CN113688774A - 基于深度学习的高层建筑风致响应预测、训练方法及装置 - Google Patents
基于深度学习的高层建筑风致响应预测、训练方法及装置 Download PDFInfo
- Publication number
- CN113688774A CN113688774A CN202111030346.2A CN202111030346A CN113688774A CN 113688774 A CN113688774 A CN 113688774A CN 202111030346 A CN202111030346 A CN 202111030346A CN 113688774 A CN113688774 A CN 113688774A
- Authority
- CN
- China
- Prior art keywords
- model
- rise building
- bilstm
- atte
- displacement data
- 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.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 claims abstract description 77
- 230000006870 function Effects 0.000 claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000306 component Substances 0.000 description 52
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- QBPFLULOKWLNNW-UHFFFAOYSA-N chrysazin Chemical compound O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=CC=C2O QBPFLULOKWLNNW-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012533 medium component Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的高层建筑风致响应预测模型训练方法，属于高层建筑风致响应预测技术领域，所述预测模型训练方法包括：将待测高层建筑的历史顶部位移数据通过经验模态分解算法分解为多个本征模态函数分量，并输入BiLSTM‑ATTE模型进行训练，直至BiLSTM‑ATTE模型的损失函数收敛为一个固定值，结束训练，得到EMD‑BiLSTM‑ATTE模型。本发明中，采用BiLSTM‑ATTE模型做为基础模型对高层建筑的风致响应进行预测，完成位移响应预测所需要的时间很短；将EMD与BiLSTM‑ATTE模型结合得到EMD‑BiLSTM‑ATTE模型，能够达到很高的预测精度。
Description
技术领域
本发明属于高层建筑风致响应预测技术领域，涉及一种基于深度学习的高层建筑风致响应预测、训练方法及装置。
背景技术
基于人工智能方法对高层建筑风致响应预测方法主要分为两种。一种是“浅层”机器学习方法如随机森林，支持向量机，决策树等，由于高层建筑风致响应具有高度非线性和非平稳性，“浅层”模型不能有效提取高度非线性数据的特征信息导致高层建筑风致响应预测的精度较低。另一种方法是主流的深度神经网络模型，如卷积神经网络，深度神经网络，门口循环单元，长短记忆网络等，具有普遍性、效率高等特点，但准确性有待进一步的提高。
发明内容
有鉴于此，本发明的目的在于提供一种基于EMD-BiLSTM-ATTE模型深度学习的高层建筑风致响应预测、训练方法及装置。
为达到上述目的，本发明提供如下技术方案：
一种基于深度学习的高层建筑风致响应预测模型训练方法，包括以下步骤：
步骤S1、获取待测高层建筑的历史顶部位移数据作为模型训练的样本，并通过经验模态分解算法将待测高层建筑的历史顶部位移数据分解为多个本征模态函数分量；
步骤S2、定义BiLSTM-ATTE模型的损失函数，并将分解得到的各本征模态函数分量作为BiLSTM-ATTE模型的输入特征对其进行训练；
步骤S3、当BiLSTM-ATTE模型的损失函数的值收敛为一个固定值保持不变时，结束训练，得到EMD-BiLSTM-ATTE模型。
进一步的，本征模态函数分量满足以下条件：
函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
在任意时刻点，上包络线和下包络线的均值均为0。
进一步的，经验模态分解算法通过以下步骤实现：
步骤S11、根据待测高层建筑的历史顶部位移数据得到原始信号x(t)，t表示时间；
步骤S12、对原始信号x(t)进行筛分；具体为：找出原始信号x(t)所有的极大值点，拟合成原始信号的上包络线；找出原始信号x(t)所有的极小值点，拟合成原始信号的下包络线；计算上包络线和下包络线的均值得到原始信号x(t)的平均包络线m1(t)；将原始信号x(t)减去m1(t)后即可得到一个新的信号d1,1(t)；
