CN108846199B - 基于时空一体化的特高拱坝变形时空序列预测方法 - Google Patents
基于时空一体化的特高拱坝变形时空序列预测方法 Download PDFInfo
- Publication number
- CN108846199B CN108846199B CN201810598142.0A CN201810598142A CN108846199B CN 108846199 B CN108846199 B CN 108846199B CN 201810598142 A CN201810598142 A CN 201810598142A CN 108846199 B CN108846199 B CN 108846199B
- Authority
- CN
- China
- Prior art keywords
- time
- space
- network
- data
- dam
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000010354 integration Effects 0.000 title abstract 2
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000006073 displacement reaction Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 13
- 230000000644 propagated effect Effects 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000000714 time series forecasting Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 241000288105 Grus Species 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000003134 recirculating effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 125000006850 spacer group Chemical group 0.000 claims 1
- 241001269238 Data Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空一体化的特高拱坝变形时空序列预测方法，包括以下步骤：大坝传感器在监测数据时，实测数据中时常带有随机误差项，假设时空过程分解为两部分：确定性时空变化和去除确定趋势后的小规模误差随机变化并且去除确定趋势后的小规模误差随机变化的期望为零。应用简单BP神经网络拟合整体时空趋势；在去除整体时空趋势后得到残差项，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将门限循环神经网络预测出的变形值与BP神经网络预测出的变形值进行对比，如果门限网络的预测值更加精确，那么将预测后的顺河向位移数据作为训练数据优化BP网络。
Description
技术领域
本发明涉及高拱坝变形时空序列预测技术领域，具体涉及一种结合BP网络、 GRU神经网络以及时空克里格方法对高拱坝变形时空序列进行预测。
背景技术
随着现代传感器数据种类和数量的快速增长，如何合理有效的利用这些收集的海量信息预测大坝整体的变形值，进而把握高拱坝整体变形状态，已经成为水利工作者亟待解决的问题。只有了解大坝整体的状态，才能做到对发现的异常情况及时处理，防患于未然。才能保证大坝始终运行在安全高效的环境中。
大坝变形值通过埋设在坝体内部的位移传感器测量得到，位移传感器限于大坝实际结构，只能布设在有限的几处重点监测位置。由于测点布置相对离散，无法把握大坝空间整体状态。目前常见的做法是将大坝看作由一群三维空间点组成的有机整体，利用空间插值算法插补出未知点位移值。这一方法虽然达到了了解大坝整体状态的目的，但是它的弊端是只能了解当前时间点或历史时间上的变形状态，无法对整体变形状态做出预测。要预测大坝整体变形值，就是在空间插值的基础上加入时间维度，预测构成大坝的任意一点在任一时间的变形值。由于大坝变形的过程本质上是时空过程，所以设计出许多数据收集方法来记录数据中每个测点的空间和时间信息，这些信息被称为时空序列(Spatio-TemporalSeries, ST)数据。本发明研究的问题可以理解为通过有限测点的大坝历史变形数据来预测未来任意时间任意位置的变形值，即时空序列预测。
时空数据由于在空间和时间两个维度上同时存在依赖关系，这就使得它与经典数据挖掘文献中研究的其他数据不同。许多广泛使用的数据挖掘方法都建立在数据实例独立且分布相同(Independent Identically Distributed,IID)的假设基础上。然而，该假设在处理时空数据时可能并不成立，这是因为数据实例在空间和时间结构上彼此相关，并且在不同的空间区域或时间段中会显示不同的属性。在数据分析过程中忽略这些依赖关系可能导致预测结果准确性不高，预测结论的可解释性较差。在时空数据研究领域，除限制传统预测算法的有效性之外，空间和时间信息的存在还使得在时空数据挖掘中应用新兴技术成为可能，如人工神经网络(Artificial Neural Network,ANN)和门限循环神经网络(GatedRecurrent Unit, GRU)等。因此应用神经网络技术，结合时间和空间维度，综合考虑大坝变形整体时空趋势和局部时空趋势，对未观测时空位置变形值进行建模和预测进而展示出大坝整体变形状态，是本发明所要解决的问题。
