CN116757303A - 一种沉降预测方法、系统和设备 - Google Patents
一种沉降预测方法、系统和设备 Download PDFInfo
- Publication number
- CN116757303A CN116757303A CN202211137269.5A CN202211137269A CN116757303A CN 116757303 A CN116757303 A CN 116757303A CN 202211137269 A CN202211137269 A CN 202211137269A CN 116757303 A CN116757303 A CN 116757303A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- neural network
- historical
- settlement
- 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
Links
- 238000004062 sedimentation Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 134
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种沉降预测方法、系统和设备,该方法包括:获取目标建筑物或构筑物的历史监测数据,所述历史监测数据包括多源监测数据;对所述历史监测数据进行处理,得到历史数据序列;建立基于多源监测数据的LSTM神经网络沉降预测模型,将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练;将所述历史监测数据输入至已训练的LSTM神经网络沉降预测模型中,输出目标建筑物或构筑物的沉降预测序列,并对所述沉降预测序列进行趋势分析。本发明能够提高不同场景下沉降数据预测的准确性,实现沉降的全自动监测与预警。
Description
技术领域
本发明涉及沉降监测及预测技术领域,具体地,涉及一种沉降预测方法、系统和设备。
背景技术
建筑物或构筑物的不均匀沉降是造成建筑物或构筑物局部构件或整体结构损伤破坏的主要原因之一,其可能造成严重的安全事故从而导致直接经济损失并危及人员生命安全。同时,若无法对建筑物或构筑物的不均匀沉降进行提前感知与预测,构件损伤破坏发生后的加固与修复将可能是复杂且昂贵的。提高不同场景下沉降数据的预测精度对预防和减少不均匀沉降所造成的损失具有重要的现实意义。
目前,传统的建筑物或构筑物沉降监测的技术手段主要为人工实地测量和沉降监测传感网络的布置。前者运用全站仪等测量仪器对项目设置的控制点进行现场测量,通过人工数据分析获取沉降基本信息,需要消耗大量人力物力与时间成本。而后者则通过对静力水准仪等监测仪器的布置,实时获取被测建筑物或构筑物的相对沉降情况,该方法可以实现沉降数据的远程感知,有效减少了监测与运维成本。土体沉降受自身地质条件、历史数据、降雨、温湿度、人类工程活动等多种因素影响,一般呈现非线性演化特征,是一个具有强随机性的非线性动态系统。然而上述传统监测手段大多基于静态数据分析,只能对相对沉降单一发展趋势进行评价。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种沉降预测方法、系统和设备,可以提高不同场景下沉降数据预测的准确性,实现沉降的全自动监测与预警。
根据本发明的第一方面,提供一种基于LSTM神经网络与多源监测数据的沉降预测方法,该方法包括:
获取目标建筑物或构筑物的历史监测数据,所述历史监测数据包括多源监测数据;
对所述历史监测数据进行处理,得到历史数据序列;
建立基于多源监测数据的LSTM神经网络沉降预测模型,将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练;
将所述历史监测数据输入至已训练的LSTM神经网络沉降预测模型中,输出目标建筑物或构筑物的沉降预测序列,并对所述沉降预测序列进行趋势分析。
进一步地,所述历史监测数据包括沉降监测数据和环境参数监测数据,其中,所述环境参数监测数据包括温度、湿度和降水量时序数据。
进一步地,所述对所述历史监测数据进行处理,包括:对所述历史监测数据进行归一化处理并构建数据库,得到所述历史数据序列,所述历史数据序列包括沉降历史监测数据和环境参数历史监测数据。
进一步地,所述将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练,其中:
根据输入变量的个数确定神经网络超参数;
所述LSTM神经网络沉降预测模型的输出变量为沉降预测序列;
通过最小化沉降预测值与实测值之间差值进行训练,以获取LSTM神经网络沉降预测模型各神经元节点参数。
进一步地,所述将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练,包括:
所述LSTM神经网络沉降预测模型将历史数据序列中的数据划分为相同时间片子单元处理,通过输入门向量、遗忘门向量、输出门向量的学习迭代,实现对前置子单元信息的提取与表征。
