稳,处
(
14) 理不当会导致大塌落。此外,本隧道围岩倾角小,近似
式中: xi)表示训练时第i 个测试样本的 GPR 预测值;
f( 于水平成层状,开挖后拱部易塌落。为保证施工安全,
yi 表示训练时第i个测试样本的实测值。 施工期间应加强围岩变形监测工作。现以洞 身段中导
洞施工期间任意监测断面 K181+805 实测拱顶下沉数
3 基于进化高斯过程回归耦合算法的隧道施
据为例,采用进化高斯过程回归算法进行隧道施工期间
工围岩变形预测
的围岩变形预测。该断面实测拱顶下沉数据见表 1。
1 滚动预测法
3.
表 1 黄榜岭隧道 K181+805 断面实测拱顶下沉
滚动预测的基本思想是假设要对变形序列{ yi}进
xi,
监测时间/ 拱顶下沉/ 监测时间/ 拱顶下沉/
行预测,
最佳历史点数为 P,预测的步数为t;已经获得前 d mm d mm
k 天的变形时间序列{
xi,
yi}( k-1),取其中前 p
i=0,…, 0.00 0.
00 23.
00 4.
53
1.00 0.
10 24.
00 4.
47
天的变形时间序列作为初次模型训练的学习样本,剩下 2.00 0.
16 25.
00 4.
53
的(
k-p)天变形时间序列{
xi,
yi}( k-1)作为初
i=p,…, 3.00 0.
19 26.
00 4.
63
4.00 0.
78 27.
00 4.
64
次训练的测试样本,训练完成后,对其后t天的变形进行 5.00 0.
90 28.
00 4.
66
一次预测。然后将实测变形时间序列{ xi,yi}(
i=p,…,
k 6.00 1.
53 29.
00 4.
68
7.00 1.
77 30.
00 4.
69
+t-1 的前t天的变形时间序列{
) , }(
xi yi i=p ,…,
p+t- 8.00 2.
16 31.
00 4.
67
1)加入初次训练的学习样本,并将原学习样本的前t天 9.00 2.
41 32.
00 4.
73
10.00 2.
50 33.
00 4.
83
的变形时间序列去掉,即第 2 次模型训练的学习样本为
11.00 2.
45 34.
00 4.
88
{xi,
yi}( p+t-1),而将实测变形时间序列{
i=t,…, xi, 12.00 3.
03 35.
00 4.
91
13.00 3.
61 36.
00 4.
85
yi}(
i=k,…,k+t-1)中剩下的(k-p)天的变形时间序 14.00 3.
94 37.
00 5.
02
列{
xi,
yi}( k+t-1)作为第 2 次模型训练的
i=p+t,…, 15.00 4.
20 38.
00 4.
93
16.00 4.
25 39.
00 4.
97
测试样本,然后再进行t天变形的一次预测,待这t天的
17.00 4.
53 40.
00 4.
97
实测变形获得后,按照以上步骤组成第 3 次模型训练的 18.00 4.
44 41.
00 4.
92
19.00 4.
55 42.
00 5.
03
学习样本和测试样本,但保持每次模型训练的学习样本
20.00 4.
50 43.
00 5.
01
数 p 和测试样本数(
k-p)不变,而用最新采集得来的变 21.00 4.
50 44.
00 5.
04
22.00 4.
43
形数据更新训练样本集,以使 GPR 模型能够学习到最
近的变形发展规律。 为形成对比,采 用 遗 传 算 法 与 支 持 向 量 回 归 算 法
2 黄榜岭隧道围岩变形预测
3. 相耦合,即进化支持 向 量 回 归 算 法 进 行 完 全 同 样 的 预
黄榜岭隧道位于安徽省黄山市黄山区谭家桥镇境 测分析。取 k=18, t=3,以 表 1 所 示 监 测 数 据
p=15,
内,属铜(陵)-黄(山)高速公路铜汤段,为双向四车道曲 制作历次训练的学习 样 本 和 测 试 样 本,进 化 高 斯 过 程
墙连拱隧道,隧道长约 422m。其中, 回归算法及进化支持向量回归算法的预测网络参数分
Ⅴ级围岩长度约为
132m,约占总长度的 31.
