摘要

由于帷幕灌浆注灰量预测过程中存在地质参数、预测模型和输入数据的不确定性,传统的点预测结果存在误差,并且难以对不确定性进行量化。针对上述问题,本研究提出基于Bootstrap方法和改进灰狼算法的支持向量机(Bootstrap-IGWO-SVM)的帷幕灌浆量区间预测模型,量化了预测模型的不确定性。首先通过Bootstrap算法对初始训练集抽样生成样本数据集;其次,通过灰狼优化算法对惩罚因子C、RBF核函数方差g和损失因子p进行参数寻优,提高SVM算法的预测精度;再次,利用非线性收敛因子、动态权重因子、概率混沌图谱和Levy飞行对灰狼算法进行改进,解决灰狼算法局部搜索和全局搜索的平衡问题;最后,对构建的数据集分别使用IGWOSVM算法和随机森林方法分别预测得到系统误差和随机误差,并将两者累加得到总体误差,进而通过构建正态分布模型得到注灰量区间预测结果,实现了预测模型不确定性的量化。结果表明,改进的IGWO-SVM的预测精度为RMSE=85.32,R2=0.53,MAE=45.64,相比GWO-SVM方法(RMSE=96.58,R2=0.40,MAE=48.45)明显提升,相比BP神经网络算法(BPNN),极限学习机(ELM)存在明显精度优势;在置信度为99%下预测区间覆盖率(PICP)、预测区间宽度(MPIW)和宽度综合指标(CWC)分别为98.71%、363.59 kg/m、363.59 kg/m。

  • 单位
    水利工程仿真与安全国家重点实验室; 天津大学