CN105809246A - 一种基于bp-时间序列融合的地铁结构变形预报方法 - Google Patents

Abstract

本发明公开了一种基于BP‑时间序列融合的地铁结构变形预报方法，包括以下的步骤：S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性；S2：构建时间序列预测模型并对地铁结构变形数据进行预测；S3：构建BP‑时间序列融合模型，利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿。本发明通过将时间序列模型与BP神经网络结合起来，利用神经网络在非线性变化数据拟合方面的优势对时间序列预测模型的误差进行补偿，对地铁结构变形随时间的变化特性进行了充分的挖掘，预报精度高、稳定性好。

Description

一种基于BP-时间序列融合的地铁结构变形预报方法

技术领域

本发明涉及地铁结构变形预报方法，特别是涉及基于BP-时间序列融合的地铁结构变形预报方法预报方法。

背景技术

地铁在施工和运营过程中的结构变形是不可避免的，由于隧道结构的特殊性，发生变形时地铁安全便得不到保障。城市地铁工程本身由于地基的变形、内部应力以及外部荷载的变化而产生结构变形和沉降；此外，在已建成或正在修建的城市地铁中，地铁隧道上方或沿线附近进行的非地铁施工建设项目越来越多，这些项目存在卸载、加载、降水、抽水或振动等施工程序和影响因素，也会对地铁隧道结构产生一定的结构变形、倾斜、位移、隆起或沉降等影响。如果结构变形和沉降超过允许值，就会对地铁安全造成严重影响。为保证地铁安全施工和运营，除了要建立健全完善的安全生产机制，严格把握施工质量外，对地铁进行变形监测也是十分重要的一项防护措施。地铁隧道变形监测的主要目的是预测，即对地铁结构变形的未来形态进行预报和分析。通过对实时更新的监测数据进行有效、准确的分析，建立最符合的地铁结构变形预测模型并进行预测，根据预测结果采取有效的措施减小变形，确保周边环境稳定，为地铁高效地建设提供技术支持。

进行地铁结构变形分析及预测的模型有很多种，通常根据不同的工程特点采用不同的模型。至今，经过国内外学者的大量研究，提出了很多预测方法，可归纳为：回归分析法、Peck法、灰色理论预测法、时间序列模型和神经网络模型等。这些地铁结构变形预测模型各有优缺点，但都普遍存在预测精度不是很高、模型稳定性较差的问题，根据地铁结构变形的特点。因此，构建一种精度较高、稳定性较好的预测模型是当前的一个研究方向。

发明内容

发明目的：本发明的目的是提出一种精度较高、稳定性较好的基于BP-时间序列融合的地铁结构变形预报方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的于BP-时间序列融合的地铁结构变形预报方法，包括以下的步骤：

S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性：整理地铁结构变形数据，对于缺失的数据采用三次多项式插值法进行插值，以得到均匀采样的地铁结构变形时间序列，并根据实际工程选择合适的学习样本和检验样本；经过分析后，确定与地铁结构变形时间序列当天的变形值y_k关联度大的前n天的变形值，设前n天的变形值为x₁、x₂、L、x_n，其中，x_i＝y_k-n-1+i，i＝1，……，n；因此，时间序列预测模型确定为y′_k＝f(x₁,x₂,…,x_n)；

S2：构建时间序列预测模型并对地铁结构变形数据进行预测：根据步骤S1中得到的地铁结构变形随时间的变化特性，对地铁结构变形时间序列进行分析处理，确定时间序列预测模型的类型和阶数，构建时间序列预测模型，并用时间序列预测模型对地铁结构变形进行预测；地铁结构变形时间序列当天的变形值为y_k，由时间序列预测模型获得的变形值为y′，则原始地铁结构变形值与时间序列预测模型所得变形值的差值Δy为y_k-y′；

S3：构建BP-时间序列融合模型：利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿：将BP神经网络模型与时间序列预测模型相结合，建立网络结构为(n+1)×p×1的BP-时间序列融合模型，其中，BP-时间序列融合模型的输入层节点数为n+1个，输入层各参数为x₁、x₂、L、x_n和y′，其中，x_i＝y_k-n-1+i，i＝1，……，n；中间层节点数为p个，p根据经验公式(1)来确定；输出层节点数为1个，输出层参数为Δy，即Δy＝y_k-y′；

$p=a+\sqrt{n+1}---\left(1\right)$

式(1)中，a为5～30的常数；

然后，根据BP-时间序列融合模型求出Δy的估计值Δy_BP，并根据式(2)实现对时间序列预报模型的补偿；

y＝y′+Δy_BP (2)。

有益效果：与现有技术相比，本发明的有益效果在于：

本发明通过将时间序列模型与BP神经网络结合起来，利用神经网络在非线性变化数据拟合方面的优势对时间序列预测模型的误差进行补偿，对地铁结构变形随时间的变化特性进行了充分的挖掘，本发明对地铁结构变形的预报精度高、稳定性好，预报效果优于现有技术。

附图说明

图1为本发明的BP神经网络结构示意图；

图2为本发明的BP-时间序列融合模型网络结构示意图；

图3为本发明方法与时间序列模型及BP神经网络模型的预报误差对比。

具体实施方式

下面结合具体实施方式和附图对本发明作更进一步的说明。

本发明公开了一种基于BP-时间序列融合的地铁结构变形预报方法，包括以下的步骤：

S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性。

整理地铁结构变形数据，对于缺失的数据采用三次多项式插值法进行插值，以得到均匀采样的地铁结构变形时间序列，并根据实际工程选择合适的学习样本和检验样本；

以南京某地铁工程项目为例，选取隧道监测断面YY18上的三个监测点YY18-1、YY18-2、YY18-3从2013年6月18日起至2015年3月10日的Z方向的坐标累计变形量进行研究，每个监测点有263期变形值，选取前200期变形值作为学习样本用于建立预测模型，后63期作为检验样本，如表1所示。