步骤S13、判断d1,1(t)是否满足本征模态函数分量的条件，如果不满足，则以d1,1(t)代替原始信号x(t)，继续按步骤S12对d1,1(t)进行筛分，经过K次筛分后的信号记为d1,k(t)，直到d1,k(t)满足本征模态函数分量的条件时，记为原始信号x(t)的第一个IMF分量IMF1(t)；
步骤S14、从原始信号x(t)中减去第一个IMF分量IMF1(t)，得到剩余分量r1(t)，对r1(t)继续按步骤S12和步骤S13进行分解；经过n次分解后，求得残余信号rn(t)；当rn(t)为单调函数时，停止分解，将剩余分量函数rn(t)作为残余量RES。
进一步的，BiLSTM-ATTE模型的损失函数l(x，y)定义为：
其中，N表示样本的个数，xi表示第i个样本的实际值，yi表示第i个样本的预测值。
进一步的，所述BiLSTM-ATTE模型在任一时刻的输入特征为各本征模态函数分量在该时刻的值组成一个向量。
一种基于深度学习的高层建筑风致响应预测方法，包括：
采用高层建筑风致响应预测模型训练方法训练出EMD-BiLSTM-ATTE模型；
实时获取待测高层建筑的顶部位移数据，并将顶部位移数据输入EMD-BiLSTM-ATTE模型，通过EMD-BiLSTM-ATTE模型计算出待测高层建筑顶部位移的预测数据和变化趋势。
一种基于深度学习的高层建筑风致响应预测装置，包括：
位移数据采集模块，用于实时采集待测高层建筑的顶部位移数据并传输到分析模块；
分析模块，用于对位移数据采集模块送来的顶部位移数据进行分析，并对待测高层建筑的顶部位移变换趋势进行预测，得到预测的顶部位移数据；以及
预测数据输出模块，用于输出待测高层建筑的历史顶部位移数据及所述分析模块预测的顶部位移数据。
进一步的，还包括：
预警模块，用于将所述分析模块预测的顶部位移数据与预设的位移阈值进行比较，当预测的顶部位移数据大于或等于位移阈值时，发出预警信号。
进一步的，所述分析模块包括数据读取单元、EMD-BiLSTM-ATTE模型和输出单元；
所述数据读取单元用于读取位移数据采集模块采集的待测高层建筑的顶部位移数据；
所述EMD-BiLSTM-ATTE模型包括经验模态分解模块和BiLSTM-ATTE模型，所述经验模态分解模块用于通过经验模态分解算法将待测高层建筑的顶部位移数据分解为多个本征模态函数分量，并将各本征模态函数分量形成的向量作为BiLSTM-ATTE模型的输入特征；所述BiLSTM-ATTE模型用于根据输入特征预测出待测高层建筑的顶部位移数据；
所述输出单元用于将预测的顶部位移数据发送给预测数据输出模块和预警模块。
进一步的，所述BiLSTM-ATTE模型包括前向的LSTM网络、后向的LSTM网络和Attention层，所述BiLSTM-ATTE模型先计算前向LSTM网络和后向LSTM网络中每个时序的权重，然后将所有时序的向量进行加权后作为特征向量，并输入到注意力模型学习到每一个权重的重要程度；最后，采用全连接层输出风致响应的预测结果。
本发明中，将EMD与BiLSTM-ATTE模型结合得到EMD-BiLSTM-ATTE模型对高层建筑的风致响应进行预测，由于BiLSTM-ATTE模型能够充分挖掘变量之间的非线性关系，自适应地感知上下时间序列特性信息，因此不需要对风速进行测量，仅通过前面的时刻特征的相关性即可预测下一个时刻的特征，完成位移响应预测所需要的时间很短。而且，由于通过EMD分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号，因此，将EMD与BiLSTM-ATTE模型结合得到的EMD-BiLSTM-ATTE模型能够达到很高的预测精度。另外，EMD算法与BiLSTM-ATTE模型对硬件的要求不高，实现成本低。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明基于深度学习的高层建筑风致响应预测模型训练方法的一个优选实施例的流程图；
图2为通过EMD算法对数据进行分解的示意图；
图3为LSTM的单个神经元体系的结构示意图；
图4为将EMD分解后的各IMF分量作为BiLSTM-ATTE的输入特征的示意图；
图5为BiLSTM-ATTE模型的结构示意图；
图6为本发明基于深度学习的高层建筑风致响应预测装置的一个优选实施例的结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明提供一种高层建筑风致响应预测模型训练方法，如图1所示，本发明高层建筑风致响应预测模型训练方法的一个优选实施例包括以下步骤：
步骤S1、获取待测高层建筑的历史顶部位移数据，并通过EMD(Empirical ModeDecomposition，经验模态分解)算法，将待测高层建筑的历史顶部位移数据分解为多个IMF(Intrinsic Mode Functions，本征模态函数)分量。IMF分量满足以下两个条件：
(1)函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
(2)在任意时刻点，上包络线和下包络线的均值均为0。
EMD算法是通过筛分的过程来实现的；通过EMD算法能够将非线性数据分解为有限个频率由高到低的IMF分量的线性组合，并且所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。EMD算法具体包括：