发明内容
发明目的：基于时空一体化的高拱坝变形时空序列预测方法，解决现有技术中无法综合考虑时空序列预测中的时空相关性的问题。为综合考虑时间和空间因素，将时空演变过程分为整体和局部两部分，应用简单神经网络拟合整体时空趋势，采用传统时空预测模型拟合局部随机过程，构造一种新型时空序列预测算法。由于简单神经网络无法准确捕捉时间序列中的长期依赖性，为解决该问题引入门限循环网络，利用门限循环网络对时间序列数据高精度预测的优势优化简单神经网络。
技术方案：一种基于时空一体化的特高拱坝变形时空序列预测方法，包括以下三个方面：
(1)大坝传感器在监测数据时，由于各种现实因素，实测数据中时常带有随机误差项，假设时空过程分解为两部分：Zi(t)＝Mi(t)+ei(t)，式中Mi(t)代表确定性时空变化，ei(t)代表去除确定趋势后的小规模随机变化并且满足 E(ei(t))＝0，即期望为零。利用简单BP神经网络拟合整体时空趋势；
(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；
(3)引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。
所述利用简单BP神经网络拟合整体时空趋势的具体步骤如下：
(1.1)确定BP网路拓扑结构：确定神经网络输入向量和目标输出向量，拟设输入层中神经元数目为4，输入向量分别对应各个移传感器的三维坐标和传感器测得位移时的时间。设输出层的节点数目为1，目标输出向量对应大坝测点顺河向位移值。网络结构中包含多个隐含层，关于隐含层个数、各隐含层中神经元个数设置的问题，目前没有合适的算法直接求出最佳个数，按神经元个数从小到大依次尝试后计算出最佳个数；
(1.2)确定网络结构权重系数：神经网络无需深入了解大坝具体受力情况，而是通过训练网络结构中的系数(权重)来达到时空预测的目的。BP网络在初始化时以[-1,1]之间的随机数对权重赋值；
(1.3)生成激活后的估计值：网络中的每个神经元可以在输出端使用非线性激活函数，产生到其他神经元的平滑信号。激活函数有很多种类，其中一种常用的非线性激活函数是由逻辑函数定义的S形传递函数；
(1.4)多次训练得到理想模型：将输入向量带入神经网络中，经过前向传播和反向传播算法的不断训练，将误差控制在理想范围内。即每次训练后计算期望输出与实际输出误差，误差通过反向传播算法不断调整神经元权重。所述内容 (2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势。拟合局部时空趋势的具体步骤如下：
(2.1)残差数据应该尽可能充分，对于残差数据，两两计算时空距离；
(2.2)寻找一个拟合曲线拟合距离与时空半方差的关系，从而能根据任意时空距离计算出相应的半方差；半方差函数定义为rij＝0.5*E[(Zi-Zj)2]，根据地理学第一定律，即空间上相近的属性相近。rij表达了属性的相似度，空间上的相似度就用距离dij来表达。时空克里金插值假设rij和dij之间存在着函数关系，这种关系可以是线性、二次函数、指数、对数关系等等。为了确认这种关系，我们需要首先对观测数据集计算任意两个点的距离dij和半方差rij，这样会得到多个 (dij，rij)的数据对，得到函数关系r＝r(d)，将所有的d和r绘制成散点图，寻找一个最优的拟合曲线拟合d和r的关系，得到函数关系式r＝r(d)。
(2.3)计算出所有已知点之间的时空半方差rij；
(2.4)对于未知点Zo，计算它到所有已知点Zi的半方差rio；
(2.5)求解代价函数得到最优系数λi；
(2.6)使用最优系数对已知点的属性值(顺河向位移值)进行加权求和，得到未知点顺河向位移值的估计值，结束时空克里格方法。
所述内容(3)引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。 GRU网络进行大坝各测点时间序列预测的具体步骤如下：
(3.1)将大坝各测点时间序列预测问题转化为监督学习问题：使用Keras 深度学习框架实现GRU网络。Keras中的GRU模型将数据分为两类：输入向量和输出向量。应用到时间序列预测问题上，以上一个时间点(t-1)的观察值作为输入，当前时间点(t)的观察值作为输出来实现问题转换的目的。GRU网络在本次时间序列预测中应用多输入GRUs网络。多输入GRUs网络输入向量中不仅包括测点自身顺河向位移时间序列，还包括环境量数据。具体而言，输入变量中包括滞后时间点(t-1)的观察值，还包括(t-1)时刻环境变量值；
(3.2)变换时间序列数据，使其平稳。先判断时间序列是否平稳，如果不平稳需要去除时间趋势使其平稳。平稳化时间序列有消除时间序列趋势的方法是对数据进行差分运算，即(t)时刻位移值减去(t-1)时刻位移值，得到差分序列；
(3.3)将观测结果标准化；
(3.4)建立GRU神经网络：GRU循环网络包含输入层、隐含层和输出层。在添加GRU层的时候，首先需要确定输入层输入向量，输出层输出向量。初始时，随机生成权重矩阵，如步骤1.1、1.2；
(3.5)对于GRU来说，由前向传播计算出重置门r、更新门z、当前缓存记忆内容g、当前时间步的最终记忆h这四个向量的值。计算过程依次为：