3% ,其余皆为Ⅳ级围岩。隧道 别见表 2、表 3,不同算法的预测结果见表 4。
进出口段围岩 为 全 -强 风 化 页 岩,细 晶、薄 层 状 结 构,节
表 2 高斯过程回归最优超参数
监测 GPR(
RQ) GPR(
Mat
ern) GPR(
SE)
天数 σf l α σn σf l σn σf l σn
0~17 1. 878 6 0.723 6 7.591 0.
048
2 2.
912
8 7.639 6 0.004 1 1.827 1 0.
979 2 0.0946
3~20 1. 836 6 2.375 6 1.948 7 0.
015
6 2.
332
6 0.252 1 0.043 3 1.544 7 2.
044 9 0.0324
6~23 1. 967 8 0.683 3 0.436 3 0.
007
2 4.
197
6 3.594 9 0.027 5 1.5492 0.
693 9 0.0185
9~26 1. 603 4 1.575 7 3.551 3 0.
018
5 5.
831
4 5.716 8 0.038 7.9003 3.
434 8 0.0442
12~29 6. 438 1 6.805 6 5.637 0.
020
7 1.
767
5 9.760 2 0.016 4 8.401 9 3.
327 2 0.0085
15~32 10. 873 7.345 8 6.037 3 0.
049
7 6.
551
2 2.371 0.037 8 9.964 2 5.
887 2 0.0165
18~35 6. 748 6 9.819 4 2.753 5 0.
006
6 3.
463
5 7.472 9 0.005 3 6.169 2 9.0239 0.021
21~38 5. 164 2 4.421 2.658 7 0.
034
4 8.
650
8 6.498 1 0.008 3 5.994 6.
247 9 0.044
6
24~41 10. 318 2 5.7457 8.828 3 0.
014
2 8.
522
1 3.946 1 0.042 1 5.792 0.
646 1 0.004
5
注:表中各参数意义见 1.
2 节。
第 12 期 隧道围岩变形预测的进化高斯过程回归模型 105
表 3 支持向量回归最优网络参数
监测天数 C σ ε 监测天数 C σ ε
0~17 567.
725 14.
737
4 0.
061
2 15~32 664.
230
1 867.
813
2 0.
012
7
3~20 649.
731
7 13.
574
1 0.
352
3 18~35 981.
302
6 382.
247 0.
024
8
6~23 394.
635
5 29.
939
5 0.
615
7 21~38 846.
203 301.
528
4 0.
009
7
9~26 652.
180
3 518.
989
2 0.
290
4 24~41 377.
756 36.
740
1 0.
099
4
12~29 631.
743
6 396.
594
8 0.
220
1
表 4 不同算法的预测结果
SVR GPR(
RQ) GPR(Ma
ten)
r GPR(
SE) SVR GPR(
RQ) GPR(Ma
ten)
r GPR(
SE)
实测拱
监测 预测拱 预测拱 预测拱 预测拱 预测相 预测相 预测相 预测相
顶下沉
天数 顶下沉 顶下沉 顶下沉 顶下沉 对误差 对误差 对误差 对误差
/mm
/mm /mm /mm /mm /% /% /% /%
18 4.
44 4.
67 4.
48 4.
52 4.
67 5.
18 0.
90 1.
80 5.
18
19 4.
55 4.
80 4.
36 4.
56 4.
69 5.
49 4.
17 0.
22 3.
08
20 4.
50 4.
90 4.
13 4.
57 4.
60 8.
89 8.
22 1.
56 2.
22
21 4.
50 4.
61 4.
47 4.
35 4.
66 2.
44 0.
67 3.
33 3.
56
22 4.
43 4.
61 4.
42 4.
25 4.
75 4.
06 0.
23 4.
06 7.
22
23 4.
53 4.
58 4.