进一步地,在所述对所述沉降预测序列进行趋势分析之后,还包括:根据趋势分析的结果,生成并发送预警信息。
根据本发明的第二方面,提供一种基于LSTM神经网络与多源监测数据的沉降预测系统,用于实现上述的基于LSTM神经网络与多源监测数据的沉降预测方法,该系统包括:
数据获取模块,用于获取目标建筑物或构筑物的历史监测数据,所述历史监测数据包括多源监测数据;
数据处理模块,用于对所述历史监测数据进行处理,得到历史数据序列;
预测模型训练模块,用于建立基于多源监测数据的LSTM神经网络沉降预测模型,将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练;
沉降预测模块,用于将所述历史监测数据输入至已训练的LSTM神经网络沉降预测模型中,输出目标建筑物或构筑物的沉降预测序列,并对所述沉降预测序列进行趋势分析。
进一步地,所述数据获取模块包括数据采集模块和数据传输模块;
所述数据采集模块通过在目标建筑物或构筑物沉降测点布置基于传感器网络的数据采集网络,采集目标建筑物或构筑物的监测数据;
所述数据传输模块用于将数据采集模块所采集的数据实时传输至数据处理模块。
进一步地,还包括沉降预警模块,所述沉降预警模块用于根据趋势分析的结果,生成并发送预警信息。
根据本发明的第三方面,提供一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行上述的方法。
与现有技术相比,本发明具有如下至少之一的有益效果:
1、本发明结合历史沉降信息和环境参数信息如温度、湿度、降水量等多元感知数据,利用LSTM神经网络对不同条件的建筑物或构筑物沉降数据进行训练和拟合,可以对沉降时序数据的非线性演化特征进行高精度表达。
2、本发明综合考虑了目标建筑物或构筑物的不同特点以及实际环境条件,可以对不同场地条件下的沉降数据进行精准预测,其所提供的交互信息可以为相关运维人员提供低成本、高效率、高精度的沉降实时管理方案。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例的沉降预测系统进行沉降预测的示意图;
图2为本发明一实施例的神经网络模型的内部结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
随着人工智能技术日益革新并大量应用于建筑风险源提前感知,其在非线性映射能力和高精度函数逼近等方面表现出优越性能。诸如长短期记忆(LSTM)人工神经网络等人工智能算法可以用来对沉降的非线性演化过程实现高精度描述,并可以通过引入各类环境特征,实现基于多源监测数据的沉降综合评价与预测。
为此,本发明实施例提供一种基于LSTM神经网络与多源监测数据的沉降预测方法,适用于对不同类型建筑物或构筑物沉降情况的预测与评价,参照图1,该方法包括:
获取目标建筑物或构筑物的历史监测数据,该历史监测数据包括多源监测数据,即该历史监测数据为多源历史监测数据;
对历史监测数据进行处理,得到历史数据序列;
建立基于多源监测数据的LSTM神经网络沉降预测模型(简称LSTM神经网络模型),将历史数据序列作为训练样本,对LSTM神经网络沉降预测模型进行训练;
将历史监测数据输入至已训练的LSTM神经网络沉降预测模型中,输出目标建筑物或构筑物的沉降预测序列,并对沉降预测序列进行趋势分析。
在一些具体的实施方式中,历史监测数据包括沉降监测数据和环境参数监测数据,其中,环境参数监测数据包括但不限于温度、湿度和降水量时序数据。本发明实施例结合历史沉降信息和环境参数信息如温度、湿度、降水量等多元感知数据,利用LSTM神经网络对不同条件的建筑物或构筑物沉降数据进行训练和拟合,可以对沉降时序数据的非线性演化特征进行高精度表达,提高不同场景下沉降数据预测的准确性。
在一些具体的实施方式中,通过数据采集网络获取历史监测数据,数据采集网络包括沉降监测网络和环境参数监测网络。沉降监测网络用于获取沉降监测数据,包括静力水准仪、连通管、水箱、数据采集器等设备;其中,静力水准仪所采集监测点沉降数据由一系列沉降绝对值时序数列组成,通过参考测点的标定,计算不同测点与参考测点间的沉降差,以表征目标建筑物或构筑物的不均匀沉降。环境参数监测网络包括在目标建筑物或构筑物上布置的温度传感器、湿度传感器、雨量传感器、室外气象站等设备,或基于互联网开源温度、湿度、降水量数据等开源历史数据库,获取目标建筑物或构筑物所处空间环境温度、湿度、降水量等环境参数监测数据。对于温度、湿度降水量等环境因素数据,可由单次获取的数据时序表征,也可由一段时间内的最高、最低、平均值等统计特征值表征。
数据传输方式包括由传感器数据采集终端、分布式网关、公网数据传输协议、云端或本地数据接收端口等组成的现场分布式有线传输网络,实现采用有线数据传输方式进行数据传输的传感器网络的数据传输。可选地,数据传输方式包括由传感器无线发送设备、无线传输协议(物联网、WiFi、Lora、ZigBee等)、分布式网关、公网数据传输协议、云端或本地数据接收端口等组成的现场分布式无线传输网络,实现采用无线数据传输方式进行数据传输的传感器网络的数据传输。