rt＝σ(Wrxt+Urht-1)
zt＝σ(Wzxt+Uzht-1)
gt＝tanh(Wg(ht-1⊙rt)+xtUg)
ht＝yt＝ht-1⊙(1-zt)+zt⊙gt
以上式中，σ为Sigmoid激活函数(即S型函数)；xt表示时刻t的输入；h 代表GRU网络的输出，ht代表时间t时刻的最终输出，ht-1保存t-1时刻的记忆； W和U分别代表GRU网络中的权重系数，；
(3.6)通过BPTT计算误差项δj值：利用BPTT算法反向计算每个神经元的误差项δj本质上是误差函数E对神经元j输入量netj的偏导。BPTT算法将第l 层t时刻的误差项值沿两个方向传播：一是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项，与权重系数U相关；另一传播方向是是将误差项向上一层传播，与权重系数W相关；
(3.7)计算每个权重系数的梯度：GRU网络在训练之前对权重w赋予较小的随机值，根据BPTT算法不断训练权重。网络的权重通过纠正神经元的输出变量和理想输出之间的误差来改变并且及时调整。不断重复执行这一过程，使得每训练依次网络的权重就更新一次，直到最后所有训练数据的输出项达到理想的精度，结束训练。
本发明采用上述技术方案，具有以下有益效果：
1.选择BP神经网络拟合整体时空趋势而不是直接利用传统时空预测方法，目的是解决传统时空预测方法对非平稳时空序列预测精度不高的问题。
2.现有方法普遍将时间和空间数据性质分开来考虑，无法结合时空相关的特性对时空序列做出统一预测。本发明的大坝变形时空序列预测算法能结合时间和空间两方面因素考虑，提高了时空序列预测的精确度。
3.由于简单BP神经网络无法准确捕捉时间序列中的长期依赖性，为解决该问题引入门限循环网络GRU，利用GRU网络对时间序列数据高精度预测的优势优化简单神经网络。
附图说明
图1为部署在坝体内的传感器分布图；
图2为时空序列预测问题形式化示意图；
图3为本发明方法实施例的总体框架图；
图4 BP网络结构示意图；
图5为GRU误差反向传播过程。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，已知有m个位移传感器测点埋设在坝体内部，每个传感器获取到的位移数据可视作一条时间序列，则搜集到的监测数据可以表示为m个时间序列。这些数据组成时间序列集合S＝{s1,s2,...,si}(i＝1...m)。其中
si＝{X1,X2,...,Xj}(j＝1...n)表示单个站点i的监测数据序列，序列中表示共有n 个时间点，且时间序列中的每个观测值Xj都是一个二维向量，包含横河向位移和顺河向位移(本文仅以顺河向位移为例说明)。将大坝视作由众多空间点组成，大坝连续坝段顺河向位移监测数据可视为由组成大坝的各点的时间序列组成，即全集A，
定义本发明中的问题为：在给定的时刻t(t＜n)，基于有限测点集合S，使用集合S中(1,2,...,t)有限时刻数据，预测全集A(S及其补集CAS)中任意一点在未来任意时刻(t+1,t+2,...,t+F)的对应值。具体而言，模型的输入数据是已知测点的坐标和历史位移数据，输出结果是任意测点未来任意时刻的径向位移预测值。问题示意图可参照表1所示，以表1为例具体说明。表1中横向为各个测点时间序列数据，纵向为各时间节点顺河向位移数据，X值为补集待预测值。以大坝实测数据为例，用随机方式在其中选取4个时间序列数据作为数据测试集，比如测试集随机选取为C4A25IP01，C4A25PL06，C4A29IP01和C4A29PL05，即CAS＝{C4A25IP01C4A25PL06C4A29IP01C4A29PL05}，S为剩余项点的集合，t为2015年11月1日，F为310。
表1 某高拱坝时空预测问题形式化示意表
求解问题为利用S中从2012年6月1到2015年10月31号日的数据预测补集CAS从2015年11月1号到2016年9月6号对应值，即表1中X处数值。图 2表示假设当前时间点为t3，要以测点s1,s2,s3,s4在时间t1,t2,t3上的数据预测t4时刻空间任意一点值。
本发明提供基于时空一体化的高拱坝变形时空序列预测算法的实施例，图3 是高拱坝变形时空序列预测的总体框架图。可以看出，本发明实施例的主要步骤如下：
(1)大坝传感器在监测数据时，由于各种现实因素，实测数据中时常带有随机误差项，假设时空过程可以分解为两部分：Zi(t)＝Mi(t)+ei(t)，式中Mi(t) 代表确定性时空变化，ei(t)代表去除确定趋势后的小规模随机变化并且满足 E(ei(t))＝0，即期望为零。利用简单BP神经网络拟合整体时空趋势；
(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；
(3)引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。
其中步骤(1)的具体步骤为：
(1.1)确定BP网路拓扑结构：确定神经网络输入向量和目标输出向量，本实验中拟设输入层中神经元数目为4，分别对应三维坐标和时间，如图4所示。设输出层的节点数目为1，对应大坝测点顺河向位移值。网络结构中关于隐含层个数、各隐含层中神经元个数设置的问题，按神经元个数从小到大依次尝试后计算出最佳个数；由于大坝变形过程复杂，为较精确的诠释大坝变形的内在规律，设置BP网络隐含层个数为2，第一层中隐含单元个数分别为5、10、20、30、 40、50、60、70，第二层中隐含层单元个数分别为0、5、10、20，遍历第一层隐含单元个数的不同情况，在遍历的同时对第二层隐含单元个数做相同的事情，即两个循环嵌套。
