PSO优化LSTM时间序列的桥梁变形预测_汤昭辉.pdf

第 卷 第 期 年 月 北京测绘 引文格式：汤昭辉，徐金鸿 优化 时间序列的桥梁变形预测 北京测绘，（）：，（）：收稿日期 作者简介 汤昭辉（），男，重庆人，硕士在读，从事地质灾害监测预警工作。：优化 时间序列的桥梁变形预测汤昭辉 徐金鸿（重庆交通大学 智慧城市学院，重庆）摘 要 针对长短时记忆网络（）模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法（）对 模型的参数进行优化，提出 优化 神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与 模型和反向传播（）神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为.、平均绝对误差为.，进而验证了本文模型在桥梁位移预测的可行性和有效性。关键词 桥梁位移预测；粒子群算法；粒子群算法长短时记忆网络模型中图分类号 文献标识码 文章编号（）引言在桥梁的建造和运营期间，桥梁自身的原因和外因以及突发自然灾害等影响下都容易引发安全事故，造成生命财产损失等。因此，做好桥梁在运营期间或者建设期间的变形监测对掌握桥梁的位移情况显得特别重要。为了研究桥梁的位移变形机理，对其进行有效的预测，众多学者为此做出了卓越的贡献。变形分析的方法主要有回归分析法、时间序列分析法、插值法，灰色系统分析法，人工智能法。卡尔曼滤波、贝叶斯分析法、独立分量回归（，）等分析方法。虽然可以解决非线性系统等问题，但都忽略了监控对象的各监测点之间的时空相关性。而要顾及监测点之间的时间相关性和空间相关性，对变形体进行整体变形分析就需要使用时空变形分析的方法。栾元重利用径向基函数（，）神经网络建立了混沌时间序列预测模型在桥梁、滑坡预测中应用的相对广泛。而采用关联规则来挖掘滑坡变形过程中累积位移、变形加速度等与演化阶段的关联关系，为预测桥梁的位移情况提供了新的思路。郑迎凯通过差分方式将原始数据转化为平稳时间序列，同时利用自相关系数函数（，）、偏自相关函数（，）以及贝叶斯准则（，）对模型进行优化，最终建立了水平位移时间序列预测模型，对未来滑坡姿态进行预测。杨兆龙提出了基于主成分和多变量时间序列模型耦合的桥梁变形预测模型，通过对预测精度的分析验证，得出其对于桥面的变形分析预测具有一定的实用性。李西芝将数据挖掘中时间序列分析方法引入到桥梁应力监测数据分析中，提出了基于时间序列分析的桥梁应力监测预测，为桥梁应力监测数据处理和预警提供了新思路。综上，时间序列在桥梁的变形监测中取得了卓越的成绩，但很少有研究将改进的粒子群算法（，）和长短时记忆网络（北京测绘第 卷 第 期，）联合用于桥梁的位移变形预测模型中，本文为了克服单独使用 预测模型对于数据精度无法把控的问题，引入了基于 优化 时间序列的预测模型，以达到提高桥梁位移预测精度的目的，为桥梁在变形监测中提供一种行之有效的方法。实验原理与方法 时间序列基本原理传统神经网络无法做到“持久性”，下一个神经元无法通过上一个神经元的结果进行推断，为了解决这一实际问题科学家提出一种递归神经网络（，）。是一种包含循环的允许信息持久化的神经网络。其中 可以看作神经网络的一个缩影，接受某一时刻输入的 然后输出对应的 一个回路的信息递进就完成了。将回路拆分开用一个连续的序列进行表示可以更直观地了解其运行的机理如图 所示。图 循环神经网络一个循环神经网络是由若干个相同的基本单元连接而成的，每一个基本单元的信息都可以传递到下一个基本单元。