CN116011312A - 一种基于多模型的桥梁应变应力数据预测方法 - Google Patents

一种基于多模型的桥梁应变应力数据预测方法 Download PDF

Info

Publication number
CN116011312A
CN116011312A CN202210674669.3A CN202210674669A CN116011312A CN 116011312 A CN116011312 A CN 116011312A CN 202210674669 A CN202210674669 A CN 202210674669A CN 116011312 A CN116011312 A CN 116011312A
Authority
CN
China
Prior art keywords
data
sequence
prediction
strain stress
model
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.)
Pending
Application number
CN202210674669.3A
Other languages
English (en)
Inventor
陈碧云
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.)
Yancheng Teachers University
Original Assignee
Yancheng Teachers University
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 Yancheng Teachers University filed Critical Yancheng Teachers University
Priority to CN202410115282.3A priority Critical patent/CN117972842A/zh
Priority to CN202210674669.3A priority patent/CN116011312A/zh
Publication of CN116011312A publication Critical patent/CN116011312A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多模型的桥梁应变应力数据预测方法，包括：采集一段时间内桥梁应变应力数据，对采集到的桥梁应变应力数据进行预处理，获取包含多种数据特征的数据序列，将数据序列输入至构建好的Prophet模型，获得Prophet预测序列，将Prophet预测序列与数据序列作差，获得残差序列，将残差序列输入至构建好的长短期记忆网络LSTM，获得预测残差预测序列，将残差预测序列与Prophet预测序列求和，获得应变应力的组合模型预测结果。实验结果表明，本文提出方法预测精度更高，拟合性能更优。