(1.2)确定网络结构权重系数：神经网络无需深入了解大坝具体受力情况，通过训练网络结构中的系数来达到时空预测的目的。BP网络不同层神经元之间通过权重实现完全连接。BP网络在初始化时以[-1,1]之间的随机数对权重赋值；
(1.3)生成激活后的估计值。激活函数有很多种类，其中一种常用的非线性激活函数是由逻辑函数定义的S形传递函数；
(1.4)多次训练得到理想模型：将输入向量带入神经网络中，经过前向传播和反向传播算法的不断训练，将误差控制在理想范围内，使用Matlab软件中 BP网络预设误差0.001，训练次数为1000，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。
其中步骤(2)的具体步骤为：
(2.1)残差数据应该尽可能充分，残差项有34*1247，即42398个残差数据，可认为残差数据充分，对于残差数据，两两计算时空距离；
(2.2)寻找一个拟合曲线拟合距离与时空半方差的关系，从而能根据任意时空距离计算出相应的半方差；
(2.3)计算出所有已知点之间的时空半方差rij；
(2.4)对于未知点Zo，计算它到所有已知点Zi的半方差rio；
(2.5)求解代价函数得到最优系数λi，代表未知点的估计值；
(2.6)使用最优系数对已知点的属性值进行加权求和，得到未知点的估计值，结束时空克里格方法。
其中步骤(3)的具体步骤为：
(3.1)将时间序列预测问题转化为监督学习问题：使用Keras深度学习框架实现GRU网络。Keras中的GRU模型将数据分为两类：输入向量和输出向量。应用到时间序列预测问题上，以上一个时间点(t-1)的观察值作为输入，当前时间点(t)的观察值作为输出来实现问题转换的目的。GRU网络在本次时间序列预测中应用多输入GRUs网络。多输入GRUs网络输入向量中不仅包括测点自身顺河向位移时间序列，还包括环境量数据。具体而言，输入变量中包括滞后时间点 (t-1)的观察值，还包括(t-1)时刻环境变量值，如表2所示。表2中WatLU(t-1) 表示相对于时间点(t)滞后一天的上游水位值，单位为m；WatLD(t-1)表示相对于时间点(t)滞后一天的下游水位值，单位为m；Rain(t-1)表示相对于时间点(t)滞后一天的降雨量，单位为mm；Flow(t-1)表示相对于时间点(t)滞后一天的大坝流量值，单位为L/s；
表2 测点C4-A25-PL-02GRU多输入实力表
(3.2)变换时间序列数据，使其平稳。具体的操作流程是先从观测值中去除时间趋势，然后对时间序列建模得到预测值，最后将时间趋势再加回到预测值中。平稳化时间序列有消除时间序列趋势的一般方法是对数据进行差分运算，即 (t)时刻位移值减去(t-1)时刻位移值，得到差分序列；
(3.3)将观测结果标准化；
(3.4)建立GRU神经网络：GRU循环网络包含输入层、隐含层和输出层。在添加GRU层的时候，首先需要确定输入层输入向量，输出层输出向量。初始时，随机生成权重矩阵；
(3.5)对于GRU来说，由前向传播计算出重置门r、更新门z、当前缓存记忆内容g、当前时间步的最终记忆h这四个向量的值。计算过程依次为：
rt＝σ(Wrxt+Urht-1)
zt＝σ(Wzxt+Uzht-1)
gt＝tanh(Wg(ht-1⊙rt)+xtUg)
ht＝yt＝ht-1⊙(1-zt)+zt⊙gt
以上式中，σ为Sigmoid激活函数(即S型函数)；xt表示时刻t的输入；ht-1保存t-1时刻的记忆；W和U分别代表GRU网络中的权重系数；
(3.6)通过BPTT计算误差项δj值：利用BPTT算法反向计算每个神经元的误差项δj本质上是误差函数E对神经元j输入量netj的偏导。BPTT算法将第l 层t时刻的误差项值沿两个方向传播：一是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项，与权重系数U相关；另一传播方向是是将误差项向上一层传播，与权重系数W相关。BPTT具体应用到GRU网络上的流程示意如下图5所示，每一步残差计算的过程将在表3中得到具体阐述。表3中δ1、δ2为前向传播输出值与期望值之间的误差；
表3
(3.7)计算每个权重系数的梯度：GRU网络在训练之前对权重w赋予较小的随机值，根据BPTT算法不断训练权重。网络的权重通过纠正神经元的输出变量和理想输出之间的误差来改变并且及时调整。不断重复执行这一过程，使得每训练依次网络的权重就更新一次，直到最后所有训练数据的输出项达到理想的精度，结束训练。
Claims (5)
1.一种基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，包括以下三个方面：
(1)大坝传感器的实际监测数据分解为真实值和误差项两部分：Zi(t)＝Mi(t)+ei(t)，式中Mi(t)代表确定性时空变化，ei(t)代表去除确定趋势后的小规模误差随机变化并且满足E(ei(t))＝0，期望为零,应用简单BP神经网络拟合整体时空趋势；
(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；
(3)引入门限循环神经网络(Gated Recurrent Unit,GRU)对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。
