[发明专利]基于PCA-LSTM神经网络的地表沉降预测方法

说明书

本发明公开了基于PCA‑LSTM神经网络的地表沉降预测方法，首先通过主成分分析法和方差贡献率从监测数据中提取出有效特征信息，获得少量且相互独立的变量，对其进行有效降维。再将提取出的主要沉降特征输入LSTM神经网络进行地表沉降特征学习，获取剔除了观测噪声和冗余信息的影响的最优模型预测值，根据特征根重构为各监测点预测值，提高了预测精度。通过主成分分析处理前后的数据维度、方差贡献率以及累计方差贡献率之间的比较，更好的保留了原始样本数据的特征信息，并对特征进行提取，有效降低了原始数据维度；并以此作为预处理，从而降低了神经网络中输入数据的维度，节省了其训练时间及成本；该方法预测变化更加接近于真实沉降值，误差较低。

技术领域

本发明涉及地表沉降预测技术领域，具体是基于PCA-LSTM神经网络的地表沉降预测方法。

背景技术

地表沉降是自然及人为因素共同作用导致地壳表面标高降低的一种工程地质现象。由于城市化建设不断推进，人类对自然资源的需求量日益增加，不断开采地下流体及固体资源，导致地震、火山活动、构造下沉等一系列自然灾害频发，使得世界各地的地表沉降问题越发严重。不均匀的地表沉降对房屋、铁路、公路等工程建筑设施带来灾难性后果，造成难以估量的经济损失和人员伤亡。目前地表沉降监测手段有全站仪监测、GNSS自动化监测、时序雷达干涉测量等，但沉降趋势的预测方法尚未完善。因此，如何高精度、高效率地对地表沉降问题进行预测分析成为业界研究的热点问题。

诸多学者通过各种方法对地表沉降进行预测研究。其中，主要应用于工程实践的预测方法有时间序列法、灰色预测方法、BP神经网络方法、支持向量机(support vectormachine,SVM)等。刘娜等利用时间序列方法对桥梁变形进行拟合预报研究，该方法能够通过建立时间序列处理平稳且具有零均值的数据，但非平稳数据会在差分处理时被消除导致长序列方法的精度不高；刘忠贺等以高精度电子水平仪为试验设备，设计试验模拟工程竣工后的沉降变形，采用灰色模型和线性回归方法对试验数据进行处理分析并预报，结果表明两种方法均适用于变形沉降数据处理中的预报工作。灰色预测方法适用于短期的预报分析，可以在信息量匮乏的条件下建立数学方法，但无法准确预报数量较多且波动性较大的数据；晏红波等针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解和遗传BP神经网络的大坝变形监测数据预测方法，结果表明BP神经网络方法适合于通过特定的学习函数来训练网络解决内部复杂化的问题，但不能解决大范围预测问题，易陷入局部最优的状况；杨恒等提出了一种支持向量机和时间序列分析相结合的预测模型，将大坝的变形序列分为非线性部分和线性部分使用两种方法分别预测，结果表明支持向量机具有良好的非线性特性，但难以选择核函数与核参数且运算速度较慢。

现有的地表沉降预测方法是基于深度学习的地表沉降预测通常采用LSTM神经网络进行。LSTM神经网络是针对RNN网络的缺陷进行优化改进而成一种深度神经网络，其基本思想是增加一个能够判断数据信息之间的规律及相关性的判断元胞结构。此结构主要是通过sigmoid激活函数对需要传递的信息进行判断，其输出值是在0和1之间的概率值，当变量信息满足其阈值量时，则输出“1”，表示全部变量允许通过；反之则为“0”，表示全部变量不允许通过。此结构传递信息，只是通过将信息进行元胞之间的传递，在很大程度上避免与其他部分之间产生线性关系，使得信息的丢失速度变慢，记忆能力更加持久。LSTM神经网络结构如图3所示。

图3中，h和C分别为元胞结构中两条状态链，在LSTM神经网络中是随时间变化逐层进行传递的。其中h为隐藏层状态链，C为元胞状态链。在隐藏层中，前一时刻输入值为h_t-1、当前时刻输出值为h_t、当前时刻变量输入值为x_t；在LSTM记忆元胞中，前一时刻和当前时刻的状态值分别为为C_t-1和C_t。