一种考虑时空特性的深度学习地表沉降预测方法技术

本发明专利技术公开了一种考虑时空特性的深度学习地表沉降预测方法

【技术实现步骤摘要】
一种考虑时空特性的深度学习地表沉降预测方法


[0001]本专利技术属于沉降预测
，涉及一种考虑时空特性的深度学习地表沉降预测方法
。

技术介绍

[0002]随着城市规模的不断扩大和城市人口的不断增加，居民出行需求和出行距离都在增加
。
轨道交通因其高效和运输能力大的特点，在居民出行中发挥着越来越重要的作用，越来越多的居民选择轨道交通出行
。
但是，轨道交通建设过程中存在很多工程安全问题，尤其是在建设初期的基坑开挖过程中
。
基坑开挖会引发周围地表沉降，预警不及时可能会引发地面及周围建筑的坍塌，威胁人民生命财产
。
因此，地表沉降预测至关重要
。
[0003]为提高地表沉降预测的精度和效率，众多学者构建了新的预测模型和方法，取得了一系列成果
。
过去几十年中，已有很多方法被应用于地表沉降预测，包括：历史平均
(History Average
，
HA)
模型
、
灰色模型
、
自回归模型
、
马尔可夫模型
、
随机森林
、Knothe
模型
、
支持向量机和神经网络等
。
其中，张斌等人较早地使用了历史平均模型和灰色模型，构建了沉降变形预测方法
。
肖武权和冷伍明使用自回归模型提出了路基沉降实时动态预测模型，可以较好地捕捉沉降量数据的线性规律
。
但随着施工方法和技术的改进，沉降量数据的非线性和波动性也越来越明显，线性模型的劣势逐渐显现
。
近些年，人工智能领域飞速发展，一大批深度学习方法涌现出来，并展现出强势的性能
。
因此，高燕等人基于深度神经网络构建了地面沉降预测模型；周中
、
张俊杰和丁昊晖等选取长短期记忆神经网络提出了隧道地面沉降预测模型；武焱和张映雪根据门控循环单元
(Gated Recurrent Units
，
GRU)
神经网络搭建了沉降预测模型，且沉降预测性能良好
。
[0004]以上大多研究基于多种统计方法和机器学习方法提出了沉降预测模型，少部分使用了深度学习方法，取得了较好的预测结果
。
但是，现有研究大多没有充分考虑沉降量数据的时空特性
。
基坑开挖过程中，空间相邻的地点的沉降规律通常存在相关性，这种空间相关性对沉降预测至关重要
。
此外，现有研究大多没有充分发挥深度学习方法的优点，仅使用几种单一深度学习方法对沉降量数据进行了预测，还需进一步探索
。

技术实现思路

[0005]本专利技术针对上述现有研究存在的问题，引入卷积神经网络
(Convolutional Neural Network
，
CNN)
捕捉沉降量数据的空间特性，组合
CNN
和
GRU
神经网络，构建新的深度学习框架，进而提出一种能够同时捕捉沉降量数据时空特性的深度组合预测模型
(Deep Hybrid Prediction Model
，
DHM)。
相比现有地表沉降预测方法，所提模型能同时捕获沉降量数据的空间和时间特性，发挥不同深度学习方法的优点，针对地表沉降预测所得沉降量数据具有更高的准确性
。
[0006]本专利技术的技术方案：
[0007]一种考虑时空特性的深度学习地表沉降预测方法，步骤如下：
[0008]首先，确定地表沉降预测的空间范围
、
时间范围和时间间隔，利用该空间范围内的沉降监测点获取地表沉降量数据，并进行数据的预处理和集计；其次，组合
CNN
和
GRU
神经网络构建新的地表沉降预测模型
(DHM
模型
)
；然后，使用沉降量历史数据训练
DHM
模型；最后，使用训练好的预测方法预测地表沉降，其具体步骤如下：
[0009]1.
地表沉降量数据获取
[0010]选定预测的空间范围
、
时间范围和时间间隔，利用沉降监测点获取原始地表沉降量数据集，通过数据的预处理和集计获得目标监测点
s
的沉降量数据序列和相邻监测点
s
‑1的沉降量数据序列的沉降量数据序列为第
t
个时间间隔目标监测点
s
的沉降量数据，为第
t
个时间间隔相邻监测点
s
‑1的沉降量数据，
s
为监测点编号，
t
为时间间隔，
t∈{1,2,3,
…
,T}
，
T
为分析期内沉降量数据的时间间隔数
。
[0011]2.
深度组合模型构建
[0012]首先，基于目标监测点及其相邻监测点的地表沉降量数据序列构建沉降预测模型所需的输入矩阵；其次，使用
CNN
构建预测模型的空间模块，对相邻监测点的沉降量数据的空间相关性进行分析；然后，选取
GRU
神经网络搭建预测模型的时间模块，对沉降量数据的时间规律进行挖掘；最后，将空间模块和时间模块的输出输入到全连接层得到沉降量预测值，进而构建
DHM
模型，具体包括以下步骤：
[0013](1)
输入矩阵构建
[0014]根据目标监测点
s
及其相邻监测点的沉降量数据序列构造沉降预测模型的输入矩阵
X
s
＝
[x
1+h,s
；
x
2+h,s
；
x
3+h,s
；
…
；
x
t,s
；
…
；
x
T,s
]，
x
t,s
为第
t
个时间间隔目标监测点
s
的输入向量，
h
为使用沉降预测模型进行一次预测时所选的目标监测点
s
的历史沉降量数据的个数
。
[0015](2)
空间模块构建
[0016]使用
CNN
构建沉降预测模型的空间模块，挖掘目标监测点及其相邻监测点的空间相关性
。CNN
由卷积层
、
池化层和全连接层构成，这里使用卷积层和池化层提取输入矩阵的空间特征
。
将输入矩阵
X
s
输入到
CNN
的卷积层和池化层中，卷积层和池化层的输出为
[0017][0018]式中：为第
m
层卷积层使用第
c...

【技术保护点】

【技术特征摘要】
1.
一种考虑时空特性的深度学习地表沉降预测方法，为
DHM
模型；首先，确定地表沉降预测的空间范围
、
时间范围和时间间隔，利用该空间范围内的沉降监测点获取地表沉降量数据，并进行数据的预处理和集计；其次，使用卷积神经网络
、GRU
神经网络构建地表沉降预测模型；然后，使用沉降量历史数据训练
DHM
模型；最后，使用训练好的预测方法预测地表沉降；其特征在于，包括如下具体步骤：
(1)
获取地表沉降量数据选定预测的空间范围
、
时间范围和时间间隔，利用沉降监测点获取原始地表沉降量数据集，通过数据的预处理和集计获得目标监测点
s
的沉降量数据序列和相邻监测点
s
‑1的沉降量数据序列的沉降量数据序列为第
t
个时间间隔目标监测点
s
的沉降量数据，为第
t
个时间间隔相邻监测点
s
‑1的沉降量数据，
s
为监测点编号，
t
为时间间隔，
t∈{1,2,3,
…
,T}
，
T
为分析期内沉降量数据的时间间隔数；
(2)
构建
DHM
模型首先，基于目标监测点及其相邻监测点的地表沉降量数据序列构建沉降预测模型所需的输入矩阵；其次，使用
CNN
构建沉降预测模型的空间模块，对相邻监测点的沉降量数据的空间相关性进行分析；然后，选取
GRU
神经网络搭建沉降预测模型的时间模块，对沉降量数据的时间规律进行挖掘；最后，将空间模块和时间模块的输出输入到全连接层得到沉降量预测值，进而构建
DHM
模型，具体包括以下步骤：
1)
构建输入矩阵根据目标监测点
s
及其相邻监测点的沉降量数据序列构造沉降预测模型的输入矩阵
X
s
＝
[x
1+h,s
；
x
2+h,s
；
x
3+h,s
；
…
；
x
t,s
；
…
；
x
T,s
]
，
x
t,s
为第
t
个时间间隔目标监测点
s
的输入向量，
h
为使用沉降预测模型进行一次预测时所选的目标监测点
s
的历史沉降量数据的个数；
2)
构建空间模块使用
CNN
构建沉降预测模型的空间模块，挖掘目标监测点及其相邻监测点的空间相关性；
CNN
由卷积层
、
池化层和全连接层构成，使用卷积层和池化层提取输入矩阵的空间特征；将输入矩阵
X
s
输入到
CNN
的卷积层和池化层中，卷积层和池化层的输出为：式中：为第
m
层卷积层使用第
c
m
个卷积核进行卷积和池化后对目标监测点
s
的输出；
x
m,t,s
为第
m
层卷积层在第
t
个时间间隔对目标监测点
s
的输入向量，当
m
＝1时，
x
m,t,s
＝
x
1,t,s
＝
x
t,s
；为第
m
层卷积层中第
c
m
个卷积核对目标监测点
s
所选的激活函数；为第
m
层卷积层中第
c
m
个卷积核对目标监测点
s
所选的权重；为第
m
层卷积层中第
c
m
个卷积核对目标监测点
s
所选的偏置向量；
C
m
为第...

【专利技术属性】
技术研发人员：张文松，袁颖，杨雄伟，李源，刘曼，
申请(专利权)人：河北地质大学，
类型：发明
国别省市：