34 4.
19 4.
77 1.
10 4.
19 7.
51 5.
29
24 4.
47 4.
71 4.
66 4.
46 4.
43 5.
37 4.
25 0.
22 0.
89
25 4.
53 4.
79 4.
76 4.
44 4.
35 5.
74 5.
08 1.
99 3.
97
26 4.
63 4.
86 4.
82 4.
43 4.
33 4.
97 4.
10 4.
32 6.
48
27 4.
64 4.
68 4.
69 4.
6 4.
69 0.
86 1.
08 0.
86 1.
08
28 4.
66 4.
74 4.
77 4.
62 4.
77 1.
72 2.
36 0.
85 2.
36
29 4.
68 4.
81 4.
84 4.
64 4.
85 2.
78 3.
42 0.
85 3.
63
30 4.
69 4.
75 4.
75 4.
61 4.
74 1.
28 1.
28 1.
71 1.
06
31 4.
67 4.
79 4.
79 4.
56 4.
78 2.
57 2.
57 2.
36 2.
36
32 4.
73 4.
84 4.
83 4.
52 4.
83 2.
33 2.
11 4.
44 2.
11
33 4.
83 4.
72 4.
72 4.
73 4.
73 2.
28 2.
28 2.
07 2.
07
34 4.
88 4.
75 4.
73 4.
75 4.
75 2.
66 3.
07 2.
66 2.
66
35 4.
91 4.
76 4.
74 4.
77 4.
77 3.
05 3.
46 2.
85 2.
85
36 4.
85 4.
79 4.
89 4.
99 4.
89 1.
24 0.
82 2.
88 0.
82
37 5.
02 4.
81 4.
93 5.
03 4.
93 4.
18 1.
79 0.
2 1.
79
38 4.
93 4.
83 4.
98 5.
07 4.
98 2.
03 1.
01 2.
84 1.
00
39 4.
97 5.
01 5.
03 5.
02 5.
02 0.
80 1.
21 1.
0 1.
00
40 4.
97 5.
05 5.
07 5.
06 5.
06 1.
61 2.
01 1.
81 1.
81
41 4.
92 5.
08 5.
11 5.
09 5.
11 3.
25 3.
86 3.
45 3.
86
42 5.
03 4.
95 4.
99 4.
99 4.
99 1.
59 0.
79 0.
8 0.
8
43 5.
01 4.
94 5.
01 5.
01 5.
01 1.
4 0 0 0
44 5.
04 4.
93 5.
04 5.
03 5.
04 2.
18 0 0.
2 0
预测平均相对误差/% 3.
0 2.
4 2.
11 2.
56
预测平均方差 0.
026
8 0.
019
7 0.
015
7 0.
021
从表 4 可 见,
SVR 算 法 的 最 大 预 测 相 对 误 差 为 表 5 不同算法预测误差统计
预测误差 ≤1% 预测误差 ≤3% 预测误差 ≤5%
89% 平均预测相对误差 为 3.
8. , 0% ,预 测 平 均 方 差 为 算法
样本数 样本数 样本数
0. 8;
026 GPR(RQ)的最大预测相对误差为8. 22% ,平
SVR 2 17 22
均预测 相 对 误 差 为 2.
4% ,预 测 平 均 方 差 为 0.019 7; GPR(RQ) 7 17 25
GPR(Ma
tern)的最大预测相对误差为 7. 51% ,平均预 GPR(Mat
ern) 10 21 26
测相对误差为 2. GPR(
SE)
11% ,预测平均方差为 0. 7;
015 GPR 7 18 23
SE)的最大预测相对误差为 7.
( 22% ,平均预测相对误 从表 5 可见,在所有连续 27 天的 预 测 中,
SVR 仅
差为 2.
