基于GA-PSO-GLSSVM算法的土岩复合地层深基坑变形时序预测方法技术

本发明专利技术公开了一种基于GA

【技术实现步骤摘要】
基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法


[0001]本专利技术公开一种涉及基坑工程
，尤其涉及一种基于GA
‑
PSO
‑
GLSSVM 算法的土岩复合地层深基坑变形时序预测方法。

技术介绍

[0002]随着我国城市化进程的快速发展，城市交通拥挤问题日趋严重，由此加快了 地铁工程建设的发展。地铁车站深基坑工程通常受周围建筑物林立、城市管线错 综复杂、施工开挖深度大等条件的影响，使施工面临着极大的风险，增加了作业 难度，如何准确预测开挖过程中深基坑侧向位移对确保施工安全稳定及风险预警 具有重要意义。国内外学者针对基坑变形预测方法及风险预警模型进行了大量研 究，其中，幂函数模型、神经网络模型、时间序列算法以及灰色预测模型等在实 际工程中获得了应用，取得了一定的效果。然而，基坑工程是一个动态非线性过 程，影响变形的因素众多，且多数无法进行定量、定性分析。目前，国内针对土 岩复合地层深基坑变形预测的研究相对较少，而现有预测模型又存在不同的缺陷， 例如，最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的参 数选择随机性较大，GA算法的大搜索空间增加了计算的复杂性，PSO算法在搜 索时容易进入局部最优等。

