[发明专利]一种基于多模型的桥梁应变应力数据预测方法

权利要求书

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；

f_t＝σ(W_f·[h_t-1，x_t]+b_f)         (2)

其中，h_t-1表示上一时刻的LSTM输出值，x_t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；

i_t＝σ(W_i·[h_t-1，x_t]+b_f)         (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C_t；

C_t-1表示上一时刻的单元状态，i_t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C_t有多少输入到LSTM的当前输入值h；

O_t＝σ(W_o[h_t-1，x_t]+b_o)          (6)

h_t＝O_t*tanh(C_t)                   (7)

其中，W_f、W_i、W_C、W_o为各个控制门的权重矩阵，b_f、b_i、b_C、b_o为各控制门的偏置项，tanh和σ分别为tanh函数和sigmoid激活函数。