在一些具体的实施方式中,对历史监测数据进行处理,包括:对历史监测数据进行归一化处理并构建数据库,该数据库包括图1中的沉降数据库和环境参数数据库,得到历史数据序列即多源历史监测数据序列,相应的,历史数据序列包括沉降数据库中的沉降历史监测数据和环境参数数据库中的环境参数历史监测数据。
具体的,考虑到多源数据之间的量纲差异,需要对采集获取的多源数据进行归一化处理,以实现较好的神经网络训练结果。其中,归一化数据可表示为:E[x]为数据样本平均值,Var[x]为数据样本方差,经过归一化后可以将不同量纲的变量进行统一处理。
根据目标建筑物或构筑物实际情况与监测需求,确定沉降监测点布置方案,并布置基于传感器网络的数据采集网络,采集监测目标建筑物或构筑物相关监测数据并通过不同数据传输方式发送至数据处理装置进行数据库的构建与归一化处理。
处理数据即历史数据序列作为预测模型输入变量,实现LSTM神经网络的训练。在一些具体的实施方式中,将历史数据序列作为训练样本,对LSTM神经网络沉降预测模型进行训练,其中:根据输入变量的个数确定网络层数、各层节点个数及输入、输出序列长度等神经网络超参数;LSTM神经网络沉降预测模型的输出变量为沉降预测序列;选择已处理得到的多源历史监测数据序列作为训练样本,训练数据包含各类监测目标建筑物或构筑物相关多源监测数据,在训练过程中通过最小化沉降预测值与实测值之间差值进行训练,即需满足精度要求,以获取LSTM神经网络沉降预测模型各神经元节点参数,从而确定用于后续沉降预测计算的LSTM神经网络沉降预测模型计算参数。
在一些具体的实施方式中,将历史数据序列作为训练样本,对LSTM神经网络沉降预测模型进行训练,包括:LSTM神经网络沉降预测模型将历史数据序列中的数据即时序数据划分为相同时间片子单元处理,通过输入门向量、遗忘门向量、输出门向量的学习迭代,完成对前置子单元信息的提取与表征,从而实现考虑历史数据时序相关性的神经网络沉降预测模型的构建。
具体地,在云端或本地服务端建立基于多源监测数据的LSTM神经网络沉降测模型。通过布置于云端或本地服务端的数据接收端口获取由不同数据传输方式所传输的相关监测数据,进行归一化处理并构建数据库。选择数据库存储的数据序列作为训练样本,训练数据包含各类监测目标建筑物或构筑物相关多源监测数据,在训练过程中通过最小化沉降预测值与实测值之间差值来进行训练,以获取LSTM神经网络模型各节点参数。
本实施例中LSTM神经网络沉降预测模型内部结构如图2所示。该神经网络为链式结构,其将历史数据序列中的时序数据划分为相同时间片子单元处理,第t个时间片子单元对应处理第t个输入数据且考虑第t-1个时间片子单元传来的单元状态Ct-1与隐节点状态ht-1,并将本子单元计算得到的单元状态Ct与隐节点状态ht传递至下一子单元。
对于第t个输入数据与第t-1个时间片子单元传来的隐节点状态ht-1,本实施例中神经网络模型通过式(1)获取遗忘门向量ft以表征上一子单元所学习到的信息在本子单元中的留存程度,其每个元素均位于[0,1]范围之内,ft为0代表“完全遗忘”,ft为1代表“完全保留”。式(1)中Wf和bf分别为对应权重系数矩阵与偏置项,σ为sigmoid激活函数。同时,本实施例中神经网络模型通过式(2)、式(3)获取输入门向量it及单元状态更新值/>其中输入门向量it每个元素均位于[0,1]范围之内,用于控制单元状态更新值/>在更新本子单元状态Ct时的留存程度,it为0代表“完全不更新”,it为1代表“完全更新”。式(2)中Wi和bi分别为对应权重系数矩阵与偏置项,σ为sigmoid激活函数。式(3)中WC和bC分别为对应权重系数矩阵与偏置项。
输入数据经过遗忘门向量ft与输入门向量it后,有价值历史信息将得到保留,无价值信息将被去除,本子单元状态通过式(4)将历史单元状态与更新状态进行结合,完成单元状态Ct的更新。
为了获得预测值并完成隐节点状态ht的更新,通过式(5)、式(6)获取输出门向量ot及本子单元隐节点状态ht。输出门向量ot每个元素均位于[0,1]范围之内,用于控制单元隐节点状态ht更新程度,ot为0代表“完全不更新”,ot为1代表“完全更新”。式(5)中Wo和bo分别为对应权重系数矩阵与偏置项,σ为sigmoid激活函数。
ht=ot*tanh(Ct) 式(6)
从而实现训练LSTM神经网络沉降预测模型以进行沉降预测与策略评价。
进行沉降预测时,将上述多源历史监测数据作为输入数据输入至已训练LSTM神经网络模型中,输出监测目标建筑物或构筑物预测沉降值,并对预测序列进行趋势分析,以确定后续监测与运维策略。
在一些具体的实施方式中,在对沉降预测序列进行趋势分析之后,还包括:根据趋势分析的结果,生成并发送预警信息。