表1监测点Z方向累计变形值

对表1数据分析可知，前3天的变形值与地铁结构变形时间序列当天的变形值y_k关联度较大，由此可确定n＝3，将前3天的变形值设为x₁、x₂、x₃，因此，时间序列预测模型确定为y_k′＝f(x₁,x₂,x₃)。

S2：构建时间序列预测模型并对地铁结构变形数据进行预测。

根据步骤S1中得到的地铁结构变形随时间的变化特性，对地铁结构变形时间序列进行分析处理，确定时间序列预测模型的类型和阶数，构建时间序列预测模型，并用时间序列预测模型对地铁结构变形进行预测，地铁结构变形时间序列当天的变形值为y_k，由时间序列预测模型获得的变形值为y′，则原始地铁结构变形值与时间序列预测模型所得变形值的差值Δy为y_k-y′；

根据时间序列模型建模步骤在EVIEWS中对地铁结构变形数据进行分析，可得三个监测点变形值的时间序列预测模型均为MA(1)模型，模型计算结果如表2所示。

表2时间序列模型MA(1)计算结果

S3：构建BP-时间序列融合模型：

利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿：将BP神经网络模型与时间序列预测模型相结合，建立网络结构为(n+1)×p×1的BP-时间序列融合模型，如图2所示，其中，BP-时间序列融合模型的输入层节点数为n+1个，输入层各参数为x₁、x₂、L、x_n和y′，其中，x_i＝y_k-n-1+i，i＝1，……，n；中间层节点数为p个，p根据经验公式(1)来确定；输出层节点数为1个，输出层参数为Δy，即Δy＝y_k-y′；

$p=a+\sqrt{n+1}---\left(1\right)$

其中，n＝3，a取23，p＝25；

然后，根据BP-时间序列融合模型求出Δy的估计值Δy_BP，并根据式(2)实现对时间序列预报模型的补偿；

y＝y′+Δy_BP (2)。

在MATLAB中利用神经网络工具箱进行训练和学习，分别建立三个监测点的BP-时间序列融合预测模型，模型计算结果如表3所示。

表3 BP-时间序列融合模型计算结果

此外，本具体实施方式还将本发明方法与传统的BP神经网络模型进行比较。如图1所示，构建网络结构为n×p×1的BP神经网络预测模型，其中，BP神经网络预测模型的输入层节点数为n个，隐含层节点数为p个，p根据经验公式(1)来确定，输出层节点数为1个；输入层参数为x₁，x₂……，x_n，x_i＝y_k-n-1+i，i＝1，……，n；当天的变形值y_k作为输出层；其中，n为3，a取23，p为25。

在MATLAB中利用神经网络工具箱进行训练和学习，分别建立三个监测点的BP神经网络预测模型，模型计算结果如表4所示。

表4 BP神经网络模型计算结果

分析比较表2～4中的计算结果可知，通过将BP神经网络和时间序列两者相结合，利用BP神经网络强大的非线性映射能力对时间序列模型进行补偿，充分发挥了二者的优势，可以获得了更好的拟合和预测效果。以监测点YY18-2为例，三种模型的预测误差如图3所示。

BP-时间序列融合预测模型预测精度可达±0.18mm，与BP神经网络模型相比提升了±50.6％，与时间序列MA(1)模型相比提升了±76.6％。

Claims (1)

1.一种基于BP-时间序列融合的地铁结构变形预报方法，其特征在于：包括以下的步骤：

S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性：整理地铁结构变形数据，对于缺失的数据采用三次多项式插值法进行插值，以得到均匀采样的地铁结构变形时间序列，并根据实际工程选择合适的学习样本和检验样本；经过分析后，确定与地铁结构变形时间序列当天的变形值y_k关联度大的前n天的变形值，设前n天的变形值为x₁、x₂、L、x_n，其中，x_i＝y_k-n-1+i，i＝1，……，n；因此，时间序列预测模型确定为y′_k＝f(x₁,x₂,...,x_n)；

S2：构建时间序列预测模型并对地铁结构变形数据进行预测：根据步骤S1中得到的地铁结构变形随时间的变化特性，对地铁结构变形时间序列进行分析处理，确定时间序列预测模型的类型和阶数，构建时间序列预测模型，并用时间序列预测模型对地铁结构变形进行预测；地铁结构变形时间序列当天的变形值为y_k，由时间序列预测模型获得的变形值为y′，则原始地铁结构变形值与时间序列预测模型所得变形值的差值Δy为y_k-y′；

S3：构建BP-时间序列融合模型：利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿：将BP神经网络模型与时间序列预测模型相结合，建立网络结构为(n+1)×p×1的BP-时间序列融合模型，其中，BP-时间序列融合模型的输入层节点数为n+1个，输入层各参数为x₁、x₂、L、x_n和y′，其中，x_i＝y_k-n-1+i，i＝1，……，n；中间层节点数为p个，p根据经验公式(1)来确定；输出层节点数为1个，输出层参数为Δy，即Δy＝y_k-y′；

$p=a+\sqrt{n+1}---\left(1\right)$

式(1)中，a为5～30的常数；

然后，根据BP-时间序列融合模型求出Δy的估计值Δy_BP，并根据式(2)实现对时间序列预报模型的补偿；

y＝y′+Δy_BP (2)。