步骤S11、根据待测高层建筑的历史顶部位移数据得到原始信号x(t)，t表示时间；原始信号x(t)为时间t的函数。
步骤S12、对原始信号x(t)进行筛分。筛分的过程就是从信号中分解出减去它的平均包络线函数，得到一个新的函数；具体为：找出原始信号x(t)所有的极大值点，用三次样条函数拟合成原始信号x(t)的上包络线；找出原始信号x(t)所有的极小值点，用三次样条函数拟合成原始信号x(t)的下包络线；计算上包络线和下包络线的均值得到第一个平均包络线函数m1(t)；将原始信号x(t)减去第一个平均包络线函数m1(t)，得到第一个中间分量函数d1,1(t)。
步骤S13、判断中间分量函数d1,1(t)是否满足IMF分量的两个条件，如果满足则将d1,1(t)记为原始信号的第一个IMF分量IMF1(t)；如果不满足则继续按步骤S12对d1,1(t)进行筛分，直至中间分量函数满足IMF分量的条件。假设K次筛分后得到的中间分量函数d1,k(t)满足IMF分量的条件，则将d1,k(t)记为原始信号的第一个IMF分量IMF1(t)。
步骤S14、从原始信号x(t)中减去第一个IMF分量IMF1(t)，得到第一个剩余分量函数r1(t)；将第一个剩余分量函数r1(t)继续按步骤S12和步骤S13进行分解(分解就是通过反复筛分的方式从信号中分解出IMF分量)，得到第二个IMF分量IMF2(t)；使用第一个剩余分量函数r1(t)减去第二个IMF分量IMF2(t)，得到第二个剩余分量函数r2(t)。继续按步骤S12和步骤S13对第二个剩余分量函数r2(t)进行分解；假设经过n次分解后，得到的第n个剩余分量函数rn(t)为单调函数，则停止分解，将剩余分量函数rn(t)作为残余量RES。如图2所示，此时，将原始信号x(t)分解成了n个IMF分量和一个残余量RES；原始信号可表示为：
从EMD的分解过程中可以看出，与傅里叶变换和小波分解相比较，EMD不需要设定基函数，具有自适应性，因此适用范围更广泛。将原始信号x(t)分解后，第一个IMF分量包含原始信号x(t)中的时间尺度最小(频率最高)的成分，随着IMF分量阶数的增加，其对应的频率成分逐渐降低，rn(t)(即本实施例中的残余量RES)的频率成分最低。根据EMD分解的收敛条件，分解得到的残余量rn(t)为单调函数时，其时间周期将大于信号的记录长度，因此可以将残余量rn(t)作为原始信号x(t)的趋势项。
步骤S2、定义BiLSTM-ATTE模型的损失函数，并将分解得到的各IMF分量作为BiLSTM-ATTE(基于注意力机制的双向长短期记忆网络；其中，BiLSTM表示双向LSTM；ATTE表示Attention Model，即注意力模型)模型的输入特征对其进行训练。
其中，BiLSTM-ATTE模型的损失函数l(x，y)可定义为：
其中，N表示样本的个数，xi表示第i个样本的实际值(即真实值)，yi表示第i个样本的预测值。
所述BiLSTM-ATTE模型在任一时刻的输入特征为各IMF分量在该时刻的值组成一个向量。BiLSTM-ATTE模型能够充分挖掘变量之间的非线性关系，自适应地感知上下时间序列特性信息，非常适合处理复杂的长期时序动态信息。在处理序列数据时，每个时间步对应一个LSTM单元。每个LSTM单元通过考虑前一个LSTM单元的输出和记忆以及当前输入特征来作出决定，产生一个新的输出并改变它的记忆。
如图3所示，LSTM(long-short term memory；长短期记忆网络)的单个神经单元的体系结构包括输入门、遗忘门、输出门以及记忆单元，用于实现信息的输入和输出，其运算过程如下：
Γi＝σ(Wi,xxt+Wi,hht-1+bi)
Γf＝σ(Wf,xxt+Wf,hht-1+bf)
Γo＝σ(Wo,xxt+Wo,hht-1+bo)
ht＝Γo*tanh(Ct)
其中，Wi,x、Wi,h、Wf,x、Wf,h、Wo,x、Wo,h、Wc,x、Wc,h表示权重矩阵；bi、bf、bc、bo表示偏置矩阵；xt表示时间t时刻的输入特征，即各IMF分量在t时刻的值形成的向量。如图4所示，以原始信号x(t)共分解为四个IMF分量为例，则在t0时刻，
表示为向量[IMF1(t0)，IMF2(t0)，IMF3(t0)，IMF4(t0)]；在t1时刻，
表示为向量[IMF1(t1)，IMF2(t1)，IMF3(t1)，IMF4(t1)]；……，在ti时刻，
表示为向量[IMF1(ti)，IMF2(ti)，IMF3(ti)，IMF4(ti)]。
ct-1表示更新前的神经元；ct表示更新后的神经元；ht-1表示(t-1)时刻(即上一时刻)的输出特征(为包含多个值的向量)；ht表示t时刻(即当前时刻)的输出特征(为包含多个值的向量)；Γi表示输入门；Γf表示遗忘门；Γo表示输出门；
为候选神经元；σ为Sigmoid函数；tanh为双曲正切函数。
LSTM神经网络的训练算法的具体为：首先，前向计算每个LSTM单元的输出值；然后，反向计算每个LSTM单元的误差项，利用相应的误差项计算每个权重的梯度；最后，权重通过梯度下降算法更新。