具体的,确定用于预测的沉降及其他相关实测历史数据序列,该模型可综合考虑环境影响因素并将其作为输入变量进行模型的训练,考虑的因素包括温度、湿度、降水量等;将上述多源历史监测数据作为输入数据输入至已训练LSTM神经网络模型中,输出监测目标建筑物或构筑物预测沉降值,并对预测序列进行趋势分析判断,利用预测数据实现后续监测与运维策略的制定。沉降预警处理过程装配于数据分析所处的云端或本地服务端,当上述沉降预测算法得到的目标建筑物或构筑物沉降预测值超出了系统设定的沉降阈值,或沉降线性拟合得到的斜率明显增大,则认为被监测沉降发生劣化,通过短信、邮件等方式向相关运维管理人员发送预警信息。上述预警信息可针对不同阈值进行分级管理与预警,从而实现沉降的全自动监测与预警。
本发明实施例综合考虑了目标建筑物或构筑物的不同特点以及实际环境条件,可以对不同场地条件下的沉降数据进行精准预测,其所提供的交互信息可以为相关运维人员提供低成本、高效率、高精度的沉降实时管理方案。
本发明实施例还提供一种基于LSTM神经网络与多源监测数据的沉降预测系统,用于实现上述的基于LSTM神经网络与多源监测数据的沉降预测方法,继续参照图1,该系统包括:
数据获取模块,用于获取目标建筑物或构筑物的历史监测数据,该历史监测数据包括多源监测数据;
数据处理模块,用于对历史监测数据进行处理,得到历史数据序列;
预测模型训练模块,用于建立基于多源监测数据的LSTM神经网络沉降预测模型,将历史数据序列作为训练样本,对LSTM神经网络沉降预测模型进行训练;
沉降预测模块,用于将历史监测数据序列输入至已训练的LSTM神经网络沉降预测模型中,输出目标建筑物或构筑物的沉降预测序列,并对沉降预测序列进行趋势分析。
在一些具体的实施方式中,数据获取模块包括数据采集模块和数据传输模块;数据采集模块通过在目标建筑物或构筑物沉降测点布置基于传感器网络的数据采集网络采集目标建筑物或构筑物的监测数据;具体地,数据采集模块所布置的数据采集网络,包括由静力水准仪、连通管、水箱、数据采集器等设备构成的沉降监测网络,获取沉降时序数据;以及由温湿度传感器、雨量传感器、室外气象站等设备构成的环境数据监测网络,或基于互联网等开源历史数据库,获取温度、湿度、降水量等时序数据。数据传输模块用于通过在目标建筑物或构筑物沉降测点布置传感器数据传输网络,将数据采集模块所采集的数据实时传输至数据处理模块;具体地,数据传输模块所布置的数据传输网络,包括:针对采用有线数据传输方式进行数据传输的传感器网络,布置由传感器数据采集终端、分布式网关、公网数据传输协议、云端或本地数据接收端口组成的现场分布式有线传输网络;或者针对采用无线数据传输方式进行数据传输的传感器网络,布置由传感器无线发送设备、无线传输协议(物联网、WiFi、Lora、ZigBee等)、分布式网关、公网数据传输协议、云端或本地数据接收端口组成的现场分布式无线传输网络。数据处理模块通过布置于云端或本地服务端的数据接收端口获取由数据传输模块所传输的相关监测数据,进行归一化处理并构建数据库。
在一些具体的实施方式中,预测模型训练模块通过在云端或本地服务端建立基于多源监测数据的LSTM神经网络沉降测模型,根据输入变量的个数确定网络层数、各层节点个数及输入、输出序列长度等神经网络超参数,神经网络的输出变量为沉降预测序列。选择已处理得到的多源历史监测数据序列作为训练样本,训练数据包含各类监测目标建筑物或构筑物相关多源监测数据,在训练过程中通过最小化沉降预测值与实测值之间差值来进行训练,以获取LSTM神经网络模型各节点参数。沉降预测模块确定用于预测的沉降及其他相关实测历史数据序列,将上述多源历史监测数据作为输入数据输入至已训练LSTM神经网络模型中,输出监测目标建筑物或构筑物预测沉降值,并对预测序列进行趋势分析判断,以确定后续监测与运维策略。
在一些具体的实施方式中,还包括沉降预警模块,沉降预警模块用于根据趋势分析的结果,生成并发送预警信息。具体地,当上述沉降预测模块得到的目标建筑物或构筑物沉降预测值超出了系统设定的沉降阈值,或沉降线性拟合得到的斜率明显增大,则认为被监测沉降发生劣化,通过短信、邮件等方式向相关运维管理人员发送预警信息。上述预警信息可针对不同阈值进行分级管理与预警,从而实现沉降的全自动监测与预警。
需要说明的是,本发明实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,本发明实施例提供的装置与方法实施例属于同一发明构思,其具体实现过程详见方法实施例,装置实施例具有与方法实施例相同的有益效果,这里均不再赘述。
本发明实施例还提供一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时可用于执行上述的基于LSTM神经网络与多源监测数据的沉降预测方法。本发明实施例提供的设备与方法实施例属于同一发明构思,其具体实现过程详见方法实施例,设备实施例具有与方法实施例相同的有益效果,这里均不再赘述。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下,可以任意组合使用。
Claims (10)
1.一种基于LSTM神经网络与多源监测数据的沉降预测方法,其特征在于,包括:
获取目标建筑物或构筑物的历史监测数据,所述历史监测数据包括多源监测数据;
对所述历史监测数据进行处理,得到历史数据序列;
建立基于多源监测数据的LSTM神经网络沉降预测模型,将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练;