56% ,预测平均方差为 0.021。 有 2 天的预测误差在 1% 以内,而 GPR 最少也 有 7 天
不同算法的预测误差统计见表 5。 预测误差在 1% 以 内;
SVR 仅 有 17 天 的 预 测 误 差 在
3% 以内,而 Ma
ternGPR 有 21 天的预测误差在 3% 以
106 铁 道 学 报 第 33 卷
内;
SVR 有 5 天的预测 误 差 超 过 了 5% ,而 GPR 最 多 4]赵洪波 .支 持 向 量 机 在 隧 道 围 岩 变 形 预 测 中 的 应 用 [
[ J].
只有 4 天的预测误差超过 5% ,可见 GPR 算法 的 预 测 岩石力学与工程学报,
2005,
24(
4):
649-652.
参考文献: [
7]Ra
smus
s C E,Wi
en ll
iams C K I.Gaus
sian Pr
oce
sse
s f
or
Ma
chi
ne
Lea
rnng [M].Bo
i ston:
the PRESS,
MIT 2006.
1]霍玉华 .隧 道 围 岩 变 形 量 预 测 的 灰 色 模 型 应 用 比 较 研 究
[ [
8]Wi
ll
iams
C K
I.Pr
edi
cti
on
wit
h Gaus
sian
Pro
ces
ses:Fr
om
J].北京交通大学学报,
[ 2006,
30(
4):
42-45. L
ine
a Reg
r res
sion
to L
ine
ar Pr
edi
cton and Beyond[R].
i
HUO Yu-hua.S
tudy on
the Gr
ay Mode
l and
It
s B
i ngham:As
rmi ton
Uni
ver
siy,
t 1997.
App
lic
ati
on i
n Fo
rec
ast
ing De
forma
tion o
f Tunne
l Su
r- [
9 ] So
fiane Br
ahim-Be
lhoua
ri,Ami
ne Be
rmak. Gaus
sian
r
ound
ing
Rock [
J].J
our
nal
of
Bei
jing
Jiao
tong
Uni
ver
siy,
t Pr
oce
ss f
or Nons
tai
tona
ry Time Se
rie
s Pr
edi
cton [
i J].
2006 ,
30(
4),
42-45. Compu
tat
iona
l S
tat
ist
ics & Da
ta Ana
lys
is,
2004,(
47):
2]周建春,魏琴 .公 路 隧 道 围 岩 变 形 时 程 曲 线 拟 合 的 BP 算
[ 705-712.
法[
J].湖南大学学报(自然科学版),
2002,
29(
4):
79-84. 10]苏国韶,燕柳斌,张小飞,等 .基坑位移时间序列预测的 高
[
ZHOU
Jian-chun ,WEI
Qin.S
tudy
on
Fit
ting
ofSu
r
round- J].广 西 大 学 学 报 (自 然 科 学 版 ),
斯过程方 法 [ 2007,
32
i
ng Rock Defo
rma t
ion Time-hi
story Cur
ve by BP Neura
l (
2):223-226.
Netwo
r k Al
gorit [
hm J .J] ourna
l of Hunan Unive
rsi
ty SU Guo-shao,YAN L
iu-b
in,ZHANG Xi
ao-f
ei ,e
t a
l.
(
Nat
ura
l Sc
ienc
e Ed
iton),
i 2002 ,
29(
4):79-84. Se
Time r
ies
Pred
ict
ion
of
Founda
tion
Pit
Disp
lac
emen
t U-
3]肖智旺,钟登华 .基于 RBF 神经网络算法的连拱隧道围 岩
[ s
ing
Gaus
sian
Pro
ces
s Me
thod [
J].J
our
nal
of
Guangx
i U-
变形预测方法研究[
J].中国工程科学,
2008,
10(
7):
77-81. n
ive
rsi
ty(
Nat
Sc
i ED),
2007,
32(
2):223-226.
i-wang,ZHONG Deng-hua.RBF-ANN-Ba
XIAO Zh sed
Fo
rec
ast
Met
hod
of
Transmu
tat
ion
of
Wal
l Ro
ck
on
Mul
ti- (责任编辑 时 博)
a
rch l[
Tunne J].Eng
ine
eri
ng
Sci e,
enc 2008,
10(
7):
77-81.