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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 212
- 238000013075 data extraction Methods 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 20
- 230000003442 weekly effect Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000004148 unit process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims 8
- 230000001186 cumulative effect Effects 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
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
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,其中,(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,表示第i个样本中由数据提取季度时间块q获取的数据,表示第i个样本中由数据提取月时间块m获取的数据,表示第i个样本中由数据提取周时间块w获取的数据,表示第i个样本目标时间的真实值,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,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将经卷积处理的与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将卷积处理后的与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3个第二ConvGRUs处理单元获取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:
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:
其中,表示的行向量,A={1,2,…,n},B={1,2,…,z},U和V是学习矩阵,是的元素,为n×n的矩阵,且元素是 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),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;
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,为递归函数,为拉普拉斯矩阵,输入f表示特征的个数,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,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,其中,(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,表示第i个样本中由数据提取季度时间块q获取的数据,表示第i个样本中由数据提取月时间块m获取的数据,表示第i个样本中由数据提取周时间块w获取的数据,表示第i个样本目标时间的真实值,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,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将经卷积处理的与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将卷积处理后的与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3个第二ConvGRUs处理单元获取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:
其中,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,是的行向量;应当说明的是,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构成的矩阵实质上等同于输入的经归一化处理后的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构成的矩阵实质上等同于经卷积操作的与经归一化处理后的的和;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构成的矩阵实质上等同于经卷积操作的与经归一化处理的的和。
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:
其中,表示的行向量,A={1,2,…,n},B={1,2,…,z},U和V是学习矩阵,是的元素,为n×n的矩阵,且元素是 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),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。
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,为递归函数,为拉普拉斯矩阵,输入f表示特征的个数,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,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。
本实施例中每一ConvGRU处理单元的计算,具体如下:
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,表示矩阵对应元素相乘,Wxz,Whz,Wxr,Whr,Wxc,Wrc是学习的权重矩阵,(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,输入为时ConvGRU处理单元的输出值,hl是时间l,输入为时ConvGRU处理单元的输出值。
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。
其中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,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,其中,(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,表示第i个样本中由数据提取季度时间块q获取的数据,表示第i个样本中由数据提取月时间块m获取的数据,表示第i个样本中由数据提取周时间块w获取的数据,表示第i个样本目标时间的真实值,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,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:
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:
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:
其中,表示的行向量,A={1,2,…,n},B={1,2,…,z},U和V是学习矩阵,是的元素,为n×n的矩阵,且元素是 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),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;
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:
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)
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)
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)
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 |
-
2021
- 2021-01-08 CN CN202110023217.4A patent/CN112651577B/zh active Active
Patent Citations (5)
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)
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 |