将所述历史监测数据输入至已训练的LSTM神经网络沉降预测模型中,输出目标建筑物或构筑物的沉降预测序列,并对所述沉降预测序列进行趋势分析。
2.根据权利要求1所述的基于LSTM神经网络与多源监测数据的沉降预测方法,其特征在于,所述历史监测数据包括沉降监测数据和环境参数监测数据,其中,所述环境参数监测数据包括温度、湿度和降水量时序数据。
3.根据权利要求2所述的基于LSTM神经网络与多源监测数据的沉降预测方法,其特征在于,所述对所述历史监测数据进行处理,包括:对所述历史监测数据进行归一化处理并构建数据库,得到所述历史数据序列,所述历史数据序列包括沉降历史监测数据和环境参数历史监测数据。
4.根据权利要求1所述的基于LSTM神经网络与多源监测数据的沉降预测方法,其特征在于,所述将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练,其中:
根据输入变量的个数确定神经网络超参数;
所述LSTM神经网络沉降预测模型的输出变量为沉降预测序列;
通过最小化沉降预测值与实测值之间差值进行训练,以获取LSTM神经网络沉降预测模型各神经元节点参数。
5.根据权利要求1所述的基于LSTM神经网络与多源监测数据的沉降预测方法,其特征在于,所述将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练,包括:
所述LSTM神经网络沉降预测模型将历史数据序列中的数据划分为相同时间片子单元处理,通过输入门向量、遗忘门向量、输出门向量的学习迭代,实现对前置子单元信息的提取与表征。
6.根据权利要求1所述的基于LSTM神经网络与多源监测数据的沉降预测方法,其特征在于,在所述对所述沉降预测序列进行趋势分析之后,还包括:根据趋势分析的结果,生成并发送预警信息。
7.一种基于LSTM神经网络与多源监测数据的沉降预测系统,用于实现权利要求1-6任一项所述的基于LSTM神经网络与多源监测数据的沉降预测方法,其特征在于,包括:
数据获取模块,用于获取目标建筑物或构筑物的历史监测数据,所述历史监测数据包括多源监测数据;
数据处理模块,用于对所述历史监测数据进行处理,得到历史数据序列;
预测模型训练模块,用于建立基于多源监测数据的LSTM神经网络沉降预测模型,将所述历史数据序列作为训练样本,对所述LSTM神经网络沉降预测模型进行训练;
沉降预测模块,用于将所述历史监测数据输入至已训练的LSTM神经网络沉降预测模型中,输出目标建筑物或构筑物的沉降预测序列,并对所述沉降预测序列进行趋势分析。
8.根据权利要求7所述的基于LSTM神经网络与多源监测数据的沉降预测系统,其特征在于,所述数据获取模块包括数据采集模块和数据传输模块;
所述数据采集模块通过在目标建筑物或构筑物沉降测点布置基于传感器网络的数据采集网络,采集目标建筑物或构筑物的监测数据;
所述数据传输模块用于将数据采集模块所采集的数据实时传输至数据处理模块。
9.根据权利要求7所述的基于LSTM神经网络与多源监测数据的沉降预测系统,其特征在于,还包括沉降预警模块,所述沉降预警模块用于根据趋势分析的结果,生成并发送预警信息。
10.一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可用于执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137269.5A CN116757303A (zh) | 2022-09-19 | 2022-09-19 | 一种沉降预测方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137269.5A CN116757303A (zh) | 2022-09-19 | 2022-09-19 | 一种沉降预测方法、系统和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757303A true CN116757303A (zh) | 2023-09-15 |
Family
ID=87952042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211137269.5A Pending CN116757303A (zh) | 2022-09-19 | 2022-09-19 | 一种沉降预测方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757303A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114214A (zh) * | 2023-10-25 | 2023-11-24 | 辽宁东科电力有限公司 | 一种变电站设备基础沉降预测方法及系统 |
CN117972397A (zh) * | 2024-03-28 | 2024-05-03 | 四川省地质矿产勘查开发局成都综合岩矿测试中心(国土资源部成都矿产资源监督检测中心) | 基于大数据的大气干湿沉降模型模拟优化监测方法和介质 |