2.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，利用简单BP神经网络拟合整体时空趋势的具体步骤如下：
(1.1)确定BP网路拓扑结构：确定神经网络输入向量和目标输出向量，拟设输入层中神经元数目为4，分别对应三维坐标和时间；设输出层的节点数目为1，对应大坝测点顺河向位移值；
(1.2)确定网络结构权重系数：BP网络在初始化时以[-1,1]之间的随机数对权重赋值；
(1.3)生成激活后的估计值：网络中的每个神经元可以在输出端使用非线性激活函数，产生到其他神经元的平滑信号；非线性激活函数是由逻辑函数定义的S形传递函数；
(1.4)多次训练得到理想模型：将输入向量带入神经网络中，经过前向传播和反向传播算法的不断训练，每次训练后计算期望输出与实际输出误差，误差通过反向传播算法不断调整神经元权重。
3.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，所述内容(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；拟合局部时空趋势的具体步骤如下：
(2.1)对于残差数据，两两计算时空距离；
(2.2)通过拟合曲线拟合距离与时空半方差的关系，从而能根据任意时空距离计算出相应的半方差；
(2.3)计算出所有已知点之间的时空半方差rij；
(2.4)对于未知点Zo，计算它到所有已知点Zi的半方差rio；
(2.5)求解代价函数Var(Zo-Zo)，得到最优系数λi；
(2.6)使用最优系数对已知点的属性值进行加权求和，得到未知点的估计值，结束时空克里格方法。
4.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，所述内容(3)引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络；GRU网络进行大坝各测点时间序列预测的具体步骤如下：
(3.1)将大坝各测点时间序列转化为监督学习问题：使用Keras深度学习框架实现GRU网络；Keras中的GRU模型将数据分为两类：输入向量和输出向量,应用到时间序列预测问题上，以上一个时间点(t-1)的观察值作为输入，当前时间点(t)的观察值作为输出来实现问题转换的目的；GRU网络在本次时间序列预测中应用多输入GRUs网络；多输入GRUs网络输入向量中不仅包括测点自身顺河向位移时间序列，还包括环境量数据；具体而言，输入变量中包括滞后时间点(t-1)的观察值，还包括(t-1)时刻环境变量值；
(3.2)变换时间序列数据，使其平稳；先判断时间序列是否平稳，如果不平稳需要去除时间趋势使其平稳；平稳化时间序列有消除时间序列趋势的方法是对数据进行差分运算，即(t)时刻位移值减去(t-1)时刻位移值，得到差分序列；
(3.3)将观测结果标准化；
(3.4)建立GRU神经网络：GRU循环网络包含输入层、隐含层和输出层,在添加GRU层的时候，首先需要确定输入层输入向量，输出层输出向量；初始时，随机生成权重矩阵；
(3.5)对于GRU来说，由前向传播计算出重置门r、更新门z、当前缓存记忆内容g、当前时间步的最终记忆h这四个向量的值；
(3.6)通过BPTT计算误差项δj值：利用BPTT算法反向计算每个神经元的误差项δj本质上是误差函数E对神经元j输入量netj的偏导；
(3.7)计算每个权重系数的梯度：GRU网络在训练之前对权重w赋予较小的随机值，根据BPTT算法不断训练权重。
5.如权利要求4所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，重置门r、更新门z、当前缓存记忆内容g、当前时间步的最终记忆h的计算过程依次为：
rt＝σ(Wrxt+Urht-1)
zt＝σ(Wzxt+Uzht-1)
gt＝tanh(Wg(ht-1 rt)+xtUg)
ht＝yt＝ht-1(1-zt)+ztgt
以上式中，σ为Sigmoid激活函数即S型函数；xt表示时刻t的输入；ht-1保存t-1时刻的记忆；W和U分别代表GRU网络中的权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810598142.0A CN108846199B (zh) | 2018-06-12 | 2018-06-12 | 基于时空一体化的特高拱坝变形时空序列预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810598142.0A CN108846199B (zh) | 2018-06-12 | 2018-06-12 | 基于时空一体化的特高拱坝变形时空序列预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108846199A CN108846199A (zh) | 2018-11-20 |
| CN108846199B true CN108846199B (zh) | 2019-04-05 |
Family