技术实现思路

[0003]基于上述问题，本专利技术实施例依托地铁车站深基坑工程，将GA算法嵌入 到PSO算法进行参数优化，结合灰色理论建立基于灰色最小二乘支持向量机的 时序变形预测模型(Grey Least Square Support Vector Machine,GLSSVM)对土岩 复合地层深基坑工程进行位移变形预测，并与实际监测数据进行比较，进而验证 所构建的变形预测模型在土岩复合地层深基坑工程中应用的有效性与可行性。
[0004]本专利技术实施例提出了一种基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基 坑变形时序预测方法，方法包括：
[0005]步骤S1：收集已开挖的土岩复合地层深基坑工程的原始变形监测数据；
[0006]步骤S2：将原始变形监测数据划分为机器学习算法的训练集及验证集，并确 定输入步长；
[0007]步骤S3：对学习样本集数据进行GM(1,1)模型累加预处理，并建立GLSSVM 模型；
[0008]步骤S4：将GA算法的交叉算子和遗传算子嵌入PSO算法中，并对GLSSVM 模型核函数的容错惩罚系数γ与内核参数σ2进行优化处理；
[0009]步骤S5：将经过GA
‑
PSO算法得到的模型优化参数代入GLSSVM模型，得到 GA
‑
PSO
‑
GLSSVM模型进行预测分析，利用GM(1,1)模型进行累加处理的数据获得 累加序列预测值；
[0010]步骤S6：对GA
‑
PSO
‑
GLSSVM模型得到的累加序列预测值进行还原，得到原 始数据的预测数据。
[0011]优选地，步骤S2中每6次监测数据为一个步长作为输入值，第7次数据作 为输出值，选取训练样本的前80％作为训练集，后20％作为预测集进行验证分析。
[0012]优选地，步骤S3中建立GLSSVM模型包括步骤：
[0013]3.1对原始监测数据进行GM(1,1)模型累加预处理：
[0014][0015][0016]其中，为原始监测数据，为经过GM(1,1)模型累加预处理后的数据；
[0017]3.2LSSVM模型高维特征空间描述及线性函数：
[0018][0019][0020]其中，x
i
∈R
n
表示学习样本，y
i
∈R表示相应的输出预测样本，前n期的学习 样本集合为A(x
i
,y
i
),i＝1，2，
…
，n；w为权值向量；J(w,e)为损失函数；γ为容错 惩罚系数；e
i
为误差，为映射函数；b为偏置量；
[0021]3.3应用拉格朗日算子对w和e进行优化求解，建立拉格朗日函数：
[0022][0023]其中，α
i
为拉格朗日乘子；
[0024]3.4根据KKT(Karush Kuhn Tucker)最优条件对式3进行微分求解，得到线性 方程组：
[0025][0026]其中，y＝[y1，y2，
…
，y
i
]T
；E＝[1，1，
…
，1]T
；α＝[α1，α2，
…
，α
i
]T
；Q为用 于非线性映射的核函数，即Q
ij
＝K(x
i
，x
j
)，i,j＝(1，2，
…
，n)；I为单位矩阵；
[0027]3.5求解方程组后得到GLSSVM的回归模型：
[0028][0029]优选地，步骤S4中GA
‑
PSO算法对GLSSVM模型核函数参数寻优包括步骤：
[0030]4.1GLSSVM回归模型通常采用高斯径向基核函数对非线性样本数据进行分析， 高斯径向基核函数K(x
i
，x
j
)：
[0031][0032]4.2将GA算法中的算子嵌入到PSO算法中，使具有优良变化能力的GA加入 PSO的记忆能力，使整个种群向着全局最优的方向快速收敛；假设D维空间里的 一群粒子，每个粒子都对应着一个能表征其属性的位置X和速度V，当第d次粒 子群迭代更新后，粒子i的运动速
度V
i
和运动位置X
i
的迭代更新：
[0033][0034][0035]其中，ω为惯性权重；i＝(1，2，
…
，m)，d＝(1，2，
…
，D)，其中，m为 粒子的数量，D为搜索维度；c1和c2为加速度因子，其数值大小决定了寻优的时 长，通常取正值；pBest
i
为粒子i的最优位置；gBest
i
为粒子群的最优位置；r1和 r2为[0，1]之间的随机常数；
[0036]4.3惯性权重ω的大小直接影响全局寻优和局部寻优的结果，为更好的平衡 全局搜索能力和局部搜索能力，计算惯性权重：
[0037][0038]其中，ω
max
为最大惯性权重值；ω
min
为最小惯性权重值；t
max
为最大迭代次 数；t为当前迭代次数。
[0039]优选地，步骤S5与步骤S3相似，将经过步骤S4中GA
‑
PSO算法寻优后得到 的容错惩罚系数γ与内核参数σ2代入GLSSVM模型，建立优化后的 GA
‑...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法，其特征在于，所述方法包括：步骤S1：收集已开挖的土岩复合地层深基坑工程的原始变形监测数据；步骤S2：将所述原始变形监测数据划分为机器学习算法的训练集及验证集，并确定输入步长；步骤S3：对学习样本集数据进行GM(1,1)模型累加预处理，并建立GLSSVM模型；步骤S4：将GA算法的交叉算子和遗传算子嵌入PSO算法中，并对GLSSVM模型核函数的容错惩罚系数γ与内核参数σ2进行优化处理；步骤S5：将经过GA
‑
PSO算法得到的模型优化参数代入GLSSVM模型，得到GA
‑
PSO
‑
GLSSVM模型进行预测分析，利用GM(1,1)模型进行累加处理的数据获得累加序列预测值；步骤S6：对GA
‑
PSO
‑
GLSSVM模型得到的累加序列预测值进行还原，得到原始数据的预测数据。2.根据权利要求1所述的基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法，其特征在于，步骤S2中每6次监测数据为一个步长作为输入值，第7次数据作为输出值，选取训练样本的前80％作为训练集，后20％作为预测集进行验证分析。3.根据权利要求1所述的一种基于GA
‑
PSO
‑
GLSSVM算法的土岩复合地层深基坑变形时序预测方法，其特征在于，所述步骤S3中建立GLSSVM模型包括步骤：3.1对原始监测数据进行GM(1,1)模型累加预处理：3.1对原始监测数据进行GM(1,1)模型累加预处理：其中，为原始监测数据，为经过GM(1,1)模型累加预处理后的数据；3.2LSSVM模型高维特征空间描述及线性函数：3.2LSSVM模型高维特征空间描述及线性函数：其中，x
i
∈R
n
表示学习样本，y
i
∈R表示相应的输出预测样本，前n期的学习样本集合为A(x
i
,y
i
),i＝1，2，
…
，n；w为权值向量；J(w,e)为损失函数；γ为容错惩罚系数；e
i
为误差，为映射函数；b为偏置量；3.3应用拉格朗日算子对w和e进行优化求解，建立拉格朗日函数：其中，α
i
为拉格朗日乘子；3.4根据KKT(Karush Kuhn Tucker)最优条件对式3进行微分求解，得到线性方程组：
其中，y＝[y1，y2，
…
，y
i
]
T
；E＝[1，1，
…
，1]
T
；α＝[α1，α2，
…
，α
i
]
T
；Q为用于非线性映射的核函数，即Q

【专利技术属性】
技术研发人员：姜山，罗百胜，刘石磊，刘一锋，苏莹，曹彦华，逄明卿，田海洋，马超，荣溧，张海洋，
申请(专利权)人：中铁三局集团第四工程有限公司中铁投资集团有限公司，
类型：发明
国别省市：