-
2022
- 2022-09-19 CN CN202211137269.5A patent/CN116757303A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114214A (zh) * | 2023-10-25 | 2023-11-24 | 辽宁东科电力有限公司 | 一种变电站设备基础沉降预测方法及系统 |
CN117114214B (zh) * | 2023-10-25 | 2024-01-05 | 辽宁东科电力有限公司 | 一种变电站设备基础沉降预测方法及系统 |
CN117972397A (zh) * | 2024-03-28 | 2024-05-03 | 四川省地质矿产勘查开发局成都综合岩矿测试中心(国土资源部成都矿产资源监督检测中心) | 基于大数据的大气干湿沉降模型模拟优化监测方法和介质 |
CN117972397B (zh) * | 2024-03-28 | 2024-05-31 | 四川省地质矿产勘查开发局成都综合岩矿测试中心(国土资源部成都矿产资源监督检测中心) | 基于大数据的大气干湿沉降模型模拟优化监测方法和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639748B (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
CN116757303A (zh) | 一种沉降预测方法、系统和设备 | |
Pal et al. | M5 model tree based modelling of reference evapotranspiration | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN112560270B (zh) | 一种化学危害同化系统 | |
Karvelis et al. | Ensemble learning for forecasting main meteorological parameters | |
Ardiansyah et al. | Rain detection system for estimate weather level using Mamdani fuzzy inference system | |
Chen et al. | Combining stochastic weather generation and ensemble weather forecasts for short-term streamflow prediction | |
Moghadam et al. | Investigating the performance of data mining, lumped, and distributed models in runoff projected under climate change | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
CN113536665B (zh) | 基于特征工程和lstm的路表温度短临预测方法及系统 | |
Rojas-Campos et al. | Postprocessing of NWP precipitation forecasts using deep learning | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN116202575B (zh) | 一种水土保持土壤流失率监测系统及方法 | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
Zanella et al. | Internet of things for hydrology: Potential and challenges | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、系统及装置 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
Wang et al. | Robust state-of-charge estimation method for lithium-ion batteries based on the fusion of time series relevance vector machine and filter algorithm | |
Cannas et al. | Neural network models to forecast hydrological risk | |
CN110909943A (zh) | 一种多尺度多因子联合驱动的月径流概率预报方法 |
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 |