ID=64211663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810598142.0A Active CN108846199B (zh) | 2018-06-12 | 2018-06-12 | 基于时空一体化的特高拱坝变形时空序列预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846199B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885977A (zh) * | 2019-03-25 | 2019-06-14 | 成都理工大学 | 一种岸坡变形预测方法 |
| CN110333494A (zh) * | 2019-04-10 | 2019-10-15 | 马培峰 | 一种InSAR时序形变预测方法、系统及相关装置 |
| CN110188399B (zh) * | 2019-05-07 | 2020-10-16 | 河海大学 | 一种基于多相关序列的大坝安全监测单测点评价方法 |
| CN110347874B (zh) * | 2019-07-01 | 2023-06-02 | 成都澳海川科技有限公司 | 一种基于循环神经网络的视频分类方法 |
| CN110895598B (zh) * | 2019-10-23 | 2021-09-14 | 山东九州信泰信息科技股份有限公司 | 基于多源预测的实时异常检测并行化方法 |
| CN111259590A (zh) * | 2020-01-17 | 2020-06-09 | 南昌大学 | 一种混凝土坝变形安全监控模型的构建方法 |
| CN111580098B (zh) * | 2020-04-29 | 2021-07-06 | 深圳大学 | 一种桥梁形变监测方法、终端以及存储介质 |
| CN111597080A (zh) * | 2020-05-22 | 2020-08-28 | 广东省生态环境技术研究所 | 基于地统计和神经网络的地下水位缺失数据的修复方法 |
| CN111950697A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 一种基于门控循环单元网络的水泥成品比表面积预测方法 |
| CN113033702B (zh) * | 2021-04-21 | 2022-12-13 | 上海勘察设计研究院(集团)有限公司 | 一种基于时空数据的结构安全预警方法 |
| CN113359573A (zh) * | 2021-06-30 | 2021-09-07 | 华能澜沧江水电股份有限公司 | 一种大坝安全智能预测方法及其装置 |
| CN114594706A (zh) * | 2022-02-07 | 2022-06-07 | 安徽聚源水利科技液压坝制造有限公司 | 一种网络控制合页坝及智能控制系统 |
| CN114966685B (zh) * | 2022-05-24 | 2023-04-07 | 中国水利水电科学研究院 | 基于InSAR和深度学习的大坝形变监测及预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327240A (zh) * | 2016-08-11 | 2017-01-11 | 中国船舶重工集团公司第七0九研究所 | 一种基于gru神经网络的推荐方法和系统 |
| CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104678954A (zh) * | 2015-01-23 | 2015-06-03 | 中国长江三峡集团公司 | 基于全生命周期的大坝安全智能监测与预警系统及其方法 |
-
2018
- 2018-06-12 CN CN201810598142.0A patent/CN108846199B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327240A (zh) * | 2016-08-11 | 2017-01-11 | 中国船舶重工集团公司第七0九研究所 | 一种基于gru神经网络的推荐方法和系统 |
| CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| "Dam Deformation Monitoring Data Analysis Using Space-Time Kalman Filter";Wujiao Dai,et al.;《International Journal of Geo-Information》;20161208;第1-10页 |
| "Evaluating the safety of high arch dams with fractures based on numerical simulation and geomechanical model testing";HE Zhu,et al.;《Science China Technological Sciences》;20150916;第58卷(第10期);第1648-1658页 |
| "基于卡尔曼滤波参数自学习的大坝变形预测";占鹏飞 等;《计算机科学》;20170531;第44卷(第5期);第269-272页 |
| "时空自回归模型在大坝变形分析中的应用";李广春，等;《武汉大学学报-信息科学版》;20150731;第40卷(第7期);第877-879页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108846199A (zh) | 2018-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846199B (zh) | 基于时空一体化的特高拱坝变形时空序列预测方法 | |
