一种基于LSTM的地铁隧道沉降预测方法与流程

本发明涉及一种基于lstm的地铁隧道沉降预测方法，属于计算机。

背景技术：

1、随着城市化进程的加快，地铁作为城市公共交通的重要组成部分，已经成为解决城市交通拥堵问题的重要手段。然而，地铁隧道的建设和运营过程中，地质条件、施工工艺和环境因素等多种因素可能导致地铁隧道出现沉降现象。地铁隧道沉降如果得不到及时有效的预测和控制，可能会对隧道结构和运营安全带来严重影响，甚至引发安全事故。因此，研究和开发一种高效、准确的地铁隧道沉降预测方法具有重要的现实意义。

2、传统的地铁隧道沉降预测方法主要依赖于经验公式和数值模拟。这些方法通常需要大量的现场实测数据和复杂的数值计算，且对地质条件和施工工艺的变化较为敏感，预测精度和适应性有限。随着传感器技术和大数据技术的发展，地铁隧道沉降监测数据变得更加丰富和精准，为基于数据驱动的沉降预测方法提供了新的契机。

3、近年来，机器学习和深度学习技术在时序数据预测领域取得了显著成果。长短期记忆网络（long short-term memory, lstm）作为一种特殊的递归神经网络（recurrentneural network, rnn），在处理和预测时间序列数据方面表现出了优越的性能。lstm通过引入遗忘门、输入门和输出门，有效解决了传统rnn的梯度消失和梯度爆炸问题，能够捕捉时间序列数据中的长期依赖关系。因此，lstm被广泛应用于金融预测、天气预报、交通流量预测等领域。

4、基于上述背景，本发明提出了一种基于lstm的地铁隧道沉降预测方法，旨在利用lstm的强大时间序列建模能力，对地铁隧道沉降进行高效、准确的预测。该方法充分利用地铁隧道沉降监测数据，建立lstm预测模型，通过对历史沉降数据的学习，能够实时预测未来的隧道沉降趋势，为地铁隧道的安全运营提供科学依据和技术支持

5、本发明的背景技术有以下几种：

6、朴素方法，朴素方法包括一些非常简单的假设，通常假设明天和今天一样、明天和去年的今天一样、明天是过去几天的平均值等，这种方法并没有考虑影响隧道沉降的因素是多元的，因此预测的结果并不能达到我们的要求。

7、arima（autoregressive integrated moving average，自回归积分滑动平均）是一种广泛应用于时间序列分析和预测的统计模型。它通过结合自回归（ar）、差分（i）、和移动平均（ma）三个部分来描述时间序列数据的特性。arima 模型能够有效捕捉时间序列数据的线性关系和趋势，是传统时间序列分析中最为经典和常用的方法之一。但隧道沉降并不一定是严格的线性关系，所以该方法仍无法做到精准的隧道沉降预测。

8、基于上述需求，本发明提供一种基于lstm的地铁隧道沉降预测方法，通过利用lstm网络进行建模，完成对地铁隧道沉降的精准预测，显著提高隧道沉降的精度和效率。

技术实现思路

1、为解决上述现有技术存在的问题，本发明采用的技术方案是一种基于lstm的地铁隧道沉降预测方法，进一步提升对地铁隧道沉降的精准预测。

2、本发明的技术方案具体包括以下步骤：

3、步骤1，建立地铁隧道沉降数据集，采集多个地铁隧道近几年的沉降数据，采样周期为。数据集的属性信息包括时间内的围岩重度、泊松比、杨氏模量、含水量、孔隙水压力，将其制作成地铁隧道沉降数据集。

4、步骤2，搭建地铁隧道沉降预测模型，利用深度神经网络中的长短期记忆网络（lstm）搭建一个地铁隧道沉降预测模型，模型的作用是完成时间序列数据的预测，模型的输入为步骤 1 所述的地铁隧道沉降数据集中的部分隧道沉降数据，输出为想要预测的时间段的隧道沉降数据 。

5、步骤3，加入cnn提高对数据特征的提取，利用一维卷积将原始数据中的特征提取出来，将提取后的特征输入lstm网络，使其得到更好的预测能力。

6、步骤4，训练并优化模型，初始化上述的地铁隧道沉降预测模型，根据上述规则进行训练，直到地铁隧道沉降预测效果达到最优。

7、进一步的，所述步骤1包括以下步骤：

8、步骤 1.1，按照采样周期为记录多个地铁的隧道沉降数据，为了获得详细数据，这个采样周期通常设置得很小，例如每天采样一次，将数据用一个矩阵的形式保存下来，得到地铁隧道沉降数据集，矩阵的大小为，其中表示采集的数据量大小，采集一次记录为一行，表示每次采集的影响因素数量，本发明为5个，包括围岩重度、泊松比、杨氏模量、含水量、孔隙水压力。

9、步骤 1.2，将所有数据按照采集时间依次记录，形成所需要的时间序列数据。

10、步骤 1.3，将数据归一化，把所有数据进行归一化，归一化后的数据可以防止因奇异样本的存在而引起的训练时间增大，模型无法收敛的问题，归一化公式为,其中 表示归一化前的数据，表示归一化后的数据。