如图5所示，BiLSTM-ATTE模型包括BiLSTM模型和Attention层(即注意力模型)，BiLSTM即双向LSTM，由两个单独的两个LSTM(即前向LSTM和后向LSTM)组合而成，具有能够捕获前后信息特征的作用；BiLSTM模型是提取EMD分解的IMF分量的时序信息，并将提取的时序特征输入到注意力模型学习到每一个权重的重要程度；最后，采用全连接层输出风致响应的预测结果。BiLSTM-ATTE模型加入了Attention层，先计算每个时序的权重，然后将所有时序的向量进行加权后作为特征向量进行风致响应的预测。其计算公式如下所示：
et＝tanh(wtOt+bt)
其中，xt表示t时刻的输入特征；w1、w2、w3、w4、w5、w6表示权重；
表示t时刻的向后传播隐层状态；
表示(t+1)时刻的向后传播隐层状态；
表示(t-1)时刻的向前传播隐层状态；
表示t时刻的向前传播隐层状态；Ot表示t时刻的隐层状态；Y表示最终输出的状态向量；et表示状态向量；wt表示权重系数矩阵；bt表示偏置矩阵。最后，通过全连接层输出预测结果。
步骤S3、在BiLSTM-ATTE模型的训练过程中，当损失函数的值收敛为一个固定值保持不变时，认为此时BiLSTM-ATTE模型的参数为最优的模型参数，停止模型训练。
本实施例中，采用BiLSTM-ATTE模型做为基础模型对高层建筑的风致响应进行预测，由于BiLSTM-ATTE模型能够充分挖掘变量之间的非线性关系，自适应地感知上下时间序列特性信息，因此不需要对风速进行测量，仅通过前面的时刻特征的相关性即可预测下一个时刻的特征，完成位移响应预测所需要的时间很短。而且，由于通过EMD分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号，因此，将EMD与BiLSTM-ATTE模型结合得到EMD-BiLSTM-ATTE模型后，能够达到很高的预测精度。
本发明还提供一种高层建筑风致响应预测方法，包括：
采用高层建筑风致响应预测模型训练方法进行训练，得到优化后的EMD-BiLSTM-ATTE模型；
实时获取待测高层建筑的顶部位移数据，并将顶部位移数据输入EMD-BiLSTM-ATTE模型，由EMD-BiLSTM-ATTE模型计算出待测高层建筑顶部位移的预测数据和变化趋势。
本发明还提供一种高层建筑风致响应预测装置，如附图6所示，本发明高层建筑风致响应预测装置的一个优选实施例包括位移数据采集模块、分析模块、预测数据输出模块和预警模块。
所述位移数据采集模块用于实时采集待测高层建筑的顶部位移数据并传输到分析模块；优选为采用包括GPS数据采集单元和/或北斗定位数据采集单元的模块。
所述分析模块用于对位移数据采集模块送来的顶部位移数据进行分析，并对待测高层建筑的顶部位移变换趋势进行预测，得到预测的顶部位移数据。所述分析模块包括数据读取单元、EMD-BiLSTM-ATTE模型和输出单元；
所述数据读取单元用于读取位移数据采集模块采集的待测高层建筑的顶部位移数据；
所述EMD-BiLSTM-ATTE模型包括经验模态分解模块和BiLSTM-ATTE模型，所述经验模态分解模块用于通过经验模态分解算法将待测高层建筑的顶部位移数据分解为多个IMF分量，并将各IMF分量形成的向量作为BiLSTM-ATTE模型的输入特征；所述BiLSTM-ATTE模型用于根据输入特征预测出待测高层建筑的顶部位移数据。
所述BiLSTM-ATTE模型包括前向的LSTM网络、后向的LSTM网络和Attention层，所述BiLSTM-ATTE模型先计算前向LSTM网络和后向LSTM网络中每个时序的权重，然后将所有时序的向量进行加权后作为特征向量，并输入到注意力模型学习到每一个权重的重要程度；最后，采用全连接层输出风致响应的预测结果。
所述输出单元用于将预测的顶部位移数据发送给预测数据输出模块和预警模块。
所述预测数据输出模块用于输出待测高层建筑的历史顶部位移数据及所述分析模块预测的顶部位移数据。所述预测数据输出模块优选为采用可视化模块，例如显示器，以可视的方式输出历史数据和预测数据。
所述预警模块用于将分析模块预测的顶部位移数据与预设的位移阈值进行比较，当预测的顶部位移数据大于或等于位移阈值时，发出预警信号。
本实施例中，分析模块采用EMD算法与BiLSTM-ATTE模型，对计算和存储能力要求不高，对硬件的要求不高，实现成本低。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于深度学习的高层建筑风致响应预测模型训练方法，其特征在于，包括以下步骤：
步骤S1、获取待测高层建筑的历史顶部位移数据作为模型训练的样本，并通过经验模态分解算法将待测高层建筑的历史顶部位移数据分解为多个本征模态函数分量；
步骤S2、定义BiLSTM-ATTE模型的损失函数，并将分解得到的各本征模态函数分量作为BiLSTM-ATTE模型的输入特征对其进行训练；
步骤S3、当BiLSTM-ATTE模型的损失函数的值收敛为一个固定值保持不变时，结束训练，得到EMD-BiLSTM-ATTE模型。
2.根据权利要求1所述的基于深度学习的高层建筑风致响应预测模型训练方法，其特征在于，本征模态函数分量满足以下条件：
函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
在任意时刻点，上包络线和下包络线的均值均为0。
