一种基于ARIMA‑BP神经网络的桥梁监测数据预测方法技术
【技术实现步骤摘要】
本专利技术涉及大跨桥梁监测数据分析与处理领域，尤其是一种大跨桥梁监测数据的预测方法。
技术介绍
我国《公路长大桥隧安全运营管理办法(征求意见稿)》提出国道、省道特大桥的安全运营管理应贯彻“安全第一、预防为主”的工作方针，建议管养单位采用现代信息技术，逐步建立长大桥隧安全监测系统，及时掌握长大桥隧的整体技术状态和运营条件，为长大桥隧运营管理、养护维修、可靠性评估及相关科学研究提供依据。为了对桥梁的力学结构状况进行实时监测，大跨桥梁各关键部位布设了大量种类各异的传感器。在桥梁的运营过程中这些传感器将会采集海量的监测数据。为了确保桥梁的正常运营，需及时掌握桥梁运营状态下的结构安全状态，以便及时发现未知隐患，将人员伤亡和财产损失的风险降到最低。目前对海量监测数据的处理多关注于数据采集的时效性以及准确性，对数据的分析还处在起步阶段。在当前这种桥梁结构安全分析与预测有效性不足的大背景下，急需研究人员能够通过对监测数据的分析，对结构监测数据中能够反映桥梁实际受力变化状态的关键指标进行趋势的预测，从而得到桥梁整体的运营健康状态。但是，在对桥梁关键指标进行趋势预测的研究与应用中，通常采用的都是未经预处理的原始采样数据。由于大跨桥梁多建造在江口、海湾等外部环境恶劣的地方，在外部环境的影响下，桥梁监测系统总是受到噪声的干扰。大量结构状态信息被噪声所淹没，从而导致后续指标的趋势预测准确性偏低。因此，在进行指标的趋势预测分析之前，还必须首先对监测信号进行降噪处理，尽可能地对影响结构信息的噪声进行消除，才能更为有效提高后续指标趋势分析的准确性。因此，如何在确保监测数据质量的前提下对...
【技术保护点】
一种基于ARIMA‑BP神经网络的桥梁监测数据预测方法，其特征在于：所述预测方法包括以下步骤：1)桥梁监测数据的ARIMA(p,d,q)模型建立：对桥梁监测数据进行序列平稳性检验，并通过AIC准则对模型进行识别与定阶并根据最小二乘法对模型参数进行拟合以完成ARIMA(p,d,q)模型的建立；2)通过ARIMA(p,d,q)模型对已存在实测数据的监测周期进行测值的估计，得到其估计值对不存在实测数据的期望预测周期进行测值估计，得其估值3)监测数据残差的获取：将监测数据实际值与ARIMA(p,d,q)预测值相减得到预测结果残差4)BP神经网络残差预测过程：循环分组，以前w期残差作为输入，当期残差作为输出完成BP神经网络的建立；5)通过建立好的网络对预测周期内残差进行预测，得其估值6)将ARIMA(p,d,q)所预测的线性趋势信息与BP网络对残差的预测结果进行叠加，得到组合预测模型结果
【技术特征摘要】
1.一种基于ARIMA-BP神经网络的桥梁监测数据预测方法，其特征在于：所述预测方法包括以下步骤：1)桥梁监测数据的ARIMA(p,d,q)模型建立：对桥梁监测数据进行序列平稳性检验，并通过AIC准则对模型进行识别与定阶并根据最小二乘法对模型参数进行拟合以完成ARIMA(p,d,q)模型的建立；2)通过ARIMA(p,d,q)模型对已存在实测数据的监测周期进行测值的估计，得到其估计值对不存在实测数据的期望预测周期进行测值估计，得其估值3)监测数据残差的获取：将监测数据实际值与ARIMA(p,d,q)预测值相减得到预测结果残差4)BP神经网络残差预测过程：循环分组，以前w期残差作为输入，当期残差作为输出完成BP神经网络的建立；5)通过建立好的网络对预测周期内残差进行预测，得其估值6)将ARIMA(p,d,q)所预测的线性趋势信息与BP网络对残差的预测结果进行叠加，得到组合预测模型结果2.如权利要求1所述的基于ARIMA-BP神经网络的桥梁监测数据预测方法，其特征在于：所述步骤1)中，将桥梁监测数据序列看作是一个线性自相关结构与非线性结构的叠加，对于一组给定的监测序列yt，将其分解为线性自相关结构Yt和非线性残差结构et，即：yt＝Yt+et(1)在建模之前要通过d阶差分对其进行预处理，使其转换为平稳时间序列，然后采用自回归滑动平均模型对其进一步处理，其模型如下：式(2)中，为AR(p)模型的自回归系数，j＝1,2,…,p，εt为某一零均值、方差是的平稳白噪声；采用AIC定阶法确定模型的最佳阶数，即确定模型的自回归参数p及滑动平均参数q，最后采用最小二乘法对模型参数进行确定，至此，桥梁监测数据的ARIMA(p,d,q)模型建立完成。3.如权利要求1或...
【专利技术属性】
技术研发人员：余佩琼，吴丽丽，杨立，陆超伦，梁圣浩，周仁武，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。