CN115345367B - 一种基于实时去噪的大跨度桥梁风速预测方法 - Google Patents

Abstract

本发明提出一种基于实时去噪的大跨度桥梁风速预测方法。其涉及截断实时分解、形成多分辨率数据输入、构造预测模型三个步骤。在截断实时分解步骤中，使用奇异谱分析提取现有数据的趋势项，并结合奇异谱分析的参数设置截去受端部效应影响的部分；在形成多分辨率数据输入步骤中，引入高分辨率数据来补充由于进行截断实时分解所造成的信息损失；在构造预测模型步骤中，使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中的风速特征，并使用多层感知机来将风速特征作为输入并给出风速趋势的预测。本发明为结合实时去噪的数据驱动模型，其可以有效消除实时分解所带来的端部效应，并结合深度学习模型充分提取时序数据中的特征。

Description

一种基于实时去噪的大跨度桥梁风速预测方法

技术领域

本发明属于桥梁风工程技术领域，特别是涉及一种基于实时去噪的大跨度桥梁风速预测方法。

背景技术

大跨度桥梁作为连接不同区域的重要纽带，其在交通、运输等方面起着重要的作用。但由于桥梁跨度的增加，其结构柔性增大，使得其受风荷载的影响越大。典型的大跨度桥梁风致振动有强风作用下的大幅值抖振以及中小风速可能诱发的涡激振动，其可能会影响桥梁的运营状态甚至引发交通事故。因此，需要对大跨度桥梁所受风荷载即风速进行预测，从而帮助桥梁运维的决策管理。

传统物理驱动的风速预测方法依赖于数值天气预测模型，该方法需要温度、气压、粗糙度等气象条件的获取以及大量的计算资源(通常使用超级计算机)来求解相关的控制方程来给出预测值。但该方法只能给出某个区域的风速大小，并不能具体到大跨度桥梁桥址处。传统数据驱动的风速预测方法使用桥址处的历史风速来建立预测模型，但由于历史风速中存在噪声项，建立的预测模型的预测精度往往较低，需要结合信号处理技术来提升模型的预测精度。现有的结合信号处理技术的预测模型通常将原始信号进行分解，并分别建立各个子序列的预测模型，并通过求和的方式将各个子序列的预测值进行求和得到最终的预测值。但由于风速数据是逐个到来的，需要随着数据的到来进行实时分解。实时分解会引入端部效应，其原有序列的分解结果与补充新数据后新序列的分解结果在端部存在不一致现象，其会影响分解结果的有效性。因此，需要一种补偿端部效应的实时分解方法以及对应的风速预测方法。

发明内容

本发明目的是为了解决现有的技术问题，提出了一种基于实时去噪的大跨度桥梁风速预测方法。本发明所述方法可以有效消除实时分解所带来的端部效应并对风速的趋势进行预测。

本发明是通过以下技术方案实现的，本发明提出一种基于实时去噪的大跨度桥梁风速预测方法，所述方法具体包括：

步骤一、截断实时分解：对现有数据使用奇异谱分析进行分解并根据奇异值谱获取现有数据中的趋势项；根据所用奇异谱分析的相关参数来确定受端部效应影响的区域，并将该区域进行截去不作为输入；

步骤二、形成多分辨率数据输入：引入额外信息对截断处理的部分进行补充，即引入对应的高分辨数据来进行补充，即获取截去区域对应的时间范围内的高分辨率数据，并将其作为补充输入，从而与步骤一中的原始分辨率趋势项输入结合形成了多分辨率数据输入；

步骤三、构造预测模型：使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中包含的特征并储存在对应的隐状态向量中，利用历史数据对预测模型进行训练，训练完成后使用多层感知机将提取得到的风速特征作为预测模型输入，从而对风速的趋势进行预测。

进一步地，步骤一中，给定原始风速序列(x₁,…,x_N)以及相关参数，对应的奇异谱分析的计算公式如下：

X_trend＝Y＝X₁+…+X_r                        (3)

式中，X为根据原始数据以及相关参数形成的迟滞矩阵；(λ_i,u_i,v_i)为对迟滞矩阵进行奇异值分解得到的第i个特征三元组，其中

为第i个特征值，u_i为对应的左特征向量，

为右特征向量，X_i为根据第i个特征三元组形成的第i个基本矩阵；X_trend为根据重组参数得到的、多个基本矩阵求和得到的迟滞矩阵；y_j为提取得到的趋势项中的第j个元素。

进一步地，所述相关参数包括窗口长度L、重组参数r以及对应的K＝N-L+1。

进一步地，步骤三中，门限循环单元神经网络的特征提取计算方式如下：

r_i＝σ(W_rhh_i-1+W_rxx_i+b_r)                       (5)

z_i＝σ(W_zhh_i-1+W_zxx_i+b_z)                      (7)