传统的 模型的有效信息与预测点相隔较远所以信息的持久性低，而 时间序列模型有效地解决了这个问题。模型的核心主要由记忆元组（）和非线性的门单元（）这两个组成，其中记忆元组用于保持系统的状态，非线性的门单元用于在每一个时间点调节流入和流出记忆元组的信息。每个递归的神经网络都可以分解成无数个基本重复单元，在 中，使用了四个神经网络层并且彼此之间以一种特殊的关系进行交互如图 所示。的主要算法如下。（，）（）（，）（）图 长短时间序列网络层 （，）（）（）（，）（）（）（）式中，为遗忘门；为输入门；代表当前输入状态；代表当前时刻状态；表示输出；表示最终输出；为遗忘权值；为遗忘偏置；为输入权值；为输入偏置；代表输出权值；代表输出偏置。粒子群算法基本原理粒子群算法是一种由 和 共同提出的生物仿生算法。该算法可以在求解空间中通过已有的数据寻找最优的解。与其他优化算法的根本不同之处在于它仅仅只需要目标函数，也不依靠目标梯度或任何的微分形式。具体表述为在某目标搜索空间集合中，存在一个种群大小为 的粒子群，该粒子在某一时刻的状态分别由速度、位置 个向量控制。粒子的速度为（，）（）式中，表示粒子在 时刻的速度；表示 时刻粒子在 维度上的速度；表示速度的维度。粒子的位置为(，）（）式中，表示粒子在 时刻的位置；表示 时刻粒子在 维度上的位置。粒子的位置更新由惯性方向，个体最优方向，群体最优方向三个指标共同决定。粒子群位置更新公式为()（）（）()|（）第 卷 第 期汤昭辉，徐金鸿 优化 时间序列的桥梁变形预测（）式中，为粒子在 时刻的速度；为粒子在 时刻的位置；为惯性权重；为当前迭代次数；为完成的最大迭代次数；，为 之间的随机数；为粒子经验部分所占的权重；为粒子源于其他粒子经验部分所占的权重；为 时刻在 在维度上最佳位置；为 时刻在 维度上整个种群的最佳位置。公式（）引入惯性因子 目的是为了对 有效地调节全体搜索能力和部分搜索能力，当 值较大时，粒子群算法的全体搜索结果较好，部分搜索结果较差；相反，则粒子群算法的全体搜索结果较差，部分搜索结果较好。其算法流程主要分为三步。（）初始化：设置常数、随机初始化粒子的速度和位置、设置迭代计数器。（）优化：计算每个粒子的代价函数。通过判断 与 的大小，更新粒子的速度和位置。（）满足目标要求即停止。优化 的桥梁位移预测模型 与 模型神经网络相结合综合了两者的优点。种群规模、学习率、迭代次数、维度等是选取最优效果的变量，通过不断更新粒子的速度，位置从而得到最优的模型参数。迭代次数、惯性因子及权重直接影响实验结果的准确性。因此，将 与 模型相结合得到的结果更具有说服性。优化神经网络的实质是利用粒子群算法找出最适合的惯性因子与权重。并将最合适参数赋给 神经网络在通过 进行预测。模型流程如图 所示。图 位移预测模型流程详细步骤如下：（）初始化种群粒子并根据情况设好相关参数。（）设 为粒子群的适度函数。（）找到粒子及粒子群的最佳位置。（）更新全体最优的粒子，以及粒子群的位置。（）判断是否满足收敛条件，若不满足继续迭代计算，满足则输出最优结果和权重。（）将优化的参数赋给 神经网络，对 神经网络进行训练和预测。实验与分析 数据来源为了解桥梁在运营期间桥体的整体形变状况，以及验证建立的桥梁变形预测模型性能，选取桥墩顶监测点实际位移作为研究样本，样本获取时间为 年 月 日 年 月 日，图 为数据的具体情况。图 桥梁实际位移变形值该点在监测时间段内总体处于偏移状态，在局部随机性和波动性的作用下变形位移值具有明显的上下浮动，但整体上表现为非线性和弱周期。