基于FrFT的组合预测模型在地铁基坑沉降监测中的应用OA

针对极限学习机(ELM)模型在地铁基坑沉降预测领域存在的参数选取困难问题,本文引入粒子群(PSO)算法对ELM模型的关键参数进行寻优,结合分数阶傅里叶变换(FrFT),提出一种基于FrFT与PSO-ELM模型的地铁基坑沉降组合预测模型。首先,采用FrFT对地铁基坑沉降数据进行多尺度分解,得到若干结构简单的子序列;其次,引入粒子群算法对ELM模型进行全局寻优,提升ELM预测性能,对于各子序列,使用提出的PSO-ELM模型分别进行建模预测;最后,叠加各子序列结果作为预测结果。使用某地铁基坑沉降监测数据进行预测实验,对比GM(1,1)模型、ELM网络模型、长短期记忆(LSTM)模型与本文组合预测模型的实验结果,证明本文提出的组合预测模型的预测精度较对比模型明显提升,从而验证了本文模型能够有效挖掘数据中存在的规律性与趋势性信息,同时解决参数选取困难的问题,为相关结构变形监测与预测提供了一定借鉴。