Description

一种基于多模型的桥梁应变应力数据预测方法
技术领域
本发明涉及桥梁检测技术领域，更具体的涉及一种基于多模型的桥梁应变应力数据预测方法。
背景技术
桥梁在建造和使用过程中，由于受到环境的侵蚀，建筑材料及性能不断退化。如果不及时进行检测和维修，不仅缩短桥梁的使用寿命，还会影响行车安全，甚至导致桥梁坍塌造成重大的交通事故。目前传统的中小型桥梁评估，往往是通过简单的人工监测手段。然而仅仅通过人工检测，检测周期长，桥梁信息获取滞后，检测情况难以量化。随着大数据人工智能技术的发展，通过海量数据对桥梁进行健康监测管理已成为一种必然的趋势。在桥梁监测管理中，对桥梁检测数据的描述及预警成为了当下国内外专家学者研究的热点问题。
桥梁的健康检测项目有很多，如果全部进行监测，需要极大的数据处理能力并且容易出错。目前桥梁健康监测最有代表性的项目有三类：周边环境数据、应变应力数据和结构变形数据。本发明选取应变应力数据作为研究对象，应变应力对桥梁的安全极为重要，当桥梁通过车辆过多、重量过大时，应变过大会损伤桥梁结构，如果没有及时调整，桥梁内部结构会严重破损导致安全事故。在桥梁主梁的重要结构点位布置传感器，收集在各种车辆负载条件下结构的应力数据，根据整体应变的大小可以对桥梁整体的损伤和健康状态进行测评
桥梁检测数据往往受多种因素影响，其中既包含常规的线性趋势又包含复杂多变的非线性规律，使用单一模型进行拟合难以两者兼顾。而单一模型在桥梁监测数据预测中由于考虑因素不够周全，在数据预测精度上还有提升的空间，所以找到一种对于桥梁检测数据精确预测的模型显得十分迫切。
发明内容
本发明实施例提供一种基于多模型的桥梁应变应力数据预测方法，包括：
采集一段时间内桥梁应变应力数据，构成原始数据序列；
将原始数据序列输入至构建好的Prophet模型，提取一段时间内桥梁应变应力数据中的周期信号以及增长趋势，对周期信号以及增长趋势进行序列分解，捕捉序列分解后的各个趋势进行预测，获得Prophet预测序列；
将Prophet预测序列与原始数据序列作差，获得拟合后的残差序列；
将拟合后的残差序列输入至构建好的长短期记忆网络LSTM，获得残差预测序列；
将残差预测序列叠加到Prophet预测序列上，获得应变应力预测组合模型；
在应变应力预测组合模型中输入桥梁应变应力数据，获得桥梁检测结果。
优选地，还包括对采集到的桥梁应变应力数据进行预处理，其具体包括：
补充缺失时间对应的桥梁应变应力数据；
清洗桥梁应变应力数据数据，得到数据序列；
数据序列划分为训练集和预测集。
优选地，多种数据特征的数据序列，包括：
日周期桥梁应变应力数据序列项；
周周期桥梁应变应力数据序列项；
桥梁应变应力数据序列趋势项。
优选地，Prophet模型的参数选择，包括：
舍弃桥梁应变应力数据年-周期性；
采用桥梁应变应力数据日-周期和桥梁应变应力数据周-周期。
优选地，LSTM模型参数选择，包括：
迭代次数epochs；
batch-size；
损失函数包括均方误差MSE；
优化方法使用Adam。
优选地，Prophet模型的算法，包括：
通过处理过的数据，扩展未来预测时间；
对处理过的数据的趋势，日周期，周周期，月周期，年周期进行分析；
采用公式1所示的加法模型，按照一定的权重相加，得出数据的预测值。
y(t)＝g(t)+s(t)+h(t)+ε(t)    (1)
其中，y(t)表示时间序列的预测值，g(t)时间序列数据的趋势项，包括饱和增长和分段线性在内的非周期变化，s(t)拟合数据里的周期项，h(t)时间序列里的节假日的影响，ε误差项。
优选地，长短期记忆网络LSTM算法包括：
通过公式(2)建立遗忘门来控制需要遗忘的数据；
ft＝σ(Wf·[ht-1，xt]+bf)   (2)
其中，ht-1表示上一时刻的LSTM输出值，xt表示当前时刻网络输入值；
通过公式(3)对输入门的控制计算；
it＝σ(Wi·[ht-1，xt]+bf)    (3)
通过公式(4)根据上一次的输出和本次的输入来计算当前时刻的输入；
通过公式(5)更新当前时刻的单元状态Ct；
Ct-1表示上一时刻的单元状态，it表示输入门；
通过通过公式(6)和通过公式(7)输出门，控制单元状态Ct有多少输入到LSTM的当前输入值h；
Ot＝σ(Wo[ht-1，xt]+bo)       (6)
ht＝Ot*tanh(Ct)             (7)
其中，Wf、Wi、WC、Wo为各个控制门的权重矩阵，bf、bi、bC、bo为各控制门的偏置项，tanh和σ分别为tanh函数和sigmoid激活函数。
本发明实施例提供一种基于多模型的桥梁应变应力数据预测方法，与现有技术相比，其有益效果如下：
1、本发明提出一种基于Prophet+LSTM组合模型的监测数据预测方法。该方法主要利用Prophet模型捕捉数据序列中的各种趋势成分，再通过LSTM模型对拟合后的残差进行二次预测，最后得到总体的预测结果。最终实验表明，相比于经典的MA，ARIMA，GNN以及单一的Prophet和LSTM模型，本发明所提的集成优化模型，拟合性更好，预测精度更高。