因此，为了减少噪声干扰在使用预测模型前先对数据进行异常值处理，使预测精度提高。参数设置为了得到最佳的模拟效果，对原始数据进行初步处理，剔除明显的异常值。利用 软件对其进行编程分析。桥梁变形主要受温度，降雨量，施工扰动等因素的影响，根据经验设定 各项参数，通过模型运行最优的学习率为.迭代次数达到 次时效果最佳，粒子群中的参北京测绘第 卷 第 期数、均设为，设为.，适应度函数采用平均绝对误差（）。评价指标及分析本文提出了一种 优化 时间序列桥梁位移预测模型对变形状态进行预测。通过对 算法中迭代次数权重以及惯性因子的处理达到对 优化的目的，同时也可以去除人为因素的主观干扰。粒子群算法对数据进行了处理在后期运行模型时，速度明显提升。通过均方根误差（）、平均绝对误差（）、预测准确度（）以及拟合度作为评价模型精度的重要指标。若其数值越小，表示预测精度越好；若数值越大，则说明预测效果不明显。试验结果如图 所示。可以发现 模型的预测值和真实值前期差异比较明显，中后期的差异相对较小，效果不佳。分析图 可以看出在反向传播（，）神经网络模型预测时预测值与真实值之间整体差异较大。分析图 可以发现优化额的 模型整体效果较好，预测值与真实值之间的差异也相对较小。图 将三种模型综合分析，可以得出相比之下优化的 具有明显的优势，曲线拟合能力也相对较强，整体上的误差也小于其他两种模型。图 模型 位移预测值图 模型 位移预测值图 模型 位移预测值图 ，模型 预测结果比较分析表 可知，在所有的预测模型中，模型具有相对优势，通过与 神经网络模型和 模型相比，分别降低了、；分别降低了、；分别降低了、；综上 模型优于其他两个传统模型。表 各个模型评价指标对比预测模型评价指标 预测模型.神经网络模型.预测模型.结束语（）组合模型能够有效运用于桥梁位移预测研究，所建模型的均方根误差为.、平均绝对误差为.，模型在桥梁位移预测方面表现出巨大的应用潜力。（）从试验结果可以得出组合模型更加优于单个模型，组合模型在保持各自的优点的同时也弥补了自身的缺陷，使预测的结果与第 卷 第 期汤昭辉，徐金鸿 优化 时间序列的桥梁变形预测实际值更加的接近。相对准确地预测了桥梁的变形情况，验证了 模型的应用于桥梁位移预测可行性。参考文献 潘家宝，戴吾蛟 时空 滤波及其在地面沉降监测数据处理中的应用 工程勘察，（）：杨栋 在役桥梁结构安全风险评估及变形预测研究 武汉：武汉理工大学，刘运桥 灰色系统分析方法在冶金安全生产中的应用 中国金属通报，（）：杜琨 变形监测数据处理的方法研究 长沙：中南大学，伍锡锈 动态变形监测中的 滤波方法研究 长沙：中南大学，（）：魏冠军，党亚民，章传银，等 顾及不确定性影响的变形概率预报法 测绘学报，（）：，（）：栾元重，梁耀东，董岳，等 桥梁水平位移混沌特征识别与神经网络预测研究 大地测量与地球动力学，（）：刘小珊，罗文强，李飞翱，等 基于关联规则的滑坡演化阶段判识指标 地质科技情报，（）：郑迎凯，周志桦，陈致富，等 基于时间序列模型的边坡位移预测研究 福建建设科技，（）：杨兆龙，章媛，岳东杰 主成分多变量时间序列模型及其在桥梁变形预测中的应用 现代测绘，（）：李西芝，章世祥 时间序列分析在桥梁应力监测数据预警中的应用 湖南交通科技，（）：胡卫东，曹文贵 基于粒子群 网络混合算法的边坡稳定性评价 铁道科学与工程学报，（）：高瑞卿 基坑变形小波去噪及 神经网络预测模型研究 北京测绘，（）：，（，）：（），（），（），.，：；（）（）