关键词： 建筑企业   预制工厂项目   工程费用   预测指标体系   极限学习机  

摘要： 预制工厂是实现装配式建筑产业化的重要基石，为避免盲目建设，应在建设前期对预制工厂建设投资做到心中有数。有关数据表明，在建设投资构成中，工程费用占50%~75%;工程建设其他费用占25%~35%，其中土地拆迁、征用补偿占比较大;预备费占比较小，约为5%~15%。在进行估算时，工程费用占比大、影响因素众多，是估算难度最大的部分。为确保资金分配合理、最大限度的利用有限资源，本文拟对工程费用进行预测研究。目前，企业常根据经验估算单位面积的工程费用，乘以总面积得到工程总费用，虽然预测速度快，但准确度低。在当前竞争日益激烈的建筑行业市场，时间即成本，如何在尚未具备算量条件的情况下快速、准确地预测预制工厂工程费用对决策者来说至关重要。本文研究的主要内容如下：　　①通过梳理建设项目工程费用预测理论、在分析工程费用预测程序、常用预测方法的基础上，对各预测方法的适用范围及优缺点进行对比，提出应用改进极限学习机（PCA-PSO-ELM）模型实现建设项目工程费用预测。其中，主成分分析（PCA）用于降低原始指标的维度，粒子群（PSO）优化极限学习机（ELM）参数以提高模型性能，接着对PCA、PSO、ELM的理论基础及应用步骤进行阐述。　　②采用实地参观、与供应商面对面交流、查阅文献等方式了解预制工厂常用结构类型、设备配置原则及常用生产线的主要设备，分析预制工厂生产车间、堆场、附属建筑的施工流程，为预制工厂工程费用预测指标选取提供依据。　　③采用文献回顾法对工程费用预测指标进行统计分析，结合预制工厂的实际工程特征，构建预制工厂工程费用预测指标体系。预制工厂整体组成包括生产车间、堆场、附属建筑，根据三部分工程的土建施工及设备配置，选取反映工程项目费用预测的15个基本特征值，同时，再考虑3个反映全局性工作的费用预测特征值，即物价水平、地区指数、地震烈度，共同组成预制工厂工程费用预测指标体系。　　④应用MATLAB2017a建立基于PCA-PSO-ELM的预制工厂工程费用预测模型，通过对搜集的36组样本数据进行PCA-PSO-ELM模型训练、测试，并与ELM、PCA-ELM、PSO-ELM模型的预测效果对比，验证了PCA-PSO-ELM模型的可操作性和先进性，将其应用于工程费用预测、提高项目成本管理水平具有实际意义。　　本文以建筑产业化为背景，分析预制工厂建设特点，从预测指标体系构建、预测模型建立、交互式平台设计三个方面进行创新应用，最大程度上实现为决策者提供预制工厂工程费用参考。

关键词： 基站流量   聚类分析   机器学习   流量预测  

摘要： 蜂窝网络基站流量时间序列是反映移动网络基站所传输数据量变化的一类时间序列。对蜂窝网络基站流量时间序列进行建模预测，可以服务网络资源优化，提高网络服务质量和负载能力，避免网络拥塞，为基站节能、基站休眠提供策略支持。随着5G网络从中国开始向全世界加速部署，人们对于移动网络的依赖日益增加，网络业务量在不断增多，网络管理的难度和压力也随之增大。若能提前对流量趋势做出预测，则能够主动调整网络策略，使网络资源充分利用。因此，蜂窝网络基站流量的预测研究有巨大的实际意义和应用价值。　　本文针对现有的蜂窝网络基站流量时间序列预测所存在的不足，结合蜂窝网络基站流量时间序列的特征分析，研究并实现了基于DTW(动态时间调整)重心平均算法的蜂窝网络基站流量聚类方法和基于自回归滑动平均模型和在线极限学习机的蜂窝网络基站流量时间序列预测方法。主要的研究工作包括如下几方面:　　第一，本文基于数据挖掘的方法，对蜂窝网络基站流量时间序列进行了数据挖掘分析，使用自相关性分析、统计分析等方法提取蜂窝网络基站流量时间序列所存在的特征，发现蜂窝网络基站流量时间序列存在混沌特性、自相关性、周期性等特点。利用这些特征可以实现蜂窝网络基站流量时间序列的建模预测。　　第二，蜂窝网络基站流量时间序列存在海量数据，数据中存在缺失、错误，且基站数目众多，如果采用对每一个基站分别建模的方法，不便于找到适合的模型，运算复杂度也相当大。为了在不降低预测效果的前提下尽可能降低计算复杂度，本文对LTE流量进行了分析，发现LTE基站流量序列间存在一定的相似性，通过对每一类LTE基站流量进行分析，推测所有基站的流量数据，这种方法可以大大降低对LTE流量预测的算法复杂度。该方法解决了传统聚类是基于欧几里得距离所存在的只能反映序列间大小关系的问题。通过仿真验证，基于DTW重心平均算法的蜂窝网络基站流量时间序列聚类方法比传统方法的聚类效果更能反映不同类簇间的趋势特征。　　第三，针对蜂窝网络基站流量时间序列的建模预测，本文提出一种基于自回归滑动平均模型和在线极限学习机的蜂窝网络基站流量时间序列预测方法，该方法首先对蜂窝网络基站流量时间序列进行小波分解，然后分别对低频分量和高频分量使用自回归滑动平均模型算法和在线极限学习机算法，实现单步预测和多步预测。仿真结果表明，该方法预测结果的RMSE较自回归滑动平均模型或极限学习机算法都更低，预测结果更加接近真实值。