2、本发明只设计了一种由两个单项预测模型结合的组合预测模型，未来可以在这个基础上再添加其他的预测模型，集合多种模型的优势，进一步提好模型的预测精度。另外，还可以在Prophet和LSTM的参数选择方面上进行更深层次的优化来提高模型的整体预测精度。
附图说明
图1为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的组合模型算法流程图；
图2为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的数据特征图；
图3为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的截取数据特征图一部分的数据图；
图4为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的增长趋势模型的展示；
图5为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的增长趋势模型的展示图；
图6为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的周周期展示图；
图7为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的日周期展示图；
图8为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的预测值与真实值之间的对比；
图9为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的MA、ARIMA、RNN和LSTM四个模型的预测结果对比；
图10为本发明实施例提供的一种基于多模型的桥梁应变应力数据预测方法的MA、ARIMA、RNN和LSTM四个模型的预测结果对比。
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。
参见图1～10，本发明实施例提供一种基于多模型的桥梁应变应力数据预测方法，该方法包括：
1、解决问题的方法
桥梁监测数据是周期数据，针对周期性数据，传统的时间序列分析模型有自回归模型(Auto Regression，AR)，移动平滑模型(Moving Average，MA)和自回移动模型(AutoRegression Moving Average，ARMA)。在ARMA的基础上进行差分计算得到了ARIMA模型。随着人工智能技术的发展，基于时间序列分解和机器学习拟合的模型，也能很好的处理这系列问题。而随着深度学习理论的发展，长短期记忆人工神经网络(Long Short TermMemory,LSTM)也逐渐走入大众的视野，这是一种优化的RNN类型，专门为了解决RNN所存在的长期依赖问题。
2、ARIMA模型
ARIMA(Autoregressive Integrated Moving Average)模型在ARMA模型的基础上进行差分，可以用来处理随时间移动而形成的数据序列，模型被建立后可以通过历史数据和现在的数据来预测未来值。该模型的思想本质上是从历史数据中学习到随时间变化的模式，利用学习到知识去预测未来值。近年来该模型被广泛应用于各个领域，如葛娜采用某品牌鞋类企业在北京三年内的连续销售数据，建立ARIMA模型，在考虑了季节、趋势等不规则变动因素之后，对未来市场进行分析预测。
实现步骤：
首先需要做差分，直到得到一个平稳的序列。
再计算p,d,q的值，构建ARIMA模型
估计参数，对数据进行拟合预测，检验数据的可靠性。
其算法模型如下：
2.2 LSTM模型
LSTM(Long Short-Term Memory)长短时记忆神经网络，是一种特殊的循环神经网络(RNN)，优势在于解决RNN的梯度消失和梯度爆炸的问题，目前广泛应用于序列数据处理和预测，比如文本上下文感情分析，股票预测等。
实现原理：计算遗忘门，选择要遗忘的信息，产生要更新的新信息，更新细胞状态，基于细胞状态，确定输出什么值，一个输出到同层下一个单元，一个输出到下一层的单元上，最终把细胞状态通过tanh进行处理并将它和sigmoid门的输出相乘，最终我们仅仅会输出我们确定输出的那部分。
具体建模步骤如下：
输入数据预处理
初始化LSTM模型
梯度训练确定权值
训练输出并反归一化
算法模型如下：
ft＝σ(Wf·[ht-1，xt]+bf)    (2-2)
该公式表示通过遗忘门来控制需要遗忘的数据，即判断上一时刻Ct-1有多少信息要保存到当前时刻Ct计算在t时刻遗忘门的激活值ft。
it＝σ(Wi·[ht-1，xt]+bf)      (2-3)
公式2-3表示输入门的控制计算，用来记忆现在的某些信息，即控制当前时刻网络的输入xt有多少信息需要保存到Ct
在公式2-3的基础上，需要根据上一次的输出和本次的输入来计算当前时刻的输入，计算如公式2-4所示