11、进一步的，所述步骤2包括以下步骤：

12、 步骤2.1，搭建一个lstm网络，网络接受时间序列输入，输出想要预测的时间段的地铁隧道沉降，lstm 的计算公式包括以下几个重要的部分：。

13、遗忘门：计算遗忘门的输出，以决定前一个单元的记忆状态中要保留多少信息，公式如下：

14、{f}_{t}=s({w}_{f}\left [ {{h}_{t-1},{x}_{t}} \right ]+{b}_{f})

15、式中：是遗忘门的输出，是 sigmoid 函数， 和 是遗忘门的权重矩阵和偏置向量，是上一个时间步的隐藏状态，是当前时间步的输入。

16、输入门：计算输入门的输出，以决定当前时间步的输入中哪些信息会被添加到记忆状态中，公式如下：

17、{i}_{t}=s({w}_{i}\left [ {{h}_{t-1},{x}_{t}} \right ]+{b}_{i})

18、式中：是输入门的输出，和是输入门的权重矩阵和偏置向量。

19、新的细胞状态：计算当前时间步的新的细胞状态，公式如下：

20、{c}^{'}_{t}=tanh({w}_{c}\left [ {{h}_{t-1},{x}_{t}} \right ]+{b}_{c})

21、式中：是新的记忆状态，是双曲正切函数，和是新的记忆状态的权重矩阵和偏置向量。

22、更新细胞状态：使用遗忘门和输入门的输出来更新细胞状态，公式如下：

23、

24、式中：是更新后的记忆状态，表示逐元素相乘操作。

25、输出门：计算输出门的输出，以决定当前时间步的隐藏状态，公式如下：

26、{o}_{t}=s({w}_{o}\left [ {{h}_{t-1},{x}_{t}} \right ]+{b}_{o})

27、式中：是输出门的输出，和是输出门的权重矩阵和偏置向量。

28、隐藏状态：使用输出门的输出和更新后的记忆状态来计算当前时间步的隐藏状态，公式如下：

29、

30、式中：是当前时间步的隐藏状态。

31、进一步的，所述步骤3包括以下步骤：

32、步骤3.1，搭建一个卷积神经网络，利用一维卷积层对输入数据每个时间步的特征进行提取。

33、步骤3.2，根据预测要求和模型预测效果调整卷积核的滑动窗口大小，随着卷积核在时间维度上的滑动，cnn 可以逐步提取输入序列中不同位置的特征，并且这些特征在时间上也能保持原有的顺序信息。

34、步骤3.3，将经过卷积层提取后的数据特征输入上述步骤2中所搭建的lstm网络，输出预测结果。

35、进一步的，所述步骤4包括以下步骤：

36、步骤4.1，重采样数据集，因为上述步骤1中所得到的数据集采样周期为，不一定满足模型训练需求，将其按照周期重采样为数据集。

37、步骤4.2，划分数据集，将数据集按照的比例划分为训练数据集、验证数据集、测试数据集。

38、步骤4.3，将训练数据集按顺序依次输入地铁隧道沉降预测模型，经卷积层提取特征后再输入lstm网络，最终输出某个期望的时间段后的预测结果。

39、步骤4.4，将预测结果与真实结果输入损失函数计算损失，利用反向传播算法更新模型参数，损失函数平均绝对误差，其公式为：

40、

41、步骤 4.5，利用验证数据集对步骤4.3中获得的地铁隧道沉降预测模型进行验证，验证其准确率是否满足要求，若不满足要求，调整模型训练超参数后重复步骤4.3，若满足要求，获得验证后的地铁隧道沉降预测模型。

42、步骤 4.6，利用测试数据集对步骤4.5中获得的地铁隧道沉降预测模型进行测试，是否能够做到准确的地铁隧道沉降预测，最后得到满足要求的地铁隧道沉降预测模型。

技术特征：

1.一种基于lstm的地铁隧道沉降预测方法，其特征在于，所述基于lstm的地铁隧道沉降预测方法包括：

2.根据权利要求 1 所述的基于lstm的地铁隧道沉降预测方法，其特征在于，所述步骤1包括以下步骤：

3.根据权利要求 1 所述的基于lstm的地铁隧道沉降预测方法，其特征在于，所述步骤2包括以下步骤：

4.根据权利要求 1 所述的基于lstm的地铁隧道沉降预测方法，其特征在于，所述步骤3包括以下步骤：

5.根据权利要求 1 所述的基于lstm的地铁隧道沉降预测方法，其特征在于，所述步骤4包括以下步骤：

技术总结
本发明是一种基于LSTM的地铁隧道沉降预测方法，属于计算机技术领域。具体是涉及到在社会生产中，如何做到精确的预测地铁隧道沉降，先对地铁隧道沉降按照周期T进行连续采样，采样的数据有围岩重度、泊松比、杨氏模量、含水量、孔隙水压力，将其制作为时间序列数据，再搭建一个CNN‑LSTM网络对其进行时间序列建模，CNN‑LSTM网络具有优秀的时间序列预测能力，对其进行训练及优化后得到一个能够精准预测地铁隧道沉降的模型。本发明能够显著提高地铁隧道沉降预测能力，从而提高交通安全水平。

技术研发人员：王诚
受保护的技术使用者：王诚
技术研发日：
技术公布日：2024/9/23