CN112651577B - 一种基于融合时空数据的隧道形变预测方法 - Google Patents

一种基于融合时空数据的隧道形变预测方法 Download PDF

Info

Publication number
CN112651577B
CN112651577B CN202110023217.4A CN202110023217A CN112651577B CN 112651577 B CN112651577 B CN 112651577B CN 202110023217 A CN202110023217 A CN 202110023217A CN 112651577 B CN112651577 B CN 112651577B
Authority
CN
China
Prior art keywords
deformation
time
data
processing unit
processing
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
Application number
CN202110023217.4A
Other languages
English (en)
Other versions
CN112651577A (zh
Inventor
熊安萍
李梦凡
田野
龙林波
蒋溢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110023217.4A priority Critical patent/CN112651577B/zh
Publication of CN112651577A publication Critical patent/CN112651577A/zh
Application granted granted Critical
Publication of CN112651577B publication Critical patent/CN112651577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于融合时空数据的隧道形变预测方法，该方法充分利用时间和空间数据，根据历史数据获取预测值，为隧道形变安全的评判提供辅助的依据；模型的图卷积神经网络有利于提取数据的空间特征，卷积门控循环单元网络能很好地提取基于时间的特征，注意力机制则有助获取赋予权重的时空特征，拟合数据变化，获取较好的预测模型，预测精度较高。