式中，r_i、x_i、

z_i、h_i分别为第i个重置门、输入、候补隐状态向量、更新门以及隐状态向量；σ、tanh、

分别为sigmoid函数、双曲正切函数以及按元相乘的乘法；W_rh、W_rx、b_r、W_hh、W_hx、b_h、W_zh、W_zx、b_z为对应的权重以及偏置。

进一步地，门限循环单元通过特征提取计算方式提取时序数据中的特征并保存在隐状态向量中。

进一步地，步骤三中，所述多层感知机将提取得到的风速特征作为预测模型输入，对风速的趋势进行预测的计算方式为：

h⁰＝relu(W_hh^h+W_oh^o+b⁰)                      (9)

h¹＝w₁ ^Th⁰+b¹                           (10)

式中，h^h、h^o、h⁰分别为门限循环单元提取得到的高分辨率风速特征、原始分辨率风速特征以及通过第一隐藏层计算得到的隐状态向量；h¹为最终的预测值；relu为ReLU函数；W_h、W_o、b⁰、w₁、b¹为对应的权重与偏置。

进一步地，利用Pytorch深度学习框架搭建预测模型。

本发明提出一种基于实时去噪的大跨度桥梁风速预测系统，所述系统具体包括：

截断实时分解模块：对现有数据使用奇异谱分析进行分解并根据奇异值谱获取现有数据中的趋势项；根据所用奇异谱分析的相关参数来确定受端部效应影响的区域，并将该区域进行截去不作为输入；

形成多分辨率数据输入模块：引入额外信息对截断处理的部分进行补充，即引入对应的高分辨数据来进行补充，即获取截去区域对应的时间范围内的高分辨率数据，并将其作为补充输入，从而与截断实时分解模块中的原始分辨率趋势项输入结合形成了多分辨率数据输入；

预测模型构造模块：使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中包含的特征并储存在对应的隐状态向量中，利用历史数据对预测模型进行训练，训练完成后使用多层感知机将提取得到的风速特征作为预测模型输入，从而对风速的趋势进行预测。

本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于实时去噪的大跨度桥梁风速预测方法的步骤。

本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于实时去噪的大跨度桥梁风速预测方法的步骤。

本发明的有益效果为：

本发明针对传统数据驱动方法在利用信号处理技术提升模型预测准确度时出现的端部效应问题，建立了一种引入高分辨率数据来补充使用奇异谱分析进行截断实时去噪所带来的信息缺失，并使用门限循环单元神经网络来提取原始分辨率数据以及高分辨数据中隐藏的风速特征、使用多层感知机来利用提取得到的特征并进行风速趋势的预测。本发明一经训练完成后即可进行快捷预测，为大跨度桥梁风速预测提供了解决方案。

附图说明

图1为基于实时去噪的大跨度桥梁风速预测方法流程图；

图2为截断实时去噪流程图；

图3为预测模型示意图；

图4为典型预测结果图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

本发明提出一种基于实时去噪的大跨度桥梁风速预测方法，所述方法具体包括：

步骤一、截断实时分解：对现有数据使用奇异谱分析(Singular SpectrumAnalysis，SSA)进行分解并根据奇异值谱获取现有数据中的趋势项；根据所用奇异谱分析的相关参数来确定受端部效应影响的区域，并将该区域进行截去不作为输入，从而避免引入由于端部效应引起的输入不准确性。

步骤二、形成多分辨率数据输入：引入额外信息对截断处理的部分进行补充，即引入对应的高分辨数据来进行补充，即获取截去区域对应的时间范围内的高分辨率数据，并将其作为补充输入，从而与步骤一中的原始分辨率趋势项输入结合形成了多分辨率数据输入；

步骤三、构造预测模型：使用两个门限循环单元(Gated Recurrent Unit，GRU)神经网络分别提取原始分辨率数据以及高分辨率数据中包含的特征并储存在对应的隐状态向量中，利用历史数据对预测模型进行训练，训练完成后使用多层感知机(Multi-layerperceptron，MLP)将提取得到的风速特征作为预测模型输入，从而对风速的趋势进行预测。

步骤一中，给定原始风速序列(x₁,…,x_N)以及相关参数，所述相关参数包括窗口长度L、重组参数r以及对应的K＝N-L+1。对应的奇异谱分析的计算公式如下：

X_trend＝Y＝X₁+…+X_r                         (3)

式中，X为根据原始数据以及相关参数形成的迟滞矩阵；(λ_i,u_i,v_i)为对迟滞矩阵进行奇异值分解得到的第i个特征三元组，其中

为第i个特征值，u_i为对应的左特征向量，

为右特征向量，X_i为根据第i个特征三元组形成的第i个基本矩阵；X_trend为根据重组参数得到的、多个基本矩阵求和得到的迟滞矩阵；y_j为提取得到的趋势项中的第j个元素。

