【技术实现步骤摘要】
本专利技术涉及辅助隧道支护智能决策的收敛值参数预测预警方法及装置，属于时间序列预测及时间序列异常检测。
技术介绍
1、隧道支护是指在隧道施工过程中采取各种工程技术和措施，如岩层加固、隧道衬砌等，以确保隧道结构的稳定性和安全性。在进行隧道开挖时，由于地下岩土会受到巨大的力学变形和压力，可能导致岩土塌方、隧道结构失稳以及其他潜在的危险。因此，为了保障施工人员的安全，保护隧道的完整性，需要对一些重要参数进行人工或者传感器监测。当监测的参数的值处于不安全的状态时，还需及时进行响应和处理。以地表位移监测和岩体应力监测为例，地表位移监测是指在隧道施工过程中对地表的沉降、位移等变化进行测量，评估地表变形情况，以保护周围建筑物、地下管线等；岩体应力监测是指在隧道开挖过程中，为防止岩体因为巨大的应力造成破坏甚至塌方，通过监测岩体应力情况，采取加固和支护措施，保障隧道施工的安全性。这些监测结果对于岩体稳定性、隧道支护方案的决策、隧道施工的安全性等都至关重要。
2、通常来说，隧道施工监测的参数的变化曲线在隧道开挖后会呈现出刚开始上升或下降的趋势，然后逐渐减缓，并最终趋于平稳，为一个收敛曲线，因此对于参数的预测可以看作一个时间序列预测的问题，最后预测的收敛值是判断是隧道支护结构是否安全的重要指标，属于异常检测领域。多年来，众多学者对序列型参数预测进行了广泛而深入的研究。早期的时间序列预测模型以arima为代表，这种模型可以对每个序列分别进行拟合。但在处理大规模时间序列时效率较低，并且不能共享不同序列间的相似规律。随着深度学习模型在自然语言处
3、而在时间序列异常检测领域，由于真实场景中异常值较少，难以获得标签，因此基于深度学习的时序异常检测模型主要采用无监督的方法。文献“su y,zhao y,niu c,etal.robust anomaly detection for multivariate time series through stochasticrecurrent neural network[c].2019”提出了omnianomaly模型，它使用循环神经网络来捕捉多变量之间的时序依赖，并用变分自编码器(variational autoencoder，vae)来生成重建的概率。在异常检测阶段，模型使用一种基于极值优化理论(peaks-over-threshold，pot)的方法，可以自动设定阈值，检测时间序列中的异常点。文献“xu j,wu h,wang j,etal.anomaly transformer:time series anomaly detection with associationdiscrepancy[j].2021”改进了transformer结构，提出时序数据的两种关联，通过计算关联差异来辅助异常检测。但在真实的隧道支护过程中，单一的通过阈值来判断异常，并不严谨和直观，还需要有更系统的异常检测方法。
技术实现思路
1、为了克服现有技术中存在的缺陷，本专利技术旨在提供辅助隧道支护智能决策的收敛值参数预测预警方法及装置。
2、本专利技术解决上述技术问题所提供的技术方案是：一种基于时空序列深度学习的交通流量预测方法，包括：
3、s1、获取隧道的环境参数、支护参数以及预定时间段内监测的参数的历史数据；
4、s2、根据历史数据，确定需要训练的参数，构建训练样本；
5、s3、构建时间序列预测模型并将训练样本输入到构建好的时间序列预测模型中进行训练；
6、所述时间序列预测模型包括窗口归一化模块、嵌入层模块、去平稳化模块、变分推理模块和反归一化模块；
7、s4、将待预测的数据输入到训练好的时间序列预测模型中，得到参数的收敛曲线和收敛值；
8、s5、通过预测参数的收敛值，计算出所有的安全系数，如果存在安全系数小于1或大于8，表示当前的支护方案不合理，需要调整支护参数；如果所有的安全系数在1～8之间，表明当前的支护方案是安全的，则进行下一步；
9、s6、根据安全系数计算评价函数值，并根据评价函数值对决策方案进行调整。
10、进一步的技术方案是，所述步骤s2中对历史数据进行滑动窗口处理，充分利用数据中的上下文信息，处理方法如下：
11、wt＝{xt-w+1,xt-w+2,…,xt}
12、式中：wt表示第t个窗口，w表示窗口大小。
13、进一步的技术方案是，所述窗口归一化模块将时间序列在时间维度上进行归一化，消除多变量时序数据中不同变量间的尺度差异；
14、所述嵌入层模块包括位置编码单元和标记嵌入单元；所述位置编码单元为模型提供了序列中相对位置的信息，标记嵌入单元使用一维卷积操作将输入序列的每个数据点转换为固定维度的嵌入向量，与位置编码后的向量对其维度；
15、所述去平稳化模块包含去平稳注意力层、残差连接层、层归一化层、全连接层；所述去平稳注意力层采用改进的注意力机制，使用经过窗口归一化后的输入和统计量，近似未经过归一化时原始输入的注意力图；所述残差连接层用于缓解训练过程中梯度消失和信息丢失的问题，提高模型的训练效果和模型性能；所述层归一化层可以提供对每个层级输入的归一化处理，减少不同层级输入的分布差异，提高模型的鲁棒性；所述全连接层用于进行维度变换本文档来自技高网...
【技术保护点】
1.辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，包括：
2.根据权利要求1所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述步骤S2中对历史数据进行滑动窗口处理，充分利用数据中的上下文信息，处理方法如下：
3.根据权利要求1所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述窗口归一化模块将时间序列在时间维度上进行归一化，消除多变量时序数据中不同变量间的尺度差异；
4.根据权利要求3所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述窗口归一化模块的归一化公式如下：
5.根据权利要求3所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述去平稳注意力层的计算公式为：
6.根据权利要求3所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述反归一化模块的计算公式为：
7.根据权利要求1所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述步骤S5中的安全系数包括一个位移安全系数和3个支护结构安全系数。>
8.根据权利要求7所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述步骤S5中的计算公式为：
9.根据权利要求8所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，评价函数的计算公式为：
10.一种辅助隧道支护智能决策的收敛值参数预测预警装置，其特征在于，包括：
...【技术特征摘要】
1.辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，包括：
2.根据权利要求1所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述步骤s2中对历史数据进行滑动窗口处理，充分利用数据中的上下文信息，处理方法如下：
3.根据权利要求1所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述窗口归一化模块将时间序列在时间维度上进行归一化，消除多变量时序数据中不同变量间的尺度差异；
4.根据权利要求3所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征在于，所述窗口归一化模块的归一化公式如下：
5.根据权利要求3所述的辅助隧道支护智能决策的收敛值参数预测预警方法，其特征...
【专利技术属性】
技术研发人员：杜圣东，叶先耀，何川，徐国文，苏敏，马杲宇，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
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。