【技术实现步骤摘要】
本申请涉及桥梁位移趋势预测的，更具体地，涉及一种桥梁运维期的位移趋势的预测方法、装置和介质。
技术介绍
1、使用深度学习lstm（long-short term memory）模型对运维期的桥梁进行未来24个小时等时间长度的位移趋势预测，需要较长时间的桥梁运维期的位移监测数据，例如3-5年长度的位移监测数据，才能够准确地对桥梁进行未来时间段的位移趋势预测，因为桥梁的位移随着温度以及其他因素的影响，因为越长时间的数据能够包括桥梁在各种不同时间段的位移情况。如果关于桥梁的位移监测数据较少，例如3-10个月左右的运维期前期不具有年周期的位移监测数据，可能无法准确预测得到桥梁的位移趋势。长期的位移监测数据中有的数据段波动较大，如果是短时间的位移监测数据可能无法包括桥梁的位移的周期性变化情况和波动较大的情况，也就无法对桥梁后期进行位移趋势预测，准确率较低。
技术实现思路
1、提供了本申请以解决现有技术中存在的上述缺陷。需要一种桥梁运维期的位移趋势的预测方法、装置和介质，能够基于较短时间段的位移监测数...
【技术保护点】
1.一种桥梁运维期的位移趋势的预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的预测方法，其特征在于，将所述各个预测时间段所对应的相对误差输入马尔科夫链模型具体包括：将各个预测时间段内位移的相对误差，按照预测时间段的时间顺序排列；将按照时间顺序排列的相对误差数据输入马尔科夫链模型。
3.根据权利要求2所述的预测方法，其特征在于，将所述各个预测时间段所对应的相对误差输入马尔科夫链模型，得到修正系数具体包括：
4.根据权利要求3所述的预测方法，其特征在于，基于目标误差区间，得到修正系具体包括：
5.根据权利要...
【技术特征摘要】
1.一种桥梁运维期的位移趋势的预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的预测方法，其特征在于，将所述各个预测时间段所对应的相对误差输入马尔科夫链模型具体包括：将各个预测时间段内位移的相对误差，按照预测时间段的时间顺序排列；将按照时间顺序排列的相对误差数据输入马尔科夫链模型。
3.根据权利要求2所述的预测方法，其特征在于，将所述各个预测时间段所对应的相对误差输入马尔科夫链模型，得到修正系数具体包括：
4.根据权利要求3所述的预测方法，其特征在于，基于目标误差区间，得到修正系具体包括：
5.根据权利要求1中所述的预测方法，其特征在于，利用修正系数对目标位移预测数据进行修正，得到修正后的目标位移预测数据具体包括：修正后的目标位移预测数据=目标位移预测数据/（1-修正系数）。
【专利技术属性】
技术研发人员：王长欣，刘韶鹏，肖捷，田欣欣，
申请(专利权)人：北京云庐科技有限公司，
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。