在前几个公式的基础上，通过遗忘门过滤Ct-1中该被抛弃的信息，再通过输入门，获取当前时刻输入信息中需要的信息，至此可以更新当前时刻的单元状态Ct。
Ot＝σ(Wo[ht-1，xt]+bo)      (2-6)
最后通过输出门来控制单元状态Ct有多少可以输入到LSTM的当前输入值h。
ht＝Ot*tanh(Ct)    (2-7)
在公式2-2～2-7中，Wf、Wi、WC、Wo为各个控制门的权重矩阵。bf、bi、bC、bo为各控制门的偏置项。tanh和σ分别为tanh函数和sigmoid激活函数。
3、Prophet算法
Prophet是一个基于STL分解思想的预测时间序列数据的机器学习框架，由Facebook公司在2017年进行开源。在这个模型中，非线性趋势与年、周、日季节性，加上节假日效应进行拟合。它最适合具有强季节性影响和几个季节的历史数据的时间序列。Prophet对于缺少数据和趋势变化非常可靠，并且通常很好地处理异常值。滕金玲等建立基于prophet的时间序列模型，针对农产品价格频繁波动，传统时间序列预测方法精度不高等问题，以2012至2018年生姜价格为研究对象，并通过统计方法对模型结果进行评估，发现该模型具有较高的预测精度。
算法实现：
针对处理过的数据，扩展未来预测时间
再对其趋势，日周期，周周期，月周期，年周期进行分析
并且采用加法模型，按照一定的权重相加，得出相应的预测值。
算法模型：
y(t)＝g(t)+s(t)+h(t)+ε(t)      (2-8)
表1 Prophet算法参数说明表
4、基于Prophet+LSTM集成优化模型
由于Prophet模型的模型表达能力不足，对大量数据的利用率偏低，同时它的训练部分和预测是分开的，无法在训练模型时更新模型。所以针对这些原因，本发明为充分利用Prophet模型和LSTM模型的优点，本发明提出一种基于Prophet+LSTM组合模型的桥梁监测数据预测方法。该方法首先使用prophet提取桥梁监测数据中的周期信号以及增长趋势，进行序列分解，捕捉该序列中的各种趋势进行预测，再使用LSTM模型拟合prophet模型预测的残差，得到最终的预测结果。
同时该方法是得出的最优模型，能较好的描述各个数据的变化情况，并解释每个参数的意义，针对有需要的数据进行调参。例如prophet可选的周期分解、突变点以及LSTM的神经元个数、损失函数优化方法等等。模型的流程图如图1所示。
算法步骤：
对数据进行预处理，清洗数据，得到可进行训练的数据序列x(t)。该序列由多种特征信息组成，其中包含日周期项，周周期项以及序列趋势项。
将处理过的序列x(t)带入建立好的Prophet模型中，得出对于周期项和序列趋势的预测结果P(t)，
P(t)＝Propet(x(t))    (2-9)
(3)利用得出的预测结果P(t)结合原始数据x(t)得出一份残差序列E(t)，
E(t)＝P(t)-x(t)       (2-10)
(4)将这份残差序列E(t)利用LSTM进行分析，得到残差预测L(t)
L(t)＝LSTM(E(t))      (2-11)
(5)将Prophet的预测结果P(t)结合LSTM的残差预测序列L(t)得出最终的组合预测模型的结果Y(t)。
Y(t)＝L(t)+P(t)         (2-12)
5、实验结果及讨论
5.1数据集介绍
本发明所使用的数据是由一家知名企业所提供的桥梁实际检测数据，短时预测包括2020.01.08至2020.04.28，数据采集时间间隔为1小时。长时预测包括2020.05.01至2020.05.21，数据采集间隔为5分钟。这些桥梁数据的特点是数据量大，同时拥有相同的时间间隔，具有较为明显的周期性。
图2给出了短时预测桥梁数据上某一关键点的长时监测数据随时间的变化(未经过处理)，其中，x轴为监测的数据量，间隔为一天，y轴为某天对应的具体值。通过观测图2，我们发现数据具有较为明显的周期性波动趋势。
5.2对比模型及评价指标
对于预测来说，难度最大的是预测方法的选择。即使在相同的环境条件下，不同的预测方法也会得出不同的预测结果。为进一步验证本发明所提出模型的有效性，我们分别采用了6种模型进行对比。这些方法如下所示：
MA：移动平均。因为其构造简单，参数训练简单的优点，得到大量的使用。
ARIMA：整合移动平均自回归模型。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使序列更稳定的差分次数(一次为一阶)。
RNN：这是一种用于处理序列数据的神经网络，使用面很广。
Prophet：是由Face Book提出的用于时间序列预测的模型，该模型可以对周期性数据表现出良好的预测精度，且prophet的鲁棒性良好。
LSTM：是一种长短期记忆网络，它是一种特殊的RNN模型，它的提出在于解决了RNN模型梯度弥散的问题。
基于残差分析的LSTM-Prophet模型：本发明所提出的预测模型，有针对性的对周期数据采取对应的预测方法。
本发明采用均方根误差(RMSE)、平均相对误差绝对值(MAPE)和预测误差的方差(MSE)这三个传统的评价指标来检验模型的拟合效果和预测效果。三个指标定义分别为：