步骤三中，门限循环单元神经网络的特征提取计算方式如下：

r_i＝σ(W_rhh_i-1+W_rxx_i+b_r)                       (5)

z_i＝σ(W_zhh_i-1+W_zxx_i+b_z)                       (7)

式中，r_i、x_i、

z_i、h_i分别为第i个重置门、输入、候补隐状态向量、更新门以及隐状态向量；σ、tanh、

分别为sigmoid函数、双曲正切函数以及按元相乘的乘法；W_rh、W_rx、b_r、W_hh、W_hx、b_h、W_zh、W_zx、b_z为对应的权重以及偏置。

门限循环单元通过特征提取计算方式提取时序数据中的特征并保存在隐状态向量中。

步骤三中，所述多层感知机将提取得到的风速特征作为预测模型输入，对风速的趋势进行预测的计算方式为：

h⁰＝relu(W_hh^h+W_oh^o+b⁰)                       (9)

式中，h^h、h^o、h⁰分别为门限循环单元提取得到的高分辨率风速特征、原始分辨率风速特征以及通过第一隐藏层计算得到的隐状态向量；h¹为最终的预测值；relu为ReLU函数；W_h、W_o、b⁰、w₁、b¹为对应的权重与偏置。

本发明使用Pytorch深度学习框架搭建预测模型，可用于大跨度桥梁风速预测，其为结合实时去噪的数据驱动模型，其可以有效消除进行实时去噪时出现的端部效应，并结合深度学习模型来充分提取输入中所包含的时序特征。

本发明提出一种基于实时去噪的大跨度桥梁风速预测系统，所述系统具体包括：

截断实时分解模块：对现有数据使用奇异谱分析进行分解并根据奇异值谱获取现有数据中的趋势项；根据所用奇异谱分析的相关参数来确定受端部效应影响的区域，并将该区域进行截去不作为输入；

形成多分辨率数据输入模块：引入额外信息对截断处理的部分进行补充，即引入对应的高分辨数据来进行补充，即获取截去区域对应的时间范围内的高分辨率数据，并将其作为补充输入，从而与截断实时分解模块中的原始分辨率趋势项输入结合形成了多分辨率数据输入；

预测模型构造模块：使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中包含的特征并储存在对应的隐状态向量中，利用历史数据对预测模型进行训练，训练完成后使用多层感知机将提取得到的风速特征作为预测模型输入，从而对风速的趋势进行预测。

实施例二：

如图1所示，本发明提出的基于实时去噪的大跨度桥梁风速预测方法流程如下：

第一步，截断实时分解：以大跨度桥梁监测得到的10分钟平均风速为例进行说明；如图2所示使用奇异谱分析进行现有数据的实时去噪，按照公式(1)对数据进行嵌入获取迟滞矩阵，按照公式(2)使用迟滞矩阵奇异值分解得到的特征三元组计算得到对应的基本矩阵，按照公式(3)将基本矩阵进行重组得到趋势项对应的新迟滞矩阵，按照公式(4)将新迟滞矩阵转换为趋势项；根据奇异谱分析的相关参数确定受端部效应影响的区域并进行截断。

第二步，形成多分辨率数据输入：由于在第一步中对分解得到的趋势项进行了截断处理，需要引入额外信息来进行补充，引入对应的1分钟平均风速数据来进行补充，即获取截去区域对应的时间范围内的1分钟平均风速数据，并将其作为补充输入，从而与第一步中的10分钟平均风速数据的趋势项输入结合形成了多分辨率数据输入。

第三步，构造预测模型：使用两个门限循环单元来分别提取10分钟分辨率输入以及1分钟分辨率输入的特征，其特征提取过程如公式(5)至(8)所示；使用多层感知机对提取得到的风速特征进行利用并给出最终的10分钟分辨率的风速趋势预测结果，计算过程如公式(9)至(10)所示；预测模型示意图如图3所示，典型的预测结果如图4所示。

本发明提出的一种基于实时去噪的大跨度桥梁风速预测方法，其涉及截断实时分解、形成多分辨率数据输入、构造预测模型三个步骤。在截断实时分解步骤中，使用奇异谱分析提取现有数据的趋势项，并结合奇异谱分析的参数设置截去受端部效应影响的部分；在形成多分辨率数据输入步骤中，引入高分辨率数据来补充由于进行截断实时分解所造成的信息损失；在构造预测模型步骤中，使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中的风速特征，并使用多层感知机来将风速特征作为输入并给出风速趋势的预测。本发明为结合实时去噪的数据驱动模型，其可以有效消除实时分解所带来的端部效应，并结合深度学习模型充分提取时序数据中的特征；本发明一经训练完成即可进行预测，为大跨度桥梁风速预测提供了解决方案。

本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于实时去噪的大跨度桥梁风速预测方法的步骤。

本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于实时去噪的大跨度桥梁风速预测方法的步骤。

本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM，DR RAM)。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，固态硬盘(solid state disc，SSD))等。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

以上对本发明所提出的一种基于实时去噪的大跨度桥梁风速预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于实时去噪的大跨度桥梁风速预测方法，其特征在于，所述方法具体包括：

步骤一、截断实时分解：对现有数据使用奇异谱分析进行分解并根据奇异谱获取现有数据中的趋势项；根据所用奇异谱分析的相关参数来确定受端部效应影响的区域，并将该区域进行截去不作为输入；

步骤二、形成多分辨率数据输入：引入额外信息对截断处理的部分进行补充，即引入对应的高分辨数据来进行补充，即获取截去区域对应的时间范围内的高分辨率数据，并将其作为补充输入，从而与步骤一中的原始分辨率趋势项输入结合形成了多分辨率数据输入；

步骤三、构造预测模型：使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中包含的特征并储存在对应的隐状态向量中，利用历史数据对预测模型进行训练，训练完成后使用多层感知机将提取得到的风速特征作为预测模型输入，从而对风速的趋势进行预测。

2.根据权利要求1所述的方法，其特征在于，步骤一中，给定原始风速序列(x₁,…,x_N)以及相关参数，对应的奇异谱分析的计算公式如下：

X_trend＝Y＝X₁+…+X_r                  (3)

式中，X为根据原始数据以及相关参数形成的迟滞矩阵；(λ_i,u_i,v_i)为对迟滞矩阵进行奇异值分解得到的第i个特征三元组，其中

为第i个特征值，u_i为对应的左特征向量，

为右特征向量，X_i为根据第i个特征三元组形成的第i个基本矩阵；X_trend为根据重组参数得到的、多个基本矩阵求和得到的迟滞矩阵；y_j为提取得到的趋势项中的第j个元素。

3.根据权利要求2所述的方法，其特征在于，所述相关参数包括窗口长度L、重组参数r以及对应的K＝N-L+1。

4.根据权利要求3所述的方法，其特征在于，步骤三中，门限循环单元神经网络的特征提取计算方式如下：

r_i＝σ(W_rhh_i-1+W_rxx_i+b_r)                        (5)

z_i＝σ(W_zhh_i-1+W_zxx_i+b_z)                        (7)

式中，r_i、x_i、

z_i、h_i分别为第i个重置门、输入、候补隐状态向量、更新门以及隐状态向量；σ、tanh、

分别为sigmoid函数、双曲正切函数以及按元相乘的乘法；W_rh、W_rx、b_r、W_hh、W_hx、b_h、W_zh、W_zx、b_z为对应的权重以及偏置。

5.根据权利要求4所述的方法，其特征在于，门限循环单元通过特征提取计算方式提取时序数据中的特征并保存在隐状态向量中。

6.根据权利要求5所述的方法，其特征在于，步骤三中，所述多层感知机将提取得到的风速特征作为预测模型输入，对风速的趋势进行预测的计算方式为：

h⁰＝relu(W_hh^h+W_oh^o+b⁰)                        (9)

式中，h^h、h^o、h⁰分别为门限循环单元提取得到的高分辨率风速特征、原始分辨率风速特征以及通过第一隐藏层计算得到的隐状态向量；h¹为最终的预测值；relu为ReLU函数；W_h、W_o、b⁰、w₁、b¹为对应的权重与偏置。

7.根据权利要求1所述的方法，其特征在于，利用Pytorch深度学习框架搭建预测模型。

8.一种基于实时去噪的大跨度桥梁风速预测系统，其特征在于，所述系统具体包括：

截断实时分解模块：对现有数据使用奇异谱分析进行分解并根据奇异谱获取现有数据中的趋势项；根据所用奇异谱分析的相关参数来确定受端部效应影响的区域，并将该区域进行截去不作为输入；

形成多分辨率数据输入模块：引入额外信息对截断处理的部分进行补充，即引入对应的高分辨数据来进行补充，即获取截去区域对应的时间范围内的高分辨率数据，并将其作为补充输入，从而与截断实时分解模块中的原始分辨率趋势项输入结合形成了多分辨率数据输入；

预测模型构造模块：使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中包含的特征并储存在对应的隐状态向量中，利用历史数据对预测模型进行训练，训练完成后使用多层感知机将提取得到的风速特征作为预测模型输入，从而对风速的趋势进行预测。

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。

10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。

Images