3.根据权利要求2所述的基于深度学习的高层建筑风致响应预测模型训练方法，其特征在于，经验模态分解算法通过以下步骤实现：
步骤S11、根据待测高层建筑的历史顶部位移数据得到原始信号x(t)，t表示时间；
步骤S12、对原始信号x(t)进行筛分；具体为：找出原始信号x(t)所有的极大值点，拟合成原始信号的上包络线；找出原始信号x(t)所有的极小值点，拟合成原始信号的下包络线；计算上包络线和下包络线的均值得到原始信号x(t)的平均包络线m1(t)；将原始信号x(t)减去m1(t)后即可得到一个新的信号d1,1(t)；
步骤S13、判断d1,1(t)是否满足本征模态函数分量的条件，如果不满足，则以d1,1(t)代替原始信号x(t)，继续按步骤S12对d1,1(t)进行筛分，经过K次筛分后的信号记为d1,k(t)，直到d1,k(t)满足本征模态函数分量的条件时，记为原始信号x(t)的第一个IMF分量IMF1(t)；
步骤S14、从原始信号x(t)中减去第一个IMF分量IMF1(t)，得到剩余分量r1(t)，对r1(t)继续按步骤S12和步骤S13进行分解；经过n次分解后，求得残余信号rn(t)；当rn(t)为单调函数时，停止分解，将剩余分量函数rn(t)作为残余量RES。
4.根据权利要求1所述的基于深度学习的高层建筑风致响应预测模型训练方法，其特征在于，BiLSTM-ATTE模型的损失函数l(x，y)定义为：
其中，N表示样本的个数，xi表示第i个样本的实际值，yi表示第i个样本的预测值。
5.根据权利要求1所述的基于深度学习的高层建筑风致响应预测模型训练方法，其特征在于，所述BiLSTM-ATTE模型在任一时刻的输入特征为各本征模态函数分量在该时刻的值组成一个向量。
6.一种基于深度学习的高层建筑风致响应预测方法，其特征在于，包括：
采用权利要求1～5任一项所述的高层建筑风致响应预测模型训练方法训练出EMD-BiLSTM-ATTE模型；
实时获取待测高层建筑的顶部位移数据，并将顶部位移数据输入EMD-BiLSTM-ATTE模型，通过EMD-BiLSTM-ATTE模型计算出待测高层建筑顶部位移的预测数据和变化趋势。
7.一种基于深度学习的高层建筑风致响应预测装置，其特征在于，包括：
位移数据采集模块，用于实时采集待测高层建筑的顶部位移数据并传输到分析模块；
分析模块，用于对位移数据采集模块送来的顶部位移数据进行分析，并对待测高层建筑的顶部位移变换趋势进行预测，得到预测的顶部位移数据；以及
预测数据输出模块，用于输出待测高层建筑的历史顶部位移数据及所述分析模块预测的顶部位移数据。
8.根据权利要求7所述的基于深度学习的高层建筑风致响应预测装置，其特征在于，还包括：
预警模块，用于将所述分析模块预测的顶部位移数据与预设的位移阈值进行比较，当预测的顶部位移数据大于或等于位移阈值时，发出预警信号。
9.根据权利要求7所述的基于深度学习的高层建筑风致响应预测装置，其特征在于，所述分析模块包括数据读取单元、EMD-BiLSTM-ATTE模型和输出单元；
所述数据读取单元用于读取位移数据采集模块采集的待测高层建筑的顶部位移数据；
所述EMD-BiLSTM-ATTE模型包括经验模态分解模块和BiLSTM-ATTE模型，所述经验模态分解模块用于通过经验模态分解算法将待测高层建筑的顶部位移数据分解为多个本征模态函数分量，并将各本征模态函数分量形成的向量作为BiLSTM-ATTE模型的输入特征；所述BiLSTM-ATTE模型用于根据输入特征预测出待测高层建筑的顶部位移数据；
所述输出单元用于将预测的顶部位移数据发送给预测数据输出模块和预警模块。
10.根据权利要求9所述的基于深度学习的高层建筑风致响应预测装置，其特征在于，所述BiLSTM-ATTE模型包括前向的LSTM网络、后向的LSTM网络和Attention层，所述BiLSTM-ATTE模型先计算前向LSTM网络和后向LSTM网络中每个时序的权重，然后将所有时序的向量进行加权后作为特征向量，并输入到注意力模型学习到每一个权重的重要程度；最后，采用全连接层输出风致响应的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111030346.2A CN113688774B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的高层建筑风致响应预测、训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111030346.2A CN113688774B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的高层建筑风致响应预测、训练方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688774A true CN113688774A (zh) | 2021-11-23 |
| CN113688774B CN113688774B (zh) | 2023-09-26 |
Family