其中yi表示真实值，表示预测值。RMSE、MAPE和MSE值越小，被测方法理论上就应该越好，预测精度就应该越高。
5.3实验结果
由于数据集是通过传感器采集的，在实际采集的过程中，由于传感器老化或者人员操作失误等问题，采集的数据可能会产生奇异值和缺失值。为使整体的数据集能满足模型的训练要求，我们要对数据集进行预处理。
首先判断整体的连续性，对连续的时间序列进行检查，对缺失的时间进行补充，具体的数值先放空处理。再对缺失值进行补充，同时为了满足日期的连续性，采用前30个数据的平均值进行填充。
下图3是对短时数据的整体分析图，观察该图，我们可以发现随着时间的推移，应力数据整体呈现下降趋势和一定的周期性变化规律，并存在随机性，局部存在较大的波动特征。其中图4是截取当中一部分的数据，从中可以看出应力数据的波动范围比较大，具有非常明显的日周期性。针对这样的特性，采用prophet模型对整体数据进行预测。
首先将数据序列整体按7:3划分为训练集和预测集，通过prophet可以分解周期性的特点，将训练集整体带入到Prophet模型中，开始对数据里包含的各种特征进行分解预测。在参数的选择上由于数据的年限较短，所以舍弃年-周期性，采取日-周期和周-周期，并且合理的调整趋势的灵活度，最终得出模型进行预测。下面为通过prophet进行的趋势分解图。图5是增长趋势模型的展示，图6，图7是季节性模型(weekly，daily)的展示。
由图5可知，桥梁数据在(2020年1月到2020年4月)整体呈现下降的趋势，这也与应力的特点相符，温度越高，应力越低，而从1月到4月温度会一直上升，这就导致应力会逐渐下降。
图6反应了应力的周周期表现，通过观察应力在周五、周六和周日这三天的影响比其余几天高，并且在周五达到了峰值。
而通过观察图7，可以很明显的发现在白天(7点到17点)，温度肯定会上升，这也对应着应力肯定会下降，这也符合了温度越高，应力越低的关系。
在此之后需要对预测后的残差进行二次拟合预测。在多次实验比对之后决定LSTM模型的对应参数。迭代次数epochs为1000，batch-size＝256，损失函数为均方误差MSE，优化方法使用Adam。将预测好的残差添加到已经预测好的Prophet序列值上，得出组合预测模型的最终预测值，下图8为组合模型预测值和真实值之间的对比：由图可以看出，模型在前5步精度很高，在后面预测值略大于真实值，但整体的变化趋势相近，因此可以看出该模型的在预测方面具有较高的精度。
表2模型对比
表2给出了各模型预测结果的MAPE、MSE和RMSE值的对比，从表一中可以看出，ARIMA和RNN模型的预测精度较为接近，LSTM和Prophet在各指标上均低于其余三个模型，可见LSTM和Prophet在时序预测方面的表现优于MA、ARIMA和RNN模型，而Prophet+LSTM的集成优化模型在各个指标上都低于单个的LSTM和Prophet模型，模型性能更优。同时为了验证Prophet+LSTM的优势，对于另一组长时预测周期数据我们同样采用多种模型分别进行预测，它们的预测如下。
首先，我们将MA、ARIMA、RNN和LSTM四个模型的预测结果对比，分析对比传统的时间序列模型和深度学习模型在海量数据预测上的效果。图9给出了这四种模型的预测结果。从图中我们不难发现，相比于传统模型，深度学习模型的效果要好得多。MA模型在预测中，有部分趋势符合，但波动偏大，误差也偏大，预测效果最差。ARIMA在MA模型的基础上进行了差分，使得数据更加符合模型预测标准，所以ARIMA的预测波动较MA小了很多，更加符合数据的变化规律，但是整体的预测还是不如人意。对比传统预测模型，RNN模型在整体趋势上符合模型的走向，由于参数调整的问题导致预测波动出现问题。相比较RNN模型，LSTM则已经是比较完备的预测模型，预测出的值已经跟测试集很符合了，而且趋势比较符合实际。通过刚才的分析，我们确定采用LSTM方法作为我们的预测方法，接下来为了进一步提高预测的精度，
而图10(a)，图10(b)，图10(c)则代表LSTM模型、Prophet模型以及本发明提出的基于残差分析的Prophet-LSTM模型这三个模型的预测结果图。通过比较图10(a)和图10(b)，我们可以发现Prophet模型和LSTM模型对原有数据具有较高的拟合优度，通过表二中RMSE，MSE，MAPE三个指标的数值，也能看出两种单一模型的误差较低，整体的预测趋势也完全整确。仔细分析，Prophet模型还是要比LSTM模型精度更高。最终的Prophet-LSTM优化模型更是在prophet预测模型的基础上，再次提高了预测精度。通过对残差序列的预测将原始数据中的非线性成分添加到Prophet模型的预测上，使得得到的预测值更加符合原始序列的走向。下面的表3更是针对这些模型的MSE、RMSE和MAPE进行数值化的展示，通过这些数值可以更精确的比较各个模型之间的区别。
表3不同模型对短时数据对比
以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围内。

