甘肃陇源数码测绘有限公司 甘肃 兰州 730030
摘 要:沉降变形监测中,研究如何对监测的沉降数据进行处理,预测沉降量,对可能出现的安全隐患做出预判有着很重要的实际意义。本文基于神经网络模型、小波分析和奇异谱分析(SSA,Singular spectrum analysis)的相关理论,构建起SSA-小波神经网络变形预测模型,并将模型应用于地铁工程沉降预测中。通过对地铁累计沉降量观测数据进行预测,结果表明相比于单独的小波神经网络模型,SSA-小波神经网络模型的预测效果更佳稳定,且随着训练样本的增加,预测结果与实际情况更加符合。
关键词:奇异谱分析;小波分析;神经网络;变形预测;地铁沉降
近些年来,随着社会经济发展与城市建设不断推进,地铁逐渐成为人们日常出行中必不可少的交通工具之一。因此,地铁的安全运行也已引起人们足够的重视,为了避免地铁运行过程中可能存在的安全隐患,研究如何通过有限的地铁沉降监测数据构建起变形预测模型,以快速预测与分析将来某一时刻的变形具有重要的意义。目前,对于沉降数据的处理方法有很多,如自回归模型、时间序列分析、卡尔曼滤波、小波分析、GM(1,1)模型等均在沉降监测数据处理中取得了一定的成果[1]。对于沉降变形监测数据的处理,奇异谱分析(SSA,Singular spectrum analysis)的研究与应用还较少。
奇异谱分析主要分为三个步骤,分别为轨迹矩阵构建、奇异值分解与序列重构。假设有一个以为时间序列X={xi|i=1,2,...,n},对其进行奇异谱分析分为[3]:
(1)构建轨迹矩阵。嵌入维数M的选择对于奇异谱分析效果至关重要,奇异谱分析前,首先确认合适的嵌入维数M(2≤M≤n/2),其中n表示时间序列长度。确认好嵌入维数后,构建一个M×K的轨迹矩阵,其中K=n-M+1,轨迹矩阵可表示为:
(1)
(2)奇异值分解。通过式(1)无法直接求得轨迹矩阵的特征值与特征向量,需先构建时滞矩阵C=XXT,求得时滞矩阵的特征值li与特征向量Ui。时滞矩阵第i个特征值所对应的特征向量就是时间序列中第i个主分量。第一主分量表现时间序列的最大变化趋势,除第一主分量外,第二主分量表现剩余时间序列的最大变化趋势,依次类推,将较小特征值对应的特征向量视为噪声项。
设d=min{M,K},定义 ,此时轨迹矩阵的特征值与左、右特征向量就可表示为 、Ui与Vi。构建初等矩阵:
(2)
轨迹矩阵就可表示为:
(3)
(3)序列重构。原序列在UK上的正交投影系数可以表示为第k个时间主分量,有:
(4)
式(4)中, 表示序列为{xi+1,xi+2,...,xi+l}时,UK反映的时间演变模型所占权重。
小波神经网络模型主要由3个部分构成,一是输入层,二是隐含层,三是输出层,通过激励函数传递各节点之间的信息[5]。与BP神经网络模型不同的是,小波神经网络模型利用小波函数代替激励函数,信号向前传播与误差反向传播同时进行,本文使用的小波函数维Morlet小波函数。
小波分析在时频域都有着较强的局部优化能力,对于非线性函数,小波分析都有着很好的逼近效果[7]。所以在神经网络模型的基础上引入小波分析,可以强化神经网络优点,更适合学习快速变化与局部非线性函数。
目前,众多学者已对变形时间序列进行了分析研究,得出变形时间序列具有以下三个特征:(1)趋势项成分;(2)周期项成分;(3)噪声成分。在进行小波神经王网络模型处理数据前,引入奇异谱分析方法,构建综合数据处理模型。首先使用奇异谱分析对数据进行预处理,提取变形时间序列的趋势项成分和周期项成分,充分体现奇异谱分析强大的去噪能力与信号提取能力。将经奇异谱分析处理后的数据作为输入数据,原始观测数据作为期望输出数据。本文构建组合模型的具体步骤为:
(1)平稳性分析。通过计算原始序列自相关系数,分析原始序列的平稳性,并通过SSA滤波法得到实现奇异谱分析的关键参数如嵌入维数与重构阶数。
(2)趋势项判定。异谱分析对时间序列进行分析时中,某一重建成分RCK是否为趋势项可以通过Kendall非参数检验进行识别与判定。计算满足xi,K<xj,k的指标数Kτ,统计量τ为:
(5)
原假设为:RCK是趋势项成分不成立,那么可以得到τ是服从均值为0、均方差为S的正态分布。S表示为:
(6)
取置信度a=0.05,若τ<-1.96S或τ<-1.96S,那么认为原假设不成立,此时RCK即是趋势项成分。
本文使用相对误差评价指标对模型预测效果进行评定,评定预测结果是否符合要求。首先计算绝对误差序列e(0)={e(0)(1),e(0)(2),...,e(0)(n)},其中 。相对误差q={q1,q2,...,qn},其中 。
为了验证奇异谱分析-小波神经网络模型在沉降监测时间序列预测中的效果,选择北京市地铁一号线某结构监测区中的一个监测点40期沉降监测数据进行分析。将前34期沉降数据作为训练样本,后6期沉降数据与组合模型预测值进行对比分析。首先通过原始序列的自相关系数p对原始序列的平稳性进行分析,自相关系数可表示为:
(7)
式(7)中,u表示序列均值;S表示序列方差。
表1 两种模型预测结果对比/mm
预测期数 | 实际累计变化量 | 小波神经网络模型预测值 | 小波神经网络模型预测残差值 | SSA-小波神经网络模型预测值 | SSA-小波神经网络模型预测残差值 |
35 | 8.16 | 8.89 | -0.73 | 8.51 | -0.35 |
36 | 8.18 | 8.93 | -0.75 | 8.45 | -0.27 |
37 | 8.22 | 9.19 | -0.97 | 7.82 | 0.40 |
38 | 8.24 | 9.46 | -1.22 | 7.86 | 0.38 |
39 | 8.20 | 9.34 | -1.14 | 8.45 | -0.25 |
40 | 8.23 | 9.61 | -1.38 | 7.82 | 0.41 |
通过表1可知,与SSA-小波神经网络模型相比,小波神经网络模型预测值的残差值更大,SSA-小波神经网络模型预测值更加接近实际值,其预测的优越性明显。通过分析表1可知,SSA-小波神经网络模型对于地铁沉降监测数据的处理中,预测准确性高,精度与性能都较为稳定。
SSA方法可以有效降低噪声对模型预测的干扰,将SSA方法与小波神经网络模型相结合,可以更好地对非线性数据进行预测。本文将小波神经网络模型与SSA-小波神经网络模型进行对比分析,并且使用两种模型分别对地铁监测点沉降进行了预测。通过预测结果可以得到两种预测模型所得到的预测值与实际值相近,但是相比于单一的小波神经网络模型,SSA-小波神经网络模型的预测精度与稳定性都更高,表明组合模型充分发挥了SSA方法的优势,建立了更优的预测模型,对于地铁沉降的长期预测有着很好的应用效果。下一步的研究方向为组合模型的最大预测长度。
参 考 文 献
[1] 王璐,桂占飞.GM-ARMA-BP组合模型在建筑物沉降预测中的应用[J].北京测绘,2019,33(09):1038-1042.
[2] 张育锋,李图南.基于灰色支持向量机的地铁沉降滚动预测[J].北京测绘,2016(02):44-48.