ID=78585157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111030346.2A Active CN113688774B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的高层建筑风致响应预测、训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688774B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学（武汉） | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 |
| CN109102016A (zh) * | 2018-08-08 | 2018-12-28 | 北京新桥技术发展有限公司 | 一种用于桥梁技术状况的测试方法 |
| CN110457795A (zh) * | 2019-07-26 | 2019-11-15 | 东南大学 | 基于神经网络的高层建筑物风致位移状态评估方法 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN111310109A (zh) * | 2020-03-13 | 2020-06-19 | 中铁二院工程集团有限责任公司 | 一种基于vmd-arma-garch模型的非良态风速建模方法 |
| CN111651920A (zh) * | 2020-06-02 | 2020-09-11 | 重庆科技学院 | 塔线体系下大跨越输电塔风致机械能的传递分析方法 |
| CN112257894A (zh) * | 2020-09-08 | 2021-01-22 | 山东师范大学 | 基于数据驱动的混合建筑电耗预测方法及系统 |
| CN112288193A (zh) * | 2020-11-23 | 2021-01-29 | 国家海洋信息中心 | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 |
| CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
| CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
| WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| US20210271822A1 (en) * | 2020-02-28 | 2021-09-02 | Vingroup Joint Stock Company | Encoder, system and method for metaphor detection in natural language processing |
-
2021
- 2021-09-03 CN CN202111030346.2A patent/CN113688774B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学（武汉） | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 |
| CN109102016A (zh) * | 2018-08-08 | 2018-12-28 | 北京新桥技术发展有限公司 | 一种用于桥梁技术状况的测试方法 |
| CN110457795A (zh) * | 2019-07-26 | 2019-11-15 | 东南大学 | 基于神经网络的高层建筑物风致位移状态评估方法 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| US20210271822A1 (en) * | 2020-02-28 | 2021-09-02 | Vingroup Joint Stock Company | Encoder, system and method for metaphor detection in natural language processing |
| CN111310109A (zh) * | 2020-03-13 | 2020-06-19 | 中铁二院工程集团有限责任公司 | 一种基于vmd-arma-garch模型的非良态风速建模方法 |
| CN111651920A (zh) * | 2020-06-02 | 2020-09-11 | 重庆科技学院 | 塔线体系下大跨越输电塔风致机械能的传递分析方法 |
| CN112257894A (zh) * | 2020-09-08 | 2021-01-22 | 山东师范大学 | 基于数据驱动的混合建筑电耗预测方法及系统 |
| CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
| CN112288193A (zh) * | 2020-11-23 | 2021-01-29 | 国家海洋信息中心 | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 |
| CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
Non-Patent Citations (8)
| Title |
|---|
| KOICHI MIYASHITA 等, 《JOURNAL OF WIND ENGINEERING AND INDUSTRIAL AERODYNAMICS》 * |
| KOICHI MIYASHITA 等: "Wind-induced response of high-rise buildings Effects of corner cuts or openings in square buildings", 《JOURNAL OF WIND ENGINEERING AND INDUSTRIAL AERODYNAMICS》, vol. 50, pages 319 - 328 * |
| SHUAI ZHANG 等: "Hybrid wind speed forecasting model based on multivariate data secondary decomposition approach and deep learning algorithm with attention mechanism", 《RENEWABLE ENERGY》, vol. 174, pages 688 - 704 * |
| 何浩博: "超高层建筑施工期的风场特性与风振响应特性实测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2018, pages 038 - 153 * |
| 徐卿: "基于风场实测和考虑不确定性的结构抗风性能评估", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 2021, pages 038 - 129 * |
| 殷礼胜 等: "基于自适应VMD-Attention-BiLSTM的交通流组合预测模型", 《电子测量与仪器学报》, vol. 35, no. 07, pages 130 - 139 * |
| 胡淼: "某超限高层建筑风荷载及风致振动研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2016, pages 038 - 207 * |
| 郁雯 等: "超高层核心筒对称结构风振响应特性实测", 《安全与环境学报》, vol. 21, no. 04, pages 1447 - 1454 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688774B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
| CN112488415A (zh) | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| CN113988357A (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
| CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
| CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN115098999A (zh) | 一种多模态融合的燃料电池系统性能衰减预测方法 | |
| CN115905818A (zh) | 一种基于数据挖掘的滑坡预警方法 | |
| CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
| CN115796351A (zh) | 基于变分模态分解和微波衰减的降雨短临预测方法及装置 | |
| CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及系统 | |
| CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
| CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN116502672A (zh) | 一种神经网络量化部署方法、系统、设备和介质 | |
| CN113688774A (zh) | 基于深度学习的高层建筑风致响应预测、训练方法及装置 | |
| CN113688773B (zh) | 一种基于深度学习的储罐穹顶位移数据修复方法及其装置 | |
| CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及系统 | |
| CN116934603A (zh) | 测井曲线缺失段补全方法、装置、存储介质及电子设备 | |
| CN113743297A (zh) | 基于深度学习的储罐穹顶位移数据修复方法及装置 | |
| CN113537637B (zh) | 基于门控循环单元的地震破坏力预测方法及装置 | |
| CN115288994B (zh) | 一种基于改进dcgan的压缩机异常状态检测方法 |
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 |