Claims (7)

1.一种基于多模型的桥梁应变应力数据预测方法，其特征在于，包括：
采集一段时间内桥梁应变应力数据，构成原始数据序列；
将原始数据序列输入至构建好的Prophet模型，提取一段时间内桥梁应变应力数据中的周期信号以及增长趋势，对周期信号以及增长趋势进行序列分解，捕捉序列分解后的各个趋势进行预测，获得Prophet预测序列；
将Prophet预测序列与原始数据序列作差，获得拟合后的残差序列；
将拟合后的残差序列输入至构建好的长短期记忆网络LSTM，获得残差预测序列；
将残差预测序列叠加到Prophet预测序列上，获得应变应力预测组合模型；
在应变应力预测组合模型中输入桥梁应变应力数据，获得桥梁检测结果。
2.如权利要求1所述的一种基于多模型的桥梁应变应力数据预测方法，其特征在于，还包括对采集到的桥梁应变应力数据进行预处理，其具体包括：
补充缺失时间对应的桥梁应变应力数据；
清洗桥梁应变应力数据数据，得到数据序列；
数据序列划分为训练集和预测集。
3.如权利要求1所述的一种基于多模型的桥梁应变应力数据预测方法，其特征在于，所述多种数据特征的数据序列，包括：
日周期桥梁应变应力数据序列项；
周周期桥梁应变应力数据序列项；
桥梁应变应力数据序列趋势项。
4.如权利要求3所述的一种基于多模型的桥梁应变应力数据预测方法，其特征在于，还包括Prophet模型的参数选择，其包括：
舍弃桥梁应变应力数据年-周期性数据。
5.如权利要求1所述的一种基于多模型的桥梁应变应力数据预测方法，其特征在于，还包括LSTM模型参数选择，其包括：
迭代次数epochs；
batch-size；
损失函数包括均方误差MSE；
优化方法使用Adam。
6.如权利要求1所述的一种基于多模型的桥梁应变应力数据预测方法，其特征在于，所述Prophet模型的算法，包括：
通过处理过的数据，扩展未来预测时间；
对处理过的数据的趋势，日周期，周周期，月周期进行分析；
采用公式1所示的加法模型，按照一定的权重相加，得出数据的预测值；
y(t)＝g(t)+s(t)+h(t)+ε(t)           (1)
其中，y(t)表示时间序列的预测值，g(t)表示时间序列数据的趋势项，包括饱和增长和分段线性在内的非周期变化，s(t)表示拟合数据里的周期项，h(t)表示时间序列里的节假目的影响，ε表示误差项。
7.如权利要求1所述的一种基于多模型的桥梁应变应力数据预测方法，其特征在于，所述长短期记忆网络LSTM算法包括：
通过公式(2)建立遗忘门来控制需要遗忘的数据；
ft＝σ(Wf·[ht-1，xt]+bf)         (2)
其中，ht-1表示上一时刻的LSTM输出值，xt表示当前时刻网络输入值；
通过公式(3)对输入门的控制计算；
it＝σ(Wi·[ht-1，xt]+bf)         (3)
通过公式(4)根据上一次的输出和本次的输入来计算当前时刻的输入；
Figure FDA0003695986490000021
通过公式(5)更新当前时刻的单元状态Ct；
Figure FDA0003695986490000022
Ct-1表示上一时刻的单元状态，it表示输入门；
通过通过公式(6)和通过公式(7)输出门，控制单元状态Ct有多少输入到LSTM的当前输入值h；
Ot＝σ(Wo[ht-1，xt]+bo)          (6)
ht＝Ot*tanh(Ct)                   (7)
其中，Wf、Wi、WC、Wo为各个控制门的权重矩阵，bf、bi、bC、bo为各控制门的偏置项，tanh和σ分别为tanh函数和sigmoid激活函数。
CN202210674669.3A 2022-06-15 2022-06-15 一种基于多模型的桥梁应变应力数据预测方法 Pending CN116011312A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202410115282.3A CN117972842A (zh) 2022-06-15 2022-06-15 一种基于Prophet+LSTM模型的桥梁应变应力数据预测方法
CN202210674669.3A CN116011312A (zh) 2022-06-15 2022-06-15 一种基于多模型的桥梁应变应力数据预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210674669.3A CN116011312A (zh) 2022-06-15 2022-06-15 一种基于多模型的桥梁应变应力数据预测方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202410115282.3A Division CN117972842A (zh) 2022-06-15 2022-06-15 一种基于Prophet+LSTM模型的桥梁应变应力数据预测方法

Publications (1)

Publication Number Publication Date
CN116011312A true CN116011312A (zh) 2023-04-25

Family

ID=86021769

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210674669.3A Pending CN116011312A (zh) 2022-06-15 2022-06-15 一种基于多模型的桥梁应变应力数据预测方法
CN202410115282.3A Pending CN117972842A (zh) 2022-06-15 2022-06-15 一种基于Prophet+LSTM模型的桥梁应变应力数据预测方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202410115282.3A Pending CN117972842A (zh) 2022-06-15 2022-06-15 一种基于Prophet+LSTM模型的桥梁应变应力数据预测方法

Country Status (1)

Country Link
CN (2) CN116011312A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法
CN112990556A (zh) * 2021-02-24 2021-06-18 江苏大学 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113065703A (zh) * 2021-03-31 2021-07-02 天津大学 一种结合多种模型的时间序列预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法
CN112990556A (zh) * 2021-02-24 2021-06-18 江苏大学 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113065703A (zh) * 2021-03-31 2021-07-02 天津大学 一种结合多种模型的时间序列预测方法

Also Published As

Publication number Publication date
CN117972842A (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN111967688A (zh) 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN105427138A (zh) 基于神经网络模型的产品市场占有率分析方法及系统
CN110738349A (zh) 基于多模型融合的电网故障抢修时长预测方法
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN113298288A (zh) 一种融合时间序列和神经网络的供电所运维成本预测方法
CN114707772B (zh) 基于多特征分解与融合的电力负荷预测方法及系统
CN111160659B (zh) 一种考虑温度模糊化的电力负荷预测方法
CN110909928B (zh) 能源负荷短期预测方法、装置、计算机设备及存储介质
CN115860286B (zh) 一种基于时序门机制的空气质量预测方法及系统
CN110852496A (zh) 一种基于lstm循环神经网络的天然气负荷预测方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN115130658B (zh) 基于非线性组合模型的水库滑坡位移预测方法及装置
CN116703644A (zh) 一种基于Attention-RNN的短期电力负荷预测方法
CN112767692A (zh) 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统
CN109146191B (zh) 一种基于泛蕴涵模型的短期电力负荷预测方法及系统
CN115217152B (zh) 一种沉管隧道管节接头张合变形的预测方法及装置
CN116628444A (zh) 一种基于改进元学习的水质预警方法
CN116011312A (zh) 一种基于多模型的桥梁应变应力数据预测方法
CN111435471A (zh) 一种基于lstm的供热用气量预测模型
Darvishi Salookolaei et al. Application of grey system theory in rainfall estimation
Basbous Fuzzy Models for Short Term Power Forecasting in Palestine
CN115222113B (zh) 基于cnn-lstm的铁路区域货运量短期预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230425