Description

一种基于融合时空数据的隧道形变预测方法
技术领域
本发明涉及大数据分析处理技术领域，尤其涉及一种基于基于融合时空数据的隧道形变预测方法。
背景技术
随着城市化进程的加速，建设各种基础设施，来满足社会的发展需求。城市基础设施是人民生活正常进行的重要基础，也是城市正常运行的基础。因此，需要确保基础设施的正常运行，更重要的是基础设施的安全性。同时，基础设施受到自然环境的影响，如腐蚀、碰撞、风化等，和人为因素的影响，其结构功能引起变化，性能总体是处于衰减的，因而基础设施的生命期限是有限的，对基础设施的安全检测和预测具有重要意义。
大量传感器布设到基础设施中，采集存储数据，积累了大量数据。由于云计算技术的发展，可以结合机器学习的方法处理并分析大量数据，获取有用的信息。例如在高速公路车流量预测中，基于各条路段传感器记录的历史车流量、车速等数据，利用深度学习模型获取未来某时间的某条道路车流量预测。
由于隧道是容易受到温度、湿度、地质结构等因素影响的基础设施，其安全性将影响过往车辆和行人的安全。因此如何对隧道的形变进行预测成为现在亟待解决的技术问题。
发明内容
为解决上述技术问题，本发明提供一种基于融合时空数据的隧道形变预测方法。
本发明采用的技术方案是：一种基于融合时空数据的隧道形变预测方法包括以下步骤：
S1：获取隧道在一个时间段内的形变历史数据；
S2：利用滑动采样窗口从所述形变历史数据中进行采样得到多个用于进行训练的形变样本数据，所述滑动采样窗口包括1个标签时间块和a个时间长度不同的用于进行数据提取的数据提取时间块，a为大于等于2的整数；
S3：对各所述数据提取时间块提取的形变样本数据进行归一化处理得到归一化形变样本数据；
S4：将各所述数据提取时间块对应的归一化形变样本数据输入预先构建的形变预测模型的分时处理形变特征模块，对所述形变预测模型的学习参数值进行训练，得到目标形变预测模型；所述形变预测模型包括b个结构相同的分时处理形变特征模块和对b个所述分时处理形变特征模块的输出数据进行深度融合处理的深度融合形变特征模块，每一所述分时处理形变特征模块包括依次连接的第一形变特征处理单元和第二形变特征处理单元；
每一所述分时处理形变特征模块的第一形变特征处理单元包括依次连接的第一STAM(时空注意力机制)处理单元、第一SGCNN(空间图卷积神经网络)与TGCNN(时间图卷积神经网络)处理单元、第一FC(全连接神经网络)处理单元以及CNN(卷积神经网络)处理单元，所述第二形变特征处理单元包括依次连接的第二STAM处理单元、第二SGCNN与TGCNN处理单元以及第一ConvGRUs(卷积门控循环单元网络)处理单元，所述第一STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第一加权形变特征向量，所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系，所述第一FC处理单元融合形变特征向量得到FC处理数据，所述CNN处理单元用于对输入所述第一形变特征处理单元的数据进行卷积操作后与所述FC处理数据求和，并将该求和数据输送至该分时处理特征模块的第二STAM处理单元，所述第二STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第二加权形变特征向量，所述第二SGCNN与TGCNN处理单元利用所述第二加权形变特征向量获取形变特征与空间结构的第三关联关系以及形变特征与时间结构的第四关联关系，所述第一ConvGRUs处理单元利用第二SGCNN与TGCNN处理单元的输出计算获得形变特征的时序信息，所述深度融合形变特征模块用于融合b个分时处理形变特征模块输出的形变特征的时序信息；
S5：利用所述滑动采样窗口从待预测时间之前的隧道形变数据集中进行采样，获取不含时间标签的数据集；
S6：将所述数据集输入目标预测模型得到所述待预测时间下隧道的可能形变值集合；
S7：利用K-means算法对所述可能形变值集合进行处理得到所述待预测时间下隧道的最终预测形变值。
进一步地，所述形变历史数据包括隧道不同位点的形变统计特征数据，每一位点的所述形变统计特征数据包括该位点每日形变量的最大值、每日形变量的累计值以及每日形变量的平均值中的至少一种。
进一步地，a＝3，所述数据提取时间块由数据提取周时间块、数据提取月时间块和数据提取季度时间块组成。
进一步地，所述滑动采样窗口为双层滑动窗口，第一层窗口由标签时间块、季度时间块、月时间块和周时间块组成；
第二层窗口由季度数据提取时间块、月数据提取时间块和周数据提取时间块组成，时间长度分别为周的3倍、2倍和1倍，且分别对应内嵌于第一层窗口的季度时间块、月时间块和周时间块中；
所述步骤S2包括：
所述第一层窗口沿时间方向滑动单位步长后保持不动，所述第二层窗口各时间块以6步长为单位在所述第一层窗口中沿时间方向各自滑动，把所述第二层窗口每个数据提取时间块滑动提取到的数据沿时间顺序与其他长度时间块全排列组合，并把每种组合的数据与标签时间块的数据进行组合得到用于进行训练的形变样本数据，直至所述第二层窗口提取的数据覆盖完所述第一层窗口的所有数据，再将所述第一层窗口沿时间方向滑动单位步长。
进一步地，所述形变样本数据构成的形变样本数据集为，
Figure BDA0002889324220000041
其中，
Figure BDA0002889324220000042
(ts,z)∈{(q,tq),(m,tm),(w,tw)}，j表示第j个监测隧道形变的位点，n为监测隧道形变位点的总个数，i表示形变样本数据集中的样本序号，k表示第k天且共有z天，z可取的值为tq,tm,tw，ts表示第二层窗口的块数据提取时间块，
Figure BDA0002889324220000043
表示第i个样本中由数据提取季度时间块q获取的数据，
Figure BDA0002889324220000044
表示第i个样本中由数据提取月时间块m获取的数据，
Figure BDA0002889324220000045
表示第i个样本中由数据提取周时间块w获取的数据，
Figure BDA0002889324220000046
表示第i个样本目标时间的真实值，
Figure BDA0002889324220000047
表示第i个样本中由第二层窗口数据提取时间块ts获取的第j个监测位点z天的特征向量集，
Figure BDA0002889324220000048
表示第i个样本中由第二层窗口块数据提取时间块ts获取的第j个监测位点第k天的形变特征向量；
所述形变预测模型包括3个结构相同的分时处理形变特征模块，3个结构相同的分时处理形变特征模块由季度分时处理形变特征模块、月分时处理形变特征模块和周分时处理形变特征模块组成，所述深度融合形变特征模块包括3个第二ConvGRUs处理单元和1个第二FC处理单元，3个第二ConvGRUs处理单元由第二季度ConvGRUs处理单元、第二月ConvGRUs处理单元以及第二周ConvGRUs处理单元组成，所述季度分时处理形变特征模块的输出端分别与第二季度ConvGRUs处理单元的输入端以及月分时处理形变特征模块的输入端连接，所述月分时处理形变特征模块的输出端分别与第二月ConvGRUs处理单元的输入端以及周分时处理形变特征模块的输入端连接，所述周分时处理形变特征模块的输出端与第二周ConvGRUs处理单元的输入端连接，所述第二季度ConvGRUs处理单元的输出端分别与第二FC处理单元和第二月ConvGRUs处理单元连接，所述第二月ConvGRUs处理单元的输出端分别与第二FC处理单元和第二周ConvGRUs处理单元连接，所述第二周ConvGRUs处理单元的输出端与第二FC处理单元连接，步骤S4中进行模型训练的过程包括以下步骤：
将归一化处理后的
Figure BDA0002889324220000051
输入所述季度分时处理形变特征模块，所述季度分时处理形变特征模块输出
Figure BDA0002889324220000052
将经卷积处理的
Figure BDA0002889324220000053
与
Figure BDA0002889324220000054
的归一化值求和后输入所述月分时处理形变特征模块，所述月分时处理形变特征模块输出
Figure BDA0002889324220000055
将卷积处理后的
Figure BDA0002889324220000056
与
Figure BDA0002889324220000057
的归一化值求和后输入所述周分时处理形变特征模块，所述周分时处理形变特征模块输出
Figure BDA0002889324220000058
3个第二ConvGRUs处理单元获取
Figure BDA0002889324220000059
之间在时间上依赖的特征信息，第二FC处理单元利用3个第二ConvGRUs处理单元输出的数据进行计算得到所述形变预测模型的输出值。
进一步地，所述第一STAM处理单元利用具有邻接关系的注意力机制对其输入数据进行处理获取对应的第一加权形变特征向量的步骤包括：
S41：将输入所述第一STAM处理单元的特征向量
Figure BDA00028893242200000510
沿时间方向拼接，得到
Figure BDA00028893242200000511
其中，
Figure BDA00028893242200000512
表示输入所述第一STAM处理单元的ts时间块对应的第i个样本的第z天第j个监测点的特征向量，
Figure BDA0002889324220000061
是
Figure BDA0002889324220000062
的行向量；
S42：在时空维度用具有邻接关系的注意力机制计算第一加权形变特征向量：
Figure BDA0002889324220000063
Figure BDA0002889324220000064
Figure BDA0002889324220000065
Figure BDA0002889324220000066
e表示
Figure BDA0002889324220000067
中元素的序号；
Figure BDA0002889324220000068
其中，
Figure BDA0002889324220000069
f表示形变特征种类数；
Figure BDA00028893242200000610
其中，
Figure BDA00028893242200000611
表示
Figure BDA00028893242200000621
的行向量，
Figure BDA00028893242200000612
A＝{1,2,…,n}，B＝{1,2,…,z},U和V是学习矩阵，
Figure BDA00028893242200000613
是
Figure BDA00028893242200000614
的元素，
Figure BDA00028893242200000615
为n×n的矩阵，且元素是
Figure BDA00028893242200000616
Figure BDA00028893242200000617
代表两矩阵对应元素相乘，Ast为n×n的矩阵，且元素为αd,jAt (d,j)，
Figure BDA00028893242200000618
表示时间的邻接矩阵，且其元素ak,l由时间的临近关系决定取值为0或1，当时间k和l相邻时取1，否则取0，αd,j由监测点间的相邻关系决定取值为0或1，当d和j相邻时取1，否则取0；
所有
Figure BDA00028893242200000619
的第一加权形变特征向量构成构成的矩阵为
Figure BDA00028893242200000620
其中，
Figure BDA0002889324220000071
Figure BDA0002889324220000072
进一步地，所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系的步骤包括：
S43：所述第一SGCNN与TGCNN处理单元利用空间维度图的谱分析方法通过
Figure BDA0002889324220000073
计算形变特征与空间结构的第一关联关系，然后利用时间维度的图卷积法通过公式
Figure BDA0002889324220000074
计算形变特征与时间结构的第二关联关系，其中，K表示滤波器个数，Wr为合并滤波矩阵和权重矩阵后的学习矩阵，σ表示sigmoid函数，
Figure BDA0002889324220000075
为递归函数，
Figure BDA0002889324220000076
为拉普拉斯矩阵，输入
Figure BDA0002889324220000077
f表示特征的个数，
Figure BDA0002889324220000078
是第i个样本第k天第j个第一加权形变特征向量，其中Wt、W1、W2为学习矩阵，b1、b2为偏置向量，H是时间点的图邻接矩阵，
Figure BDA0002889324220000079
代表两矩阵对应元素相乘。
本发明提供的基于融合时空数据的隧道形变预测方法充分利用时间和空间数据，根据历史数据获取预测值，为隧道形变安全的评判提供辅助的依据；模型的图卷积神经网络有利于提取数据的空间特征，卷积门控循环单元网络能很好地提取基于时间的特征，注意力机制则有助获取赋予权重的时空特征，拟合数据变化，获取较好的预测模型，预测精度较高。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本实施例提供的滑动采样窗口的数据提取示意图；
图2为本实施例提供的目标预测模型的结构示意图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本实施例提供一种基于融合时空数据的隧道形变预测方法，包括以下步骤：
S1：获取隧道在一个时间段内的形变历史数据。
本实施例中的形变历史数据包括隧道不同位点的形变统计特征数据，每一位点的所述形变统计特征数据包括该位点每日形变量的最大值、每日形变量的累计值以及每日形变量的平均值中的至少一种。优选的，每一位点的形变统计特征数据包括该位点每日形变量的最大值、每日形变量的累计值以及每日形变量的平均值。
S2：利用滑动采样窗口从所述形变历史数据中进行采样得到多个用于进行训练的形变样本数据，所述滑动采样窗口包括1个标签时间块和a个时间长度不同的用于进行数据提取的数据提取时间块，a为大于等于2的整数。
可选的，a＝3，所述数据提取时间块由数据提取周时间块、数据提取月时间块和数据提取季度时间块组成。请参见图1所示，本实施例中的滑动采样窗口可以为双层滑动窗口，第一层窗口由标签时间块、季度时间块、月时间块和周时间块组成；第二层窗口由季度数据提取时间块、月数据提取时间块和周数据提取时间块组成，时间长度分别为周的3倍、2倍和1倍，三个数据提取时间块分别记为q，m，w，且分别对应内嵌于第一层窗口的季度时间块、月时间块和周时间块中；此时步骤S2中具体的采样过程包括：
第一层窗口沿时间方向滑动单位步长后保持不动，第二层窗口各时间块以6步长为单位在所述第一层窗口中沿时间方向各自滑动，把所述第二层窗口每个数据提取时间块滑动提取到的数据沿时间顺序与其他长度时间块全排列组合，并把每种组合的数据与标签时间块的数据进行组合得到用于进行训练的形变样本数据，直至所述第二层窗口提取的数据覆盖完所述第一层窗口的所有数据，再将所述第一层窗口沿时间方向滑动单位步长，不同的目标时间可以获得多个训练样本，依次构建训练集。
应当说明的是，在其他的实施例中第二层窗口的数据提取时间块的数量可以根据需要灵活设置，每一数据提取时间块的长度也可以根据需要灵活设置。
S3：对各所述数据提取时间块提取的形变样本数据进行归一化处理得到归一化形变样本数据。
S4：将各所述数据提取时间块对应的归一化形变样本数据输入预先构建的形变预测模型的分时处理形变特征模块，对所述形变预测模型的学习参数值进行训练，得到目标形变预测模型；所述形变预测模型包括b个结构相同的分时处理形变特征模块和对b个所述分时处理形变特征模块的输出数据进行深度融合处理的深度融合形变特征模块(也即图2中的Fusion)，每一所述分时处理形变特征模块包括依次连接的第一形变特征处理单元(即图2中的Block1)和第二形变特征处理单元(即图2中的Block2)。本实施例中的形变预测模型可以参见图2所示。
每一所述分时处理形变特征模块的第一形变特征处理单元包括依次连接的第一STAM(时空注意力机制)处理单元、第一SGCNN(空间图卷积神经网络)与TGCNN(时间图卷积神经网络)处理单元、第一FC(全连接神经网络)处理单元以及CNN(卷积神经网络)处理单元，所述第二形变特征处理单元包括依次连接的第二STAM处理单元、第二SGCNN与TGCNN处理单元以及第一ConvGRUs(卷积门控循环单元网络)处理单元，所述第一STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第一加权形变特征向量，所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系，所述第一FC处理单元融合形变特征向量得到FC处理数据，所述CNN处理单元用于对输入所述第一形变特征处理单元的数据进行卷积操作后与所述FC处理数据求和，并将该求和数据输送至该分时处理特征模块的第二STAM处理单元，所述第二STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第二加权形变特征向量，所述第二SGCNN与TGCNN处理单元利用所述第二加权形变特征向量获取形变特征与空间结构的第三关联关系以及形变特征与时间结构的第四关联关系，所述第一ConvGRUs处理单元利用第二SGCNN与TGCNN处理单元的输出计算获得形变特征的时序信息，所述深度融合形变特征模块用于融合b个分时处理形变特征模块输出的形变特征的时序信息。
进一步地，所述形变样本数据构成的形变样本数据集为，
Figure BDA0002889324220000101
其中，
Figure BDA0002889324220000102
(ts,z)∈{(q,tq),(m,tm),(w,tw)}，j表示第j个监测隧道形变的位点，n为监测隧道形变位点的总个数，i表示形变样本数据集中的样本序号，k表示第k天且共有z天，z可取的值为tq,tm,tw，ts表示第二层窗口的块数据提取时间块，
Figure BDA0002889324220000103
表示第i个样本中由数据提取季度时间块q获取的数据，
Figure BDA0002889324220000104
表示第i个样本中由数据提取月时间块m获取的数据，
Figure BDA0002889324220000105
表示第i个样本中由数据提取周时间块w获取的数据，
Figure BDA0002889324220000106
表示第i个样本目标时间的真实值，
Figure BDA0002889324220000107
表示第i个样本中由第二层窗口数据提取时间块ts获取的第j个监测位点z天的特征向量集，
Figure BDA0002889324220000108
表示第i个样本中由第二层窗口的数据提取时间块ts获取的第j个监测位点第k天的形变特征向量；
所述形变预测模型包括3个结构相同的分时处理形变特征模块，3个结构相同的分时处理形变特征模块由季度分时处理形变特征模块、月分时处理形变特征模块和周分时处理形变特征模块组成，所述深度融合形变特征模块包括3个第二ConvGRUs处理单元和1个第二FC处理单元，3个第二ConvGRUs处理单元由第二季度ConvGRUs处理单元、第二月ConvGRUs处理单元以及第二周ConvGRUs处理单元组成，所述季度分时处理形变特征模块的输出端分别与第二季度ConvGRUs处理单元的输入端以及月分时处理形变特征模块的输入端连接，所述月分时处理形变特征模块的输出端分别与第二月ConvGRUs处理单元的输入端以及周分时处理形变特征模块的输入端连接，所述周分时处理形变特征模块的输出端与第二周ConvGRUs处理单元的输入端连接，所述第二季度ConvGRUs处理单元的输出端分别与第二FC处理单元和第二月ConvGRUs处理单元连接，所述第二月ConvGRUs处理单元的输出端分别与第二FC处理单元和第二周ConvGRUs处理单元连接，所述第二周ConvGRUs处理单元的输出端与第二FC处理单元连接，步骤S4中进行模型训练的过程包括以下步骤：
将归一化处理后的
Figure BDA0002889324220000111
输入所述季度分时处理形变特征模块，所述季度分时处理形变特征模块输出
Figure BDA0002889324220000112
将经卷积处理的
Figure BDA0002889324220000113
与
Figure BDA0002889324220000114
的归一化值求和后输入所述月分时处理形变特征模块，所述月分时处理形变特征模块输出
Figure BDA0002889324220000115
将卷积处理后的
Figure BDA0002889324220000116
与
Figure BDA0002889324220000117
的归一化值求和后输入所述周分时处理形变特征模块，所述周分时处理形变特征模块输出
Figure BDA0002889324220000118
3个第二ConvGRUs处理单元获取
Figure BDA0002889324220000119
之间在时间上依赖的特征信息，第二FC处理单元利用3个第二ConvGRUs处理单元输出的数据进行计算得到所述形变预测模型的输出值。也即是说，季度分时处理形变特征模块的输出端与月分时处理形变特征模块的输入端之间，所述月分时处理形变特征模块的输出端与周分时处理形变特征模块的输入端之间均通过卷积处理模块(图2中未示出)连接。
每一分时处理形变特征模块获取加权形变特征向量和进行图卷积操作的过程包括：首先利用注意力机制，确定形变特征在时空维度的相似度，得到加权的形变特征，也即第一STAM处理单元和第二STAM处理单元计算获取加权形变特征向量；然后根据不同位点之间空间距离关系构建图，确定空间邻接矩阵，利用图的谱分析方法，分解每个位点形变特征，获取空间结构和形变特征间的依赖信息，也即第一SGCNN与TGCNN处理单元和第二SGCNN与TGCNN处理单元分别利用各自对应的加权形变特征向量获取形变特征与空间结构的关联关系；最后根据同一位点时间的相邻关系构建图，确定带学习参数的时间邻接矩阵，利用图卷积神经网络，提取时间结构和形变特征间的依赖信息，也即第一SGCNN与TGCNN处理单元和第二SGCNN与TGCNN处理单元分别利用各自对应的加权形变特征向量获取形变特征与时间结构的关联关系，具体过程在下面内容进行阐述。
S5：利用所述滑动采样窗口从待预测时间之前的隧道形变数据集中进行采样，获取不含时间标签的数据集。
S6：将所述数据集输入目标预测模型得到所述待预测时间下隧道的可能形变值集合。
S7：利用K-means算法对所述可能形变值集合进行处理得到所述待预测时间下隧道的最终预测形变值。
本实施例中第一STAM处理单元利用具有邻接关系的注意力机制对其输入数据进行处理获取对应的第一加权形变特征向量的步骤包括：
S41：将输入所述第一STAM处理单元的特征向量
Figure BDA0002889324220000121
沿时间方向拼接，得到
Figure BDA0002889324220000131
其中，
Figure BDA0002889324220000132
表示输入所述第一STAM处理单元的ts时间块对应的第i个样本的第z天第j个监测点的特征向量，
Figure BDA0002889324220000133
是
Figure BDA0002889324220000134
的行向量；应当说明的是，
Figure BDA0002889324220000135
表示输入第一STAM处理单元的特征向量，对于季度分时处理形变特征模块而言，输入其第一STAM处理单元的特征向量
Figure BDA0002889324220000136
构成的矩阵实质上等同于输入的经归一化处理后的
Figure BDA0002889324220000137
对于月分时处理形变特征模块而言，输入其第一STAM处理单元的特征向量
Figure BDA0002889324220000138
构成的矩阵实质上等同于经卷积操作的
Figure BDA0002889324220000139
与经归一化处理后的
Figure BDA00028893242200001310
的和；对于周分时处理形变特征模块而言，输入其第一STAM处理单元的特征向量
Figure BDA00028893242200001311
构成的矩阵实质上等同于经卷积操作的
Figure BDA00028893242200001312
与经归一化处理的
Figure BDA00028893242200001313
的和。
S42：在时空维度用具有邻接关系的注意力机制计算第一加权形变特征向量：
Figure BDA00028893242200001314
Figure BDA00028893242200001315
Figure BDA00028893242200001316
Figure BDA00028893242200001317
e表示
Figure BDA00028893242200001318
中元素的序号；
Figure BDA0002889324220000141
其中，
Figure BDA0002889324220000142
f表示形变特征种类数；
Figure BDA0002889324220000143
其中，
Figure BDA0002889324220000144
表示
Figure BDA0002889324220000145
的行向量，
Figure BDA0002889324220000146
A＝{1,2,…,n}，B＝{1,2,…,z},U和V是学习矩阵，
Figure BDA0002889324220000147
是
Figure BDA0002889324220000148
的元素，
Figure BDA0002889324220000149
为n×n的矩阵，且元素是
Figure BDA00028893242200001410
Figure BDA00028893242200001411
代表两矩阵对应元素相乘，Ast为n×n的矩阵，且元素为αd,jAt (d,j)，
Figure BDA00028893242200001412
表示时间的邻接矩阵，且其元素ak,l由时间的临近关系决定取值为0或1，当时间k和l相邻时取1，否则取0，αd,j由监测点间的相邻关系决定取值为0或1，当d和j相邻时取1，否则取0，这里的R表示实数矩阵，其上标表示对应矩阵的形状。
应当说明的是，上述步骤S42中
Figure BDA00028893242200001413
等均为求解第一加权形变特征向量过程中的中间参数。所有
Figure BDA00028893242200001414
的第一加权形变特征向量构成构成的矩阵为
Figure BDA00028893242200001415
其中，
Figure BDA00028893242200001416
Figure BDA0002889324220000151
所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系的步骤包括：
S43：所述第一SGCNN与TGCNN处理单元利用空间维度图的谱分析方法通过
Figure BDA0002889324220000152
计算形变特征与空间结构的第一关联关系，隐藏层输出为H′，然后利用时间维度的图卷积法通过公式
Figure BDA0002889324220000153
计算形变特征与时间结构的第二关联关系，隐含层输出为H，其中，K表示滤波器个数，Wr为合并滤波矩阵和权重矩阵后的学习矩阵，σ表示sigmoid函数，
Figure BDA0002889324220000154
为递归函数，
Figure BDA0002889324220000155
为拉普拉斯矩阵，输入
Figure BDA0002889324220000156
f表示特征的个数，
Figure BDA0002889324220000157
是第i个样本第k天第j个第一加权形变特征向量，其中Wt、W1、W2为学习矩阵，b1、b2为偏置向量，H是时间点的图邻接矩阵，
Figure BDA0002889324220000158
代表两矩阵对应元素相乘。
应当说明的是，上述是以第一形变特征处理单元为例进行的具体说明，对于第二形变特征处理单元而言，其内部的STAM处理机制以及SGCNN与TGCNN处理机制与第一形变特征处理单元相同，这里不再赘述。
本实施例中，3个第二ConvGRUs处理单元获取
Figure BDA0002889324220000159
的特征在长时间尺度上依赖的信息，第二FC处理单元进一步处理特征向量得到模型的输出值Yi。
本实施例中每一ConvGRU处理单元的计算，具体如下：
Figure BDA0002889324220000161
Figure BDA0002889324220000162
Figure BDA0002889324220000163
Figure BDA0002889324220000164
Figure BDA0002889324220000165
其中，zl是更新门，rl是重置门，cl是记忆单元的值，hl是隐含层的状态值，*是卷积运算，
Figure BDA0002889324220000166
表示矩阵对应元素相乘，Wxz，Whz，Wxr，Whr，Wxc，Wrc是学习的权重矩阵，
Figure BDA0002889324220000167
(fi表示输入的特征向量的特征个数)是ConvGRU处理单元的输入矩阵，hl-1是时间l-1，输入为
Figure BDA0002889324220000168
时ConvGRU处理单元的输出值，hl是时间l，输入为
Figure BDA0002889324220000169
时ConvGRU处理单元的输出值。
在深度融合形变特征模块经过两层ConvGRU网络计算，之后再通过全连接神经网络计算获得模型最终的输出值；模型的目标函数为
Figure BDA00028893242200001610
Yi是第i个样本
Figure BDA00028893242200001611
输入模型后的输出值。
对于模型的训练，把训练数据集的样本分批次，每批次的大小根据实际样本量调整，采用Adam算法优化模型，获取最优的学习参数。
在预测隧道的最终形变值时，通过构造训练数据集的第二层滑动窗口，可以分别在预测时间之前的季、月、周的时间中滑动，获得不同的输入样本，结合训练后的目标预测模型，输出预测时间的可能形变值集合：
Figure BDA00028893242200001612
其中
Figure BDA00028893242200001613
p是预测的目标时间的第p天，i是第i个输入样本且共有s个输入样本,
Figure BDA00028893242200001614
是第i个输入样本在第p天中第n个位点处的最大形变值；对同一预测时间的不同预测值用主成分分析法降维，即
Figure BDA00028893242200001615
中每个向量元素降维，利用k-means方法聚类，首先计算Silhouette Scores和聚类的簇的个数关系，用分值最大时的簇个数来作为聚的类的个数，然后将最大形变值通过k-means方法分类，并选择元素最多的簇的中心点作为最终的预测形变值，即最大形变值。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种基于融合时空数据的隧道形变预测方法，其特征在于，包括以下步骤：
S1：获取隧道在一个时间段内的形变历史数据；
S2：利用滑动采样窗口从所述形变历史数据中进行采样得到多个用于进行训练的形变样本数据，所述滑动采样窗口包括1个标签时间块和a个时间长度不同的用于进行数据提取的数据提取时间块，a为大于等于2的整数；
S3：对各所述数据提取时间块提取的形变样本数据进行归一化处理得到归一化形变样本数据；
S4：将各所述数据提取时间块对应的归一化形变样本数据输入预先构建的形变预测模型的分时处理形变特征模块，对所述形变预测模型的学习参数值进行训练，得到目标形变预测模型；所述形变预测模型包括b个结构相同的分时处理形变特征模块和对b个所述分时处理形变特征模块的输出数据进行深度融合处理的深度融合形变特征模块，每一所述分时处理形变特征模块包括依次连接的第一形变特征处理单元和第二形变特征处理单元；
每一所述分时处理形变特征模块的第一形变特征处理单元包括依次连接的第一时空注意力机制STAM处理单元、第一空间图卷积神经网络SGCNN与时间图卷积神经网络TGCNN处理单元、第一全连接神经网络FC处理单元以及卷积神经网络CNN处理单元，所述第二形变特征处理单元包括依次连接的第二STAM处理单元、第二SGCNN与TGCNN处理单元以及第一卷积门控循环单元网络ConvGRUs处理单元，所述第一STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第一加权形变特征向量，所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系，所述第一FC处理单元融合形变特征向量得到FC处理数据，所述CNN处理单元用于对输入所述第一形变特征处理单元的数据进行卷积操作后与所述FC处理数据求和，并将该求和数据输送至该分时处理形变特征模块的第二STAM处理单元，所述第二STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第二加权形变特征向量，所述第二SGCNN与TGCNN处理单元利用所述第二加权形变特征向量获取形变特征与空间结构的第三关联关系以及形变特征与时间结构的第四关联关系，所述第一ConvGRUs处理单元利用第二SGCNN与TGCNN处理单元的输出计算获得形变特征的时序信息，所述深度融合形变特征模块用于融合b个分时处理形变特征模块输出的形变特征的时序信息；
S5：利用所述滑动采样窗口从待预测时间之前的隧道形变数据集中进行采样，获取不含时间标签的数据集；
S6：将所述数据集输入目标预测模型得到所述待预测时间下隧道的可能形变值集合；
S7：利用K-means算法对所述可能形变值集合进行处理得到所述待预测时间下隧道的最终预测形变值。
2.如权利要求1所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述形变历史数据包括隧道不同位点的形变统计特征数据，每一位点的所述形变统计特征数据包括该位点每日形变量的最大值、每日形变量的累计值以及每日形变量的平均值中的至少一种。
3.如权利要求1所述的基于融合时空数据的隧道形变预测方法，其特征在于，a＝3，所述数据提取时间块由数据提取周时间块、数据提取月时间块和数据提取季度时间块组成。
4.如权利要求3所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述滑动采样窗口为双层滑动窗口，第一层窗口由标签时间块、季度时间块、月时间块和周时间块组成；
第二层窗口由季度数据提取时间块、月数据提取时间块和周数据提取时间块组成，时间长度分别为周的3倍、2倍和1倍，且分别对应内嵌于第一层窗口的季度时间块、月时间块和周时间块中；
所述步骤S2包括：
所述第一层窗口沿时间方向滑动单位步长后保持不动，所述第二层窗口各时间块以6步长为单位在所述第一层窗口中沿时间方向各自滑动，把所述第二层窗口每个数据提取时间块滑动提取到的数据沿时间顺序与其他长度时间块全排列组合，并把每种组合的数据与标签时间块的数据进行组合得到用于进行训练的形变样本数据，直至所述第二层窗口提取的数据覆盖完所述第一层窗口的所有数据，再将所述第一层窗口沿时间方向滑动单位步长。
5.如权利要求4所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述形变样本数据构成的形变样本数据集为，
Figure FDA0003500352670000031
其中，
Figure FDA0003500352670000032
(ts,z)∈{(q,tq),(m,tm),(w,tw)}，j表示第j个监测隧道形变的位点，n为监测隧道形变位点的总个数，i表示形变样本数据集中的样本序号，k表示第k天且共有z天，z可取的值为tq,tm,tw，ts表示第二层窗口的块数据提取时间块，
Figure FDA0003500352670000033
表示第i个样本中由数据提取季度时间块q获取的数据，
Figure FDA0003500352670000034
表示第i个样本中由数据提取月时间块m获取的数据，
Figure FDA0003500352670000035
表示第i个样本中由数据提取周时间块w获取的数据，
Figure FDA0003500352670000041
表示第i个样本目标时间的真实值，
Figure FDA0003500352670000042
表示第i个样本中由第二层窗口数据提取时间块ts获取的第j个监测位点z天的特征向量集，
Figure FDA0003500352670000043
表示第i个样本中由第二层窗口块数据提取时间块ts获取的第j个监测位点第k天的形变特征向量；
所述形变预测模型包括3个结构相同的分时处理形变特征模块，3个结构相同的分时处理形变特征模块由季度分时处理形变特征模块、月分时处理形变特征模块和周分时处理形变特征模块组成，所述深度融合形变特征模块包括3个第二ConvGRUs处理单元和1个第二FC处理单元，3个第二ConvGRUs处理单元由第二季度ConvGRUs处理单元、第二月ConvGRUs处理单元以及第二周ConvGRUs处理单元组成，所述季度分时处理形变特征模块的输出端分别与第二季度ConvGRUs处理单元的输入端以及月分时处理形变特征模块的输入端连接，所述月分时处理形变特征模块的输出端分别与第二月ConvGRUs处理单元的输入端以及周分时处理形变特征模块的输入端连接，所述周分时处理形变特征模块的输出端与第二周ConvGRUs处理单元的输入端连接，所述第二季度ConvGRUs处理单元的输出端分别与第二FC处理单元和第二月ConvGRUs处理单元连接，所述第二月ConvGRUs处理单元的输出端分别与第二FC处理单元和第二周ConvGRUs处理单元连接，所述第二周ConvGRUs处理单元的输出端与第二FC处理单元连接，步骤S4中进行模型训练的过程包括以下步骤：
将归一化处理后的
Figure FDA0003500352670000044
输入所述季度分时处理形变特征模块，所述季度分时处理形变特征模块输出
Figure FDA0003500352670000045
将经卷积处理的
Figure FDA0003500352670000046
与
Figure FDA0003500352670000047
的归一化值求和后输入所述月分时处理形变特征模块，所述月分时处理形变特征模块输出
Figure FDA0003500352670000048
将卷积处理后的
Figure FDA0003500352670000049
与
Figure FDA00035003526700000410
的归一化值求和后输入所述周分时处理形变特征模块，所述周分时处理形变特征模块输出
Figure FDA00035003526700000411
3个第二ConvGRUs处理单元获取
Figure FDA00035003526700000412
之间在时间上依赖的特征信息，第二FC处理单元利用3个第二ConvGRUs处理单元输出的数据进行计算得到所述形变预测模型的输出值。
6.如权利要求5所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述第一STAM处理单元利用具有邻接关系的注意力机制对其输入数据进行处理获取对应的第一加权形变特征向量的步骤包括：
S41：将输入所述第一STAM处理单元的特征向量
Figure FDA0003500352670000051
沿时间方向拼接，得到
Figure FDA0003500352670000052
其中，
Figure FDA0003500352670000053
表示输入所述第一STAM处理单元的ts时间块对应的第i个样本的第z天第j个监测点的特征向量，
Figure FDA0003500352670000054
是
Figure FDA0003500352670000055
的行向量；
S42：在时空维度用具有邻接关系的注意力机制计算第一加权形变特征向量：
Figure FDA0003500352670000056
Figure FDA0003500352670000057
Figure FDA0003500352670000058
Figure FDA0003500352670000059
e表示
Figure FDA00035003526700000510
中元素的序号；
Figure FDA0003500352670000061
其中，
Figure FDA0003500352670000062
f表示形变特征种类数；
Figure FDA0003500352670000063
其中，
Figure FDA0003500352670000064
表示
Figure FDA0003500352670000065
的行向量，
Figure FDA0003500352670000066
A＝{1,2,…,n}，B＝{1,2,…,z},U和V是学习矩阵，
Figure FDA0003500352670000067
是
Figure FDA0003500352670000068
的元素，
Figure FDA0003500352670000069
为n×n的矩阵，且元素是
Figure FDA00035003526700000610
Figure FDA00035003526700000611
代表两矩阵对应元素相乘，Ast为n×n的矩阵，且元素为αd,jAt (d,j)，
Figure FDA00035003526700000612
表示时间的邻接矩阵，且其元素ak,l由时间的临近关系决定取值为0或1，当时间k和l相邻时取1，否则取0，αd,j由监测点间的相邻关系决定取值为0或1，当d和j相邻时取1，否则取0；
所有
Figure FDA00035003526700000613
的第一加权形变特征向量构成构成的矩阵为
Figure FDA00035003526700000614
其中，
Figure FDA00035003526700000615
Figure FDA00035003526700000616
7.如权利要求6所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系的步骤包括：
S43：所述第一SGCNN与TGCNN处理单元利用空间维度图的谱分析方法通过
Figure FDA0003500352670000071
计算形变特征与空间结构的第一关联关系，然后利用时间维度的图卷积法通过公式
Figure FDA0003500352670000072
计算形变特征与时间结构的第二关联关系，其中，K表示滤波器个数，Wr为合并滤波矩阵和权重矩阵后的学习矩阵，σ表示sigmoid函数，
Figure FDA0003500352670000073
为递归函数，
Figure FDA0003500352670000074
为拉普拉斯矩阵，输入
Figure FDA0003500352670000075
f表示特征的个数，
Figure FDA0003500352670000076
是第i个样本第k天第j个第一加权形变特征向量，其中Wt、W1、W2为学习矩阵，b1、b2为偏置向量，H是时间点的图邻接矩阵，
Figure FDA0003500352670000077
代表两矩阵对应元素相乘。
CN202110023217.4A 2021-01-08 2021-01-08 一种基于融合时空数据的隧道形变预测方法 Active CN112651577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110023217.4A CN112651577B (zh) 2021-01-08 2021-01-08 一种基于融合时空数据的隧道形变预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110023217.4A CN112651577B (zh) 2021-01-08 2021-01-08 一种基于融合时空数据的隧道形变预测方法

Publications (2)

Publication Number Publication Date
CN112651577A CN112651577A (zh) 2021-04-13
CN112651577B true CN112651577B (zh) 2022-03-22

Family

ID=75367901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110023217.4A Active CN112651577B (zh) 2021-01-08 2021-01-08 一种基于融合时空数据的隧道形变预测方法

Country Status (1)

Country Link
CN (1) CN112651577B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113210911B (zh) * 2021-06-03 2022-04-01 重庆大学 基于图卷积网络的白车身点焊变形预测模型构建方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232082A (zh) * 2019-06-13 2019-09-13 中国科学院新疆理化技术研究所 面向连续时空加油数据的异常检测方法
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN111832814A (zh) * 2020-07-01 2020-10-27 北京工商大学 一种基于图注意力机制的空气污染物浓度预测方法
WO2020258611A1 (zh) * 2019-06-28 2020-12-30 山东科技大学 一种基于时空循环注意力机制的ct淋巴结检测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11790213B2 (en) * 2019-06-12 2023-10-17 Sri International Identifying complex events from hierarchical representation of data set features

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232082A (zh) * 2019-06-13 2019-09-13 中国科学院新疆理化技术研究所 面向连续时空加油数据的异常检测方法
WO2020258611A1 (zh) * 2019-06-28 2020-12-30 山东科技大学 一种基于时空循环注意力机制的ct淋巴结检测系统
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN111832814A (zh) * 2020-07-01 2020-10-27 北京工商大学 一种基于图注意力机制的空气污染物浓度预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
地铁隧道复杂裂缝病害的图像识别算法研究;折昌美;《中国优秀硕士学位论文全文数据库工程科技II辑》;20191215(第12期);C033-44 *
城市隧道施工地层变形时空统一预测理论及应用研究;施成华;《中国博士学位论文全文数据库工程科技II辑》;20080115(第01期);C034-20 *
基于多特征时空图卷积网络的水运通航密度预测;董伟 等;《物联网学报》;20200930;第4卷(第3期);78-85 *
混合编程在隧道地层变形时空统一预测中的应用;沈佳佳 等;《铁道科学与工程学报》;20131231;第10卷(第6期);54-58 *

Also Published As

Publication number Publication date
CN112651577A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Dong et al. Characterizing driving styles with deep learning
CN109034448B (zh) 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
Chen et al. A survey on an emerging area: Deep learning for smart city data
Zhang et al. A graph-based temporal attention framework for multi-sensor traffic flow forecasting
Yan et al. Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its
CN111612281A (zh) 一种地铁站人流量峰值的预测方法、装置和计算机设备
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
CN112270355A (zh) 基于大数据技术与sae-gru的主动安全预测方法
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
CN112598165B (zh) 基于私家车数据的城市功能区转移流量预测方法及装置
CN112084240B (zh) 一种群租房智能识别、联动治理方法及系统
CN112785077A (zh) 基于时空数据的出行需求预测方法及系统
CN112651577B (zh) 一种基于融合时空数据的隧道形变预测方法
CN115565369A (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
Thu et al. Multi-source data analysis for bike sharing systems
CN111815075B (zh) 一种重大公共卫生事件下交通出行需求的预测方法
CN117077843A (zh) 基于CBAM-CNN-Transformer的时空注意力细粒度PM2.5浓度预测方法
Lin et al. Network-wide multi-step traffic volume prediction using graph convolutional gated recurrent neural network
Yang et al. Short‐term traffic flow prediction based on AST‐MTL‐CNN‐GRU
CN116432810A (zh) 交通流预测模型确定方法、设备、装置及可读存储介质
CN115565376A (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN114267170A (zh) 基于考虑人类流动性的图时空Transformer模型的交通流预测方法

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