| Wang et al. | Deep heterogeneous GRU model for predictive analytics in smart manufacturing: Application to tool wear prediction | |
| Ayvaz | Simultaneous determination of aquifer parameters and zone structures with fuzzy c-means clustering and meta-heuristic harmony search algorithm | |
| Kurtulus et al. | Modeling daily discharge responses of a large karstic aquifer using soft computing methods: Artificial neural network and neuro-fuzzy | |
| CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
| Ji et al. | Predicting dynamic deformation of retaining structure by LSSVR-based time series method | |
| Mosleh et al. | Simulation and evaluation of fuzzy differential equations by fuzzy neural network | |
| CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
| CN111199216B (zh) | 面向人体骨架的运动预测方法及系统 | |
| CN115346372B (zh) | 一种基于图神经网络的多组件融合交通流量预测方法 | |
| Li et al. | Evolutionary deep learning with extended Kalman filter for effective prediction modeling and efficient data assimilation | |
| CN114036850A (zh) | 一种基于vecgm的径流预测方法 | |
| CN113935489A (zh) | 基于量子神经网络的变分量子模型tfq-vqa及其两级优化方法 | |
| Adnan et al. | New Artificial Neural Network and Extended Kalman Filter hybrid model of flood prediction system | |
| CN114897277A (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
| CN113821724B (zh) | 一种基于时间间隔增强的图神经网络推荐方法 | |
| CN117175588A (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN116680469A (zh) | 一种基于动态图神经网络的序列推荐算法 | |
| Zhao et al. | Dimensional decomposition-aided metamodels for uncertainty quantification and optimization in engineering: A review | |
| CN117313201A (zh) | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及系统 | |
| Ju et al. | Hydrologic simulations with artificial neural networks | |
| Yang et al. | Assessment of regional-scale geothermal production based on a hybrid deep learning model: A case study of the southern Songliao Basin, China | |
| Marulasiddappa et al. | Prediction of scour depth around bridge abutments using ensemble machine learning models | |
| Chen et al. | Reinforced convolutional neural network fault diagnosis of industrial production systems | |
| CN114254214A (zh) | 一种基于时空层次化网络的交通预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |