CN115630582A - 一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备 - Google Patents

Abstract

本发明涉及隧道的变形预测技术领域，特别是涉及一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备，具体包括以下步骤：S1，输入软岩隧道围岩变形监测数据；S2，将软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；S3，以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合，构建出多滑窗BiGRU模型；S4，将测试数据集输入多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果。本发明所构建的多滑窗BiGRU融合模型可以充分考虑多个模型的预测效果，最终输出的综合预测结果往往比单一模型更加可靠。

Description

一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备

技术领域

本发明涉及隧道的变形预测技术领域，特别是涉及一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备。

背景技术

随着我国公路建设规模的不断扩展，越来越多的地区开始进行大规模的山岭隧道施工。尤其是在云南、广西等西南地区，由于其隧址区工程地质条件复杂，时常面临软岩隧道围岩变形的安全风险挑战。一旦变形速率与累计沉降超过设计安全余量，必将危及隧道现场施工安全，严重时甚至可能造成严重的财产损失和不良社会影响。因此，软岩隧道施工时的围岩变形安全控制至关重要，对隧道施工过程中的围岩变形做出可靠预测成为施工安全的重要保证。

对于隧道的变形预测，最早可分为数值模拟计算法与数理统计两大类：前者通过收集隧道地质与设计参数，以有限元、离散元等数值模拟分析软件对隧道进行仿真建模，最终得到某一区域的隧道围岩变形量。这种方法由于建模参数准确度低、模型简化程度高等缺点，所得的隧道变形量通常只在量级上与真实值保持一致，准确度欠佳；后者通过数理统计的方法，基于已有变形监测数据进行函数拟合，以获取对围岩变形的预测。这种方法通常适用于工程地质条件简单、围岩变形稳定的隧道工程，难以应对沉降速率多变的软岩隧道。

随着计算机及人工智能技术的发展，越来越多学者将其引入到各个领域的数据分析中，以期得到相对高效且准确的解决方案。在隧道围岩变形预测领域，目前主要有两种技术方案：

一是以常规机器学习模型为基本预测模型，如人工神经网络(ANN)模型与支持向量机模型(SVM)等，利用这些模型的非线性映射能力与自适应性能，对于上述提高的常规围岩变形预测方法取得了不错应用效果，但这些模型普遍难以适用现实中隧道围岩变形的单变量时间序列数据集，且由于模型原理的限制，无法提取时间序列数据所隐藏的高维特征；

二是从围岩变形预测的时间序列角度出发，选取以循环神经网络模型(RNN)为基础的时间序列数据预测模型，如长短期记忆递归神经网络模型(LSTM)以及门控循环单元神经网络模型(GRU)等，开展隧道围岩变形时间序列预测。

总体来说，第二种方法，即选取以循环神经网络模型(RNN)为基础的时间序列数据预测模型，如长短期记忆递归神经网络模型(LSTM)以及门控循环单元神经网络模型(GRU)等，开展隧道围岩变形时间序列预测是目前主流技术研究方向。这种方法可以很好的考虑围岩变形的时间序列特征，尤其是可以在单变量时间序列数据集中进行使用，通过滑窗操作将其从无监督学习转化监督学习，进而从中提取高维特征用于时间序列数据的预测。

但由于仅有变形数据这一项特征，在软岩隧道围岩变形预测过程中，目前该项技术主要存在预测效果滞后以及单一滑窗模型预测精度不佳的问题，制约了该项技术在实际工程中的实用性。

发明内容

针对上述提到的选取以循环神经网络模型(RNN)为基础的时间序列数据预测模型仅有变形数据这一项特征，在软岩隧道围岩变形预测过程中，目前该项技术主要存在预测效果滞后以及单一滑窗模型预测精度不佳的问题，本发明以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，并对模型开展综合预测性能评估，最终利用误差倒数法对模型进行融合，提出了一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备。

为了实现上述发明目的，本发明提供了以下技术方案：

一种多滑窗模型融合的软岩隧道围岩变形预测方法，具体包括以下步骤：

S1，输入软岩隧道围岩变形监测数据；

S2，将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；

S3，以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合，构建出多滑窗BiGRU模型；

S4，将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果。

作为本发明的优选方案，步骤S1中，所述软岩隧道围岩变形监测数据设置成时间戳+变形值的数据格式。

作为本发明的优选方案，步骤S2中将所述软岩隧道围岩变形监测数据按时间序列进行预处理具体是指，对所述软岩隧道围岩变形监测数据依次进行插值升采样、平稳性检验与一阶差分处理。

作为本发明的优选方案，S3具体包括以下步骤：

S31，构建多滑窗BiGRU预测模型，所述多滑窗BiGRU预测模型包括模型A、模型B和模型C，所述模型A、模型B和模型C是滑动窗口大小不同的BiGRU模型，每个所述BiGRU模型包括输入层、BiGRU层、DENSE层以及输出层，其中BiGRU层为单层隐匿层；

S32，分别对所述模型A、模型B和模型C进行训练，并分别计算所述模型A、模型B和模型C的平均绝对误差、平均绝对误差百分比、均方根误差和相关系数；

S33，从所述平均绝对误差、平均绝对误差百分比、均方根误差和相关系数中选出一个参数作为误差值，采用误差倒数法计算出所述模型A、模型B和模型C的权重；

S34，将所述模型A、模型B和模型C输出的预测值分别乘以权重后求和，构建出多滑窗BiGRU模型。

作为本发明的优选方案，步骤S33中，所述模型A、模型B和模型C的权重计算公式为：

ω₁＝(ε₂+ε₃)/2(ε₁+ε₂+ε₃)

ω₂＝(ε₁+ε₃)/2(ε₁+ε₂+ε₃)

ω₃＝(ε₁+ε₂)/2(ε₁+ε₂+ε₃)

式中，ω₁、ω₂、与ω₃代表模型A、模型B以及模型C的模型权重；ε₁，ε₂与ε₃代表模型A、模型B以及模型C的模型误差值。

作为本发明的优选方案，步骤S33中从所述平均绝对误差、平均绝对误差百分比、均方根误差和相关系数中选出平均绝对误差作为误差值。

作为本发明的优选方案，步骤S34中构建的多滑窗BiGRU模型计算公式为：

M＝0.3208M_A+0.3491M_B+0.3302M_C

式中：M为模型融合后多滑窗BiGRU模型输出值；M_A、M_B、M_C分别是模型A、模型B与模型C的预测输出值。

基于相同的构思，还提出了一种多滑窗模型融合的软岩隧道围岩变形预测系统，包括：

数据采集模块，用于获取软岩隧道围岩变形监测数据；

软岩隧道围岩变形预测模块，用于将所述软岩隧道围岩变形监测数据输入到多滑窗BiGRU模型后，得到软岩隧道围岩变形预测结果，具体执行以下步骤：

将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；

将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果；

其中，所述多滑窗BiGRU模型构建方法为：以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合。

基于相同的构思，还提出了一种多滑窗模型融合的软岩隧道围岩变形预测设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法。

基于相同的构思，还提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法。

与现有技术相比，本发明的有益效果：

本发明所构建的多滑窗BiGRU融合模型可以充分考虑多个模型的预测效果，最终输出的综合预测结果往往比单一模型更加可靠，性能更为优异，该技术具备较为广泛的应用价值性。

附图说明：

图1为实施例1中一种多滑窗模型融合的软岩隧道围岩变形预测方法；

图2为实施例1中GRU的模型结构；

图3为实施例1中BiGRU的模型结构；

图4为实施例1中围岩变形数据集原始数据；

图5为实施例1中原始围岩变形数据一阶差分后数据；

图6为实施例1中三类滑窗BiGRU模型预测效果图；

图7为实施例2中各滑窗模型预测效果及融合模型预测效果图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

一种多滑窗模型融合的软岩隧道围岩变形预测方法，流程图如图1所示，具体包括以下步骤：

S1，输入软岩隧道围岩变形监测数据。收集软岩隧道原始的围岩变形监测数据，并整理成时间戳+变形值的统一数据格式。

S2，将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集。为保证数据完整性，并减缓单变量时间序列数据预测常出现的预测效果滞后现象，对数据进行插值升采样、平稳性检验与一阶差分的预处理措施，提高数据集质量。

S3，构建多滑窗BiGRU模型，所述多滑窗BiGRU模型预先经过了评估与融合。以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，并对模型开展综合预测性能评估，最终利用误差倒数法对模型进行融合。根据常规软岩隧道围岩变形监测数据体量以及工程需求，本发明构建的多滑窗模型包括模型A(前1天预测后1天)、模型B(前3天预测后1天)、模型C(前5天预测后1天)，模型A、模型B和模型C是时间步滑动窗口大小分别为1、3、5的BiGRU模型。

S4，将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果。

详细的原理和步骤如下：

1、所用模型及算法介绍

1.1BiGRU时间序列预测模型

双向循环门控循环单元神经网络模型(BiGRU)来自于1997年所提出的双向循环神经网络(BiRNN)与2014年提出的门控循环单元神经网络模型(GRU)二者的结合。

其中GRU是LSTM的进一步简化变体(LSTM是RNN的复杂变体)，相对比LSTM神经单元的3个门(输入门、遗忘门和输出门)，GRU模型的神经单元内简化为只有重置门与更新门。在LSTM中，有两种状态分别是细胞状态和隐藏状态，而在GRU的情况下，只有一种状态，即隐藏状态。因此相对比LSTM，GRU模型在保留对时间序列数据信息传递功能的同时，所需参数更少，更容易实现和计算，缓解了LSTM过拟合的问题。

GRU模型的结构示意如图2所示。其中，X_t表示t时刻的输入；R_t表示重置门；Z_t表示更新门；H_t表示隐藏状态；

表示候选隐藏状态。重置门和更新门是当前时刻的输入特征X_t和上个时刻的H_t-1的函数，通过sigmoid激活函数，使门限的范围在0到1之间。表示候选隐藏状态，也可表示为现在信息，其是过去信息H_t-1经重置门与当前信息共同决定的；H_t融合了长期记忆和短期记忆。

根据GRU的模型结构，其计算公式如式(1)～式(4)所示:

R_t＝σ(X_tW_xr+H_t-1W_hr+b_r) (1)

Z_t＝σ(X_tW_xz+H_t-1W_hz+b_z) (2)

式中：σ表示sigmoid激活函数；W_xr、W_hr、W_xz、W_hz、W_xh、W_hh表示可训练的参数矩阵；b_r、b_z、b_h表示偏置量；tanh表示双曲正切激活函数。

至于双向循环机制，早先研究发现单向RNN只能从先前的输入中提取以预测当前状态，但双向RNN会提取未来数据以提高其准确性。BiRNN在预测的时候，将前向和后向的值均作为输入。这种机制对GRU同样适用，并以此构成BiGRU。BiGRU模型结构如图3所示，图中实线为前向传播，虚线为反向传播。

图3中，X_i代表i时刻的输入值，h_i代表i时刻隐藏层的值，而y_i代表i时刻输出层的值。

同时，为综合衡量模型预测性能，在具体的性能评估方面，本发明借助如下指标进行评价，具体如式(5)～式(8)所示：

式中：MAE表示平均绝对误差；MAPE表示平均绝对误差百分比；RMSE表示均方根误差；R²表示相关系数；m表示预测样本的个数；

表示第k个样本的预测值；y_k表示第k个样本的真实值；

表示所有样本的平均值。

1.2ADF平稳性检验及一阶差分

时间序列分析的主要目的是利用事物特征变量的历史和现状来推测未来可能出现的状况，即假设时间序列的基本特性必须能从过去维持到我们推测的时期，否则基于历史和现状来预测未来将变得不可靠，也就是要求时间序列数据具有平稳性。时间序列的平稳性，简单理解是时间序列的基本特性维持不变，换句话说，所谓平稳性就是要求由样本时间序列所得到的曲线在未来的一段时期内仍能沿着现有的形态持续下去。时间序列的平稳性是经典时间序列分析的基本假设前提，只有基于平稳的时间序列进行的预测才是有效的。

而在单变量数据条件下的隧道围岩变形预测面临的预测效果滞后现象，可能是因为原始隧道围岩变形数据是一个非平稳时间序列数据。时间序列预测属于一个经典的回归问题，目标函数是最小化t时刻真实值与预测值之间的误差。若时间序列数据集仅存在单变量数据，在训练预测模型的过程中，由于无法从更多特征中学习到数据信息，因此为保证模型性能，模型通常通过从输入到回归器的特征中选择最接近的值，即t-1时刻的值来确保其任务的安全，进而产生滞后现象。

因此，再进行软岩隧道围岩变形预测之前，应对原始变形数据进行平稳性检验。而对于非平稳数据，则需要将数据差分到平稳后再对差分后的数据进行预测。

(1)ADF(单位根)平稳性检验

ADF检验是单位根检验的一种，用来判断给定时间序列数据的平稳性。ADF检验通过以下3个公式模型来完成，如式(9)～式(11)所示：

式中：ΔX_t为t时刻的残差值；δ为参数项；X_t-1为t-1时刻的残差；t为时间变量；βt为趋势项；α为常数项；ε_t为残差项。

ADF检验的原假设都是H₀:δ＝0，检验时从式(11)开始，再式(11)，然后式(9)。如果检验拒绝原假设，即原序列不存在单位根，也就是平稳时间序列，即可停止检验，否则继续检验，直到检验完式(9)为止。

通常ADF检验的结果以t统计量及以t统计量为基础进行二次计算的参数值进行比较判断得出。常用二次计算参数值包括P-value(t统计量对应的概率值)Critical values(显著性水平临界值，常用取用1％、5％与10％三个水平，分别表示99％、95％、90％置信区间下的临界的ADF检验值)。判据主要有以下两点：

①1％、5％、10％不同程度拒绝原假设的统计值和t统计量的比较：t统计量同时小于1％、5％、10％即说明非常好地拒绝该假设，即不存在单位根，否则原假设不成立及存在单位根，时间序列数据不平稳；

②P-value值的比较：P-value值越接近0说明数据平稳性越好。

(2)差分计算

对于非平稳时序序列，常采取差分运算进行数据处理，然后重新判断处理后的序列平稳性。差分计算公式如式(12)所示：

式中：x_t代表t时刻的样本值；x_t-1代表t-1时刻的样本值。

1.4误差倒数法

在预测实践中，对同一问题通常有不同的预测方法，对这些不同方法赋予适当的加权系数将其进行组合，便得到组合预测方法。组合预测能减少各个单项方法的随机因素的影响，综合利用各种方法提供的信息，所以组合预测比单项方法能更有效地提高预测精度。确定各个单项预测方法的加权系数是组合预测的关键。

误差倒数法是组合预测中一种确定加权系数的方法，在误差倒数法中，误差较小的预测模型被赋予较大权重，于是组合预测模型的总体误差可以显著降低。为确定权重系数，本发明采用误差倒数法为模型分配权重，公式如式(13)～(15)所示：

ω₁＝(ε₂+ε₃)/2(ε₁+ε₂+ε₃) (13)

ω₂＝(ε₁+ε₃)/2(ε₁+ε₂+ε₃) (14)

ω₃＝(ε₁+ε₂)/2(ε₁+ε₂+ε₃) (15)

式中：ω₁、ω₂、与ω₃代表模型A、模型B以及模型C不同滑窗尺度下的模型权重；ε₁，ε₂与ε₃代表模型A、模型B以及模型C不同滑窗尺度下的模型误差。

2、软岩隧道时间序列围岩变形数据预处理

2.1ADF平稳性检验与一阶差分

根据某实际隧道收集其某一断面的真实围岩变形监测数据，时间颗粒为1天，即每天1个变形值，共收集2022年3月14日到2022年4月22日共计40天数据，即数据集共有40例数据样本。具体原始数据如图4所示。

经ADF平稳性检验与一阶差分处理后，t统计量及二次计算参数值如下表1所示：

表1原始数据及一阶差分后数据ADF平稳性检验结果

根据上文1.3描述的ADF检验数据平稳性判据，针对该围岩变形数据集有如下结论：

(1)对于围岩变形原始数据而言，t统计量为-1.47，同时大于1％、5％、10％不同程度拒绝原假设的统计值，且P-values为0.55，因此拒绝原假设，即围岩变形原始数据不平稳；

(2)对于围岩变形原始数据的一阶差分后数据而言，t统计量为-4.62，同时小于1％、％5、％10不同程度拒绝原假设的统计值，且P-values为0.00(原数据为0.000118，此处进行了四舍五入)，因此接收原假设，即围岩变形原始数据的一阶差分数据平稳。

因此，本发明将该预测问题转化为对围岩变形原始数据的一阶差分数据预测问题。一阶差分数据如图5所示。

2.2数据无量纲化

为加快模型收敛速度，时间序列数据预测问题通常在输入模型之前进行数据无量纲化处理。本发明采用标准化方法进行，具体如下式(16)所示:

x^*＝(x-μ)/σ (16)

式中：μ表示样本的均值，σ表示样本的标准差。

3、多滑窗BiGRU预测模型构建及评估

3.1多滑窗BiGRU预测模型构建

本发明所构建BiGRU预测模型分为输入层、BiGRU层、DENSE层以及输出层，其中BiGRU层为单层隐匿层。预测模型为单步预测，即只预测输入序列数据的下一时间粒度的数据。具体模型架构及数据运行逻辑如下：

(1)输入层：把经过预处理后得到的围岩变形一阶差分数据作为预测模型的输入，设时间步滑动窗口大小为T。经过预处理后在t时刻输入到预测模型中的输入序列如式(17)所示：

X＝[x₁,…x_t-1,x_t,…,x_T]^T (17)

式中：X为输入序列，x_t为t时刻的样本数据。根据前文介绍，本发明的T对应模型A、模型B与模型C分别取1、3、5；

(2)BiGRU层：利用前向和反向的BiGRU对输入层的数据进行学习。该层的计算逻辑如前文1.1所示，在此不做赘述；

(3)DENSE层：即全连接层，该层的输入为BiGRU层的输出。该层选用Sigmoid为激活函数，预测出下一时间粒度的数据值，预测公式如式(18)所示：

y*＝Sigmoid(W_oC_t+b_o) (18)

式中：y^*代表预测值；W_o代表权重矩阵；C_t代表输入值；b_o代表偏置项。

(4)输出层：选用没有激活函数的全连接层作为输出层，对输入序列数据的下一时间粒度的数据进行输出。

具体的，各滑窗BiGRU预测模型参数设置如表2所示：

表2各滑窗BiGRU预测模型参数设置

类别	num_epochs	batch_size	h	fc	train_test_split
						模型A	80	8	8	10	0.72：0.28
模型B	60	8	8	10	0.68：0.32
						模型C	40	16	8	10	0.63：0.37

表2中：num_epochs代表迭代次数；batch_size代表批尺寸；h代表BiGRU的隐藏节点个数；f_c代表全连接层节点个数；train_test_split代表训练集与预测集的划分比例。

3.2多滑窗BiGRU预测模型评估

利用3.1构建的多滑窗BiGRU模型对数据进行训练与预测，每一模型共计输出连续9天的变形预测结果。训练及预测结果如图6所示。

图6中的曲线，由浅到深依次代表原始软岩隧道围岩变形数据(Origin data)，模型训练集(Train data)预测效果和模型测试集(Test data)预测效果。模型训练集预测效果线条与模型测试集预测效果数据统一经过对模型直接预测输出值的逆标准化后，加上对应日期的原始软岩隧道围岩变形数据得到。

根据式(5)～式(8)，对三类滑窗模型进行综合性能评估，具体如表3所示：

表3各滑窗BiGRU预测模型性能评估

类别	MAE	MAPE	RMSE	R2
					模型A	0.19	19％	0.04	0.85
模型B	0.16	17％	0.03	0.86
					模型C	0.18	19％	0.04	0.83

4、多滑窗BiGRU预测模型融合

将表3的MAE指标作为误差值，带入式(13)～式(15)可求得各滑窗BiGRU预模型的权重分别为0.3208、0.3491以及0.3302，最终多滑窗BiGRU预测模型融合计算公式如式(19)所示：

M＝0.3208M_A+0.3491M_B+0.3302M_C (19)

式中：M为最终融合模型输出值；M_A、M_B、M_C分别是模型A、模型B与模型C的预测输出值。

实施例2

利用式(19)输出多滑窗BiGRU融合模型的预测结果，最终预测效果与融合模型的性能评价具体如图7所示。

如图7所示，所构建的多滑窗BiGRU融合模型的MAE＝0.15、MAPE＝16％、RMSE＝0.03、R²＝0.92，对比表3中各滑窗BiGRU预测模型性能评估结果可知，本发明所构建的多滑窗BiGRU融合模型性能更为优异，该技术具备较为充足的应用价值性，可以充分考虑多个模型的预测效果，最终输出的综合预测结果往往比单一模型更加可靠。

实施例3

基于相同的构思，还提出了一种多滑窗模型融合的软岩隧道围岩变形预测系统，包括：

数据采集模块，用于获取软岩隧道围岩变形监测数据；

软岩隧道围岩变形预测模块，用于将所述软岩隧道围岩变形监测数据输入到多滑窗BiGRU模型后，得到软岩隧道围岩变形预测结果，具体执行以下步骤：

将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；

将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果；其中，所述多滑窗BiGRU模型构建方法为：以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合。

基于相同的构思，还提出了一种多滑窗模型融合的软岩隧道围岩变形预测设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法。

基于相同的构思，还提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，具体包括以下步骤：

S1，输入软岩隧道围岩变形监测数据；

S2，将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；

S3，以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合，构建出多滑窗BiGRU模型；

S4，将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果。

2.如权利要求1所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S1中，所述软岩隧道围岩变形监测数据设置成时间戳+变形值的数据格式。

3.如权利要求1所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S2中将所述软岩隧道围岩变形监测数据按时间序列进行预处理具体是指，对所述软岩隧道围岩变形监测数据依次进行插值升采样、平稳性检验与一阶差分处理。

4.如权利要求1所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，S3具体包括以下步骤：

S31，构建多滑窗BiGRU预测模型，所述多滑窗BiGRU预测模型包括模型A、模型B和模型C，所述模型A、模型B和模型C是滑动窗口大小不同的BiGRU模型，每个所述BiGRU模型包括输入层、BiGRU层、DENSE层以及输出层，其中BiGRU层为单层隐匿层；

S32，分别对所述模型A、模型B和模型C进行训练，并分别计算所述模型A、模型B和模型C的平均绝对误差、平均绝对误差百分比、均方根误差和相关系数；

S33，从所述平均绝对误差、平均绝对误差百分比、均方根误差和相关系数中选出一个参数作为误差值，采用误差倒数法计算出所述模型A、模型B和模型C的权重；

S34，将所述模型A、模型B和模型C输出的预测值分别乘以权重后求和，构建出多滑窗BiGRU模型。

5.如权利要求4所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S33中，所述模型A、模型B和模型C的权重计算公式为：

ω₁＝(ε₂+ε₃)/2(ε₁+ε₂+ε₃)

ω₂＝(ε₁+ε₃)/2(ε₁+ε₂+ε₃)

ω₃＝(ε₁+ε₂)/2(ε₁+ε₂+ε₃)

式中，ω₁、ω₂、与ω₃代表模型A、模型B以及模型C的模型权重；ε₁，ε₂与ε₃代表模型A、模型B以及模型C的模型误差值。

6.如权利要求5所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S33中从所述平均绝对误差、平均绝对误差百分比、均方根误差和相关系数中选出平均绝对误差作为误差值。

7.如权利要求6所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法，其特征在于，步骤S34中构建的多滑窗BiGRU模型计算公式为：

M＝0.3208M_A+0.3491M_B+0.3302M_C

式中：M为模型融合后多滑窗BiGRU模型输出值；M_A、M_B、M_C分别是模型A、模型B与模型C的预测输出值。

8.一种多滑窗模型融合的软岩隧道围岩变形预测系统，其特征在于，包括：

数据采集模块，用于获取软岩隧道围岩变形监测数据；

软岩隧道围岩变形预测模块，用于将所述软岩隧道围岩变形监测数据输入到多滑窗BiGRU模型后，得到软岩隧道围岩变形预测结果，具体执行以下步骤：

将所述软岩隧道围岩变形监测数据按时间序列进行预处理，得到测试数据集；

将所述测试数据集输入所述多滑窗BiGRU模型，输出软岩隧道围岩变形预测结果；

其中，所述多滑窗BiGRU模型构建方法为：以BiGRU为主体预测模型，通过不同滑窗尺度构建多滑窗预测模型，对模型进行综合预测性能评估，并利用误差倒数法对模型进行融合。

9.一种多滑窗模型融合的软岩隧道围岩变形预测设备，其特征在于，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行权利要求1至7任一项所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种多滑窗模型融合的软岩隧道围岩变形预测方法。

Images