关键词： 扩展有限元   极限学习机   疲劳寿命预测   应力强度因子  

摘要： 针对前欧拉法在预测裂纹扩展时小步长、精度低的问题,提出一种基于扩展有限元与极限学习机相结合的方法,用于预测含裂纹板结构的疲劳寿命。首先,进行裂纹尖端应力强度因子的扩展有限元迭代求解;然后根据应力强度因子与裂纹长度之间的关系,构建一个预测模型,求取中点应力强度因子;最后利用断裂力学理论中应力强度因子与疲劳寿命的函数关系预测疲劳寿命。通过两个数值算例进行分析,数值算例表明:新的预测方法精度高并且允许大步长。

关键词： 短期负荷预测   模糊聚类   膜计算   粒子群算法   极限学习机  

摘要： 针对历史数据样本存在无效性影响预测精度和极限学习机的输出随机性、稳定性较差的问题,提出了一种模糊膜聚类算法与改进极限学习机相结合的组合预测方法。考虑负荷自身特征、天气温度及日类型等指标,利用模糊膜聚类算法选取出与预测日具有相似特性指标的负荷数据作为负荷预测日的输入样本,运用经过粒子群算法及隐含层神经元个数遍历法改进后的极限学习机进行预测。试验结果表明,所提方法对两个地区的某日负荷进行预测时降低了预测误差,提高了短期负荷预测的准确性。

关键词： 分解炉出口温度   数据驱动建模   动态主元分析   降维   极限学习机  

摘要： 在水泥生产过程中,为了应对分解炉结构的复杂性和影响出口温度变量的多样性,提出一种动态主元分析(Dynamic Principal Component Analysis,DPCA)与极限学习机(Extreme Learning Machine,ELM)相结合的数据驱动建模预测方法用来预测分解炉出口温度。通过采集的生产数据,提取影响出口温度变量的主元从而达到降维目的,将降维后的变量作为极限学习机的输入,分解炉出口温度作为极限学习机的输出。经极限学习机参数设置、训练、调整,得到出口温度预测模型。仿真验证结果表明,运用动态主元分析和极限学习机相结合的方法建立的分解炉出口温度预测模型具有良好的预测精度,且为后续出口温度的控制研究提供了依据,对水泥高效节能生产具有重要意义。

关键词： 华南   台风灾害   风险熵   极限学习机   灰色关联   模糊聚类  

摘要： 结合广义模糊熵原理和模糊c均值聚类方法构建华南台风灾害风险熵模型,对华南台风灾害进行风险分析,讨论其分布情况;利用灰色关联分析法,探讨华南台风灾害的灾情因子、致灾源因子分别和灾害风险熵之间的关系以及二者对风险熵的影响程度;建立基于极限学习机的非线性回归模型,以多元线性回归和BP神经网络两种方法作为对照组,进一步探讨风险熵与灾情因子和致灾源因子关系。结果表明,华南台风灾害风险熵值呈正态分布,与灾情因子和致灾源因子的灰色关联度分别为0.7162和0.7949,受灾情因子和致灾源因子的影响较大;利用构建的极限学习机模型预测的华南台风灾害风险熵值平均绝对误差为0.059,拟合优度为92.82%,将预测结果与常规的多元线性回归和BP神经网络方法的预测结果进行对比分析,结果表明,用构建的极限学习机模型预测华南台风灾害风险熵值,其性能比常规多元线性回归和BP神经网络方法有明显的改进。

关键词： 极限学习机   小波去噪   功率预测   非平稳性   风速时间序列   波动性   小波分解   风电场  

摘要： 风电功率预测精度影响风电场的安全稳定运行。风速序列具有非平稳性,针对风速序列的波动性,提出了一种基于小波去噪的极限学习机的风电功率预测模型。该模型运用小波去噪的方法对风速时间序列进行了小波分解,采用极限学习机建立了风电功率预测模型,最后通过具体的风电场实验,分析验证其有效性。

关键词： 极限学习机   实时预测方法   相关熵   实时流数据  

摘要： 针对器件退化趋势预测,现有方法难以有效进行模型在线更新且趋势预测易受噪声和奇异值影响产生畸变的问题,构建了一种在线受限相关熵极限学习机,并在该模型基础上,提出了预测模型动态更新方法,完成了高可靠器件退化趋势建模及参数线动态更新。通过建立训练数据误差编码本,利用M-估计动态检测训练数据中的奇异值并进行相应的模型修正,进一步提高模型的鲁棒性。仿真实验及光电耦合器CTR实验均表明该方法相比于典型的预测方法,能够在避免实时噪声和奇异值干扰的情况下对预测模型作出有效的更新且能快速给出单步及多步的预测结果,有效地提升了实时预测的准确性。

关键词： 混凝土大坝变形   极限学习机   BP神经网络   改进的粒子群优化算法  

摘要： 混凝土坝变形预测是评价大坝运行状态和预测大坝行为的重要方法.但是,混凝土坝的随机荷载和强非线性变形限制了传统多元线性回归模型的应用.而人工神经网络模型则对复杂和高度非线性行为具有良好适应性.针对基于梯度下降法的常规神经网络模型收敛速度慢和过度拟合等问题,提出了一种基于改进型粒子群优化算法选取极限学习机(ELM-IPSO)最优参数的大坝变形预测模型.针对传统粒子群算法搜索时间长、容易陷入局部最优的特点,采用自适应惯性权重和动态调整学习因子,对粒子群算法进行了改进.研究表明,IPSO算法提高了粒子群优化的全局搜索能力,提高了计算效率.应用IPSO优化ELM模型的初始权值和阈值.通过东江混凝土拱坝的实测资料,验证ELM-IPSO模型的预测性能.将计算结果与BPNN模型、ELM模型和传统ELM-PSO模型的结果进行比较.BPNN模型、ELM模型、ELM-PSO模型和ELM-IPSO模型的平方相关系数R2分别为89.15%、91.13%、93.87%和94.36%.ELM模型的R2大于BPNN模型,说明ELM模型比常规的BPNN模型预测精度更高,泛化性能更好.ELM-PSO模型的预测精度大于ELM模型,说明PSO对ELM的优化在提高预测精度方面具有良好的作用.4个模型中,ELM-IPSO模型的R^2最大,预测精度最高,这表明提出的ELM-IPSO模型能够有效提高混凝土坝变形的预测能力.

关键词： 负荷预测   鲸鱼算法   核极限学习机   强预测器  

摘要： 短期电力负荷预测对于电力系统的安全调度和经济运行具有非常重要的意义,针对传统短期负荷预测方法具有误差大、计算复杂的问题,提出一种基于IWOA-KELM和AdaBoost的短期电力负荷预测方法.首先根据负荷历史数据,建立多个核极限学习机(KELM)短期电力负荷预测模型,并利用改进的鲸鱼算法(IWOA)去优化KELM的核函数参数和正则化系数,然后利用AdaBoost算法将多个IWOA-KELM弱预测器迭代集成强预测器,从而对短期电力负荷进行预测.实验结果表明,与BP神经网络和SVM相比,上述方法具有更短的运行时间和更好的预测性能.