[发明专利]一种基于LSTM网络的地铁隧道施工时沉降新型预测方法

权利要求书

1.一种基于LSTM网络的地铁隧道施工时沉降新型预测方法，其特征在于：包括以下步骤：

1)获取沉降数据：数据为一段时间内某观测点的连续沉降数据，数据量大于50个；

2)处理数据：使用Python内置Pandas库里面的diff()函数，对数据进行差分，使数据变得稳定；

3)使用Python内置的Keras框架，搭建LSTM沉降位移预测模型，并进行训练；

4)使用Python内置pandas库里面的shift()函数，通过shift()函数将步骤2)中处理后的数据变成有监督数据；

5)将数据进行划分：划分方式为：将一部分数据划分为训练集，另一部数据划分为测试集，并把数据进行标准化处理；

6)加载训练集：设置初始参数，训练LSTM沉降位移预测模型；根据RSME的值确定是否使用网格搜索法进行参数寻优，从而使RSME的值在有限步长内取最小值；重复训练，确定最佳参数，使用测试集测试LSTM沉降位移预测模型的准确率，直到满足LSTM沉降位移预测模型的精度的要求，在LSTM沉降位移预测模型满足精度要求后，LSTM沉降位移预测模型训练完成；

7)加载训练完成的LSTM沉降位移预测模型，进行新数据的预测，输出预测值y；

8)通过逆标准化和逆差分得到数据；逆标准化的公式为逆标准化公式其中表示模型预测值，y_max表示测试输出结果中的最大值，y_min表示测试输出结果的中的最小值，y表示测试输出结果；逆差分公式为：Y_i表示逆差分后的结果，Y_i-1表示测试数据，表示模型预测值。

2.根据权利要求1所述的基于LSTM网络的地铁隧道施工时沉降新型预测方法，其特征在于：步骤6)中，LSTM沉降预测模型分为三层，分别为输入层，隐藏层，输出层；采用网格搜索法进行参数寻优，找出最佳隐藏层节点数。

3.根据权利要求1所述的基于LSTM网络的地铁隧道施工时沉降新型预测方法，其特征在于：步骤6)中，超参的选择包括学习速率、训练次数、神经元个数；其中，学习速率选择为0～1之间；训练次数选择为任意正整数；神经元个数选择为任意正整数。

4.根据权利要求1所述的基于LSTM网络的地铁隧道施工时沉降新型预测方法，其特征在于：步骤5)中，采用归一法进行数据标准化，将数据归一化到0～1之间，归一法的公式为：其中，y_i表示归一后的数据，x_i表示差分后的数据，x_max为差分后数据的最大值，x_min为差分后的最小值。

5.根据权利要求1所述的基于LSTM网络的地铁隧道施工时沉降新型预测方法，其特征在于：在步骤7)中，选用均方根误差RMSE为误差函数，网络训练采用Adam优化算法，其中，X_i为预测值，y_i为观察值。