周立俊;黄腾;王思捷;吴壮壮;

• 1:河海大学地球科学与工程学院

摘要(Abstract)：

利用支持向量回归(SVR)和遗传算法(GA)参数寻优,建立了基于GA-SVR的地铁隧道沉降预测模型,可提高地铁隧道沉降预测的精度。利用长期实测的地铁结构监测数据对SVR模型进行训练,并通过GA优化SVR模型的3个参数;利用训练模型均方误差结合留一交叉验证的方法确定GA的适应度。基于南京地铁2号线隧道结构沉降实测数据,将预测值与实测值进行了对比分析。结果表明,该模型预测的地铁隧道沉降预测值准确、可靠,其精度能满足工程实际要求。

关键词(KeyWords)： SVR;GA;变形预测;交叉验证;GA-SVR

Abstract:

Keywords:

基金项目(Foundation):

作者(Author): 周立俊;黄腾;王思捷;吴壮壮;

Email:

DOI:

参考文献(References)：

• [1]范思遐,周奇才,熊肖磊,等.基于多核模式的隧道沉降预测[J].岩土力学,2013,34(增刊2):291-298
• [2]张士勇,夏定辉,唐辉.深度学习小波神经网络模型在地铁沉降预测中的应用[J].测绘通报,2018(增刊1):250-253
• [3]姜刚,李举,陈盟,等.灰色-小波神经网络支持下对地铁工程沉降变形的预测[J].测绘通报,2019(5):60-63
• [4]高彩云,崔希民,高宁.熵权遗传算法及极限学习机地铁隧道沉降预测[J].测绘科学,2016,41(2):71-75
• [5]陈柚州,任涛,邓朋,等.基于人工蜂群优化小波神经网络的隧道沉降预测[J].现代隧道技术,2019,56(4):56-61
• [6]柴华彬,张俊鹏,严超.基于GA-SVR的采动覆岩导水裂隙带高度预测[J].采矿与安全工程学报,2018,35(2):359-365
• [7]陈喜凤,刘岭,黄腾.紧邻大型深基坑的地铁隧道沉降预测方法研究[J].现代隧道技术,2014,51(6):94-100
• [8]季斌,周涛发,袁峰.遗传算法优化支持向量机矿产预测方法[J].测绘科学,2015,40(10):106-109
• [9]刘靖旭.支持向量回归的模型选择及应用研究[D].长沙:国防科学技术大学,2006
• [10]王琳,张赟,彭文辉,等.基于人工蜂群优化的支持向量回归预测方法[J].系统工程与电子技术,2014,36(2):326-330
• [11]周昕,凌兴宏.遗传算法理论及技术研究综述[J].计算机与信息技术,2010(4):37-39