基于EOF-SSA-SVM时空模型的地表沉降预测方法

摘要

本发明提供一种基于EOF‑SSA‑SVM时空模型的地表沉降预测方法：将各监测点的地表沉降时间序列构成沉降时空矩阵；利用经验正交函数将沉降时空矩阵分解为空间模态和历史时间序列，并筛选出地表沉降的主要沉降特征；将筛选后的历史时间序列分为训练集和测试集；结合训练集数据，采用麻雀搜索算法对支持向量机预测模型的惩罚参数和核函数参数进行优化，获得优化后的支持向量机预测模型；优化后的支持向量机预测模型根据测试集数据进行预测，获得预测时间序列；运用经验正交函数将筛选后的空间模态和预测时间序列进行重构和反算，获得最终的地表沉降预测结果。本发明充分考虑时间和空间序列之间的联系，预测结果具有较高的准确性和可靠性。

说明书

技术领域

本发明涉及地表沉降预测技术领域，具体涉及一种基于EOF-SSA-SVM时空模型的地表沉降预测方法。

背景技术

随着城市轨道交通的发展，地铁隧道工程也对其施工工艺等提出了更高的要求。城市地铁沿线一般交通繁忙、建筑物和地下管线遍布，其施工环境复杂多变。地铁在盾构开挖过程中的扰动作用使隧道沿线附近的地表发生一定程度的沉降；此外盾构隧道环境下，土层含水层总厚度大、含水量较为丰富，也使得施工区地表沉降更加难以控制。如果地层产生显著位移，则会破坏区域平衡、威胁人员安全，此时需要及时调整及优化掘进参数，严格控制出土量及掘进速度，使进尺量与出土量均衡，以维持工作面土压平衡，保证施工质量和安全。因此，地表沉降预测对隧道施工安全尤为重要，国内外学者也开展了大量研究。

根据地表沉降预测原理的差异，将预测方法主要分为：Peck公式法、解析法、数值模拟法、机器学习法等。传统的地表沉降预测方法具有准确性低、计算复杂、实际应用困难等局限性，均难以实现精确、高效的预测。近几年来，人工智能的发展迅速，机器学习被广泛应用于各种工程领域，并且取得了很多相关成果，但是基础的机器学习预测模型无法捕捉地表沉降的完整信息。考虑到地铁隧道盾构掘进的过程所产生的沉降变形受到多种因素影响，地铁盾构隧道工程问题的复杂性、非线性、多因素耦合性等诸多特点，寻求高效的优化算法已成为地表沉降预测的主要研究热点之一。

此外，目前地表沉降预测主要针对时间或空间序列单独进行研究，获取到的模型信息具有片面性、单一性，无法完整精确地体现监测数据之间的潜在联系及变化规律，鲜少有学者探究地表沉降的时空相关性，所以不同预测维度之间的耦合应用是对复杂问题进行更深入研究的总体趋势。

综上所述，急需一种基于EOF-SSA-SVM时空模型的地表沉降预测方法以解决现有技术中存在的问题。

发明内容

本发明目的在于提供一种基于EOF-SSA-SVM时空模型的地表沉降预测方法，旨在解决现有技术对于地表沉降预测未考虑时间和空间序列之间的联系，获取到的模型信息具有片面性、单一性，导致监测准确性较低的问题，具体技术方案如下：

一种基于EOF-SSA-SVM时空模型的地表沉降预测方法，包括以下步骤：

步骤S1：将各监测点的地表沉降时间序列构成沉降时空矩阵；

步骤S2：利用经验正交函数将沉降时空矩阵分解为空间模态和历史时间序列，按照方差贡献率筛选出地表沉降的主要沉降特征；并将筛选后的历史时间序列分为训练集和测试集；

步骤S3：结合训练集数据，采用麻雀搜索算法对支持向量机预测模型的惩罚参数和核函数参数进行优化，获得优化后的支持向量机预测模型；

步骤S4：优化后的支持向量机预测模型根据测试集数据进行预测，获得预测时间序列；

步骤S5：运用经验正交函数将筛选后的空间模态和预测时间序列进行重构和反算，获得最终的地表沉降预测结果。

以上技术方案中优选的，所述步骤S1具体是：设置m个区域沉降监测点，将各监测点的n个历史时间数据构成沉降时空矩阵D

以上技术方案中优选的，所述步骤S2具体是：

将沉降时空矩阵D

计算数据矩阵X

计算C

PC

计算各特征值的方差贡献率，并根据方差贡献率大小筛选出主要沉降特征；其中方差贡献率P

以上技术方案中优选的，保留方差贡献率大于0.001的为主要沉降特征。

以上技术方案中优选的，所述步骤S3具体包括：

步骤S3.1：初始化参数，包括种群规模、发现者和警戒者个数比例、最大迭代次数以及优化参数目标上下限；

步骤S3.2：计算麻雀的适应度值，并根据适应度值进行排序，选出当前最优和最劣适应度值以及两者对应的位置信息；

步骤S3.3：更新发现者、加入者和警戒者的位置信息；

步骤S3.4：对麻雀种群的位置状态进行更新，并且根据麻雀种群的当前位置状态计算适应度值；

步骤S3.5：如果满足停止条件，则以训练集数据为输入，输出最优参数结果；

如果不满足停止条件，则返回步骤S3.2；

步骤S3.6：将获得的最优参数结果输入到支持向量机预测模型中，获得优化后的支持向量机预测模型。

以上技术方案中优选的，所述步骤S3.5中，若达到优化参数目标上下限或者最大迭代次数，则输出最优参数结果。

以上技术方案中优选的，所述最优参数结果为惩罚参数和核函数参数。

应用本发明的技术方案，具有以下有益效果：

现有地表沉降预测将时间和空间特征剥离进行单一研究，具有一定片面性，本发明在地铁盾构隧道工程条件下，提出了基于地表沉降时间规律和空间特征的时空融合方法，采用经验正交函数(EOF)分解能够实现时间和空间维度的耦合以及冗余信息的剔除，从而在提高准确性的同时减少计算量；传统人工智能预测模型稳定性和精确度较低，本发明运用麻雀搜索算法优化的支持向量机预测模型，SSA的搜索寻优效果好且收敛速度快，利用麻雀觅食和捕食行为特征从全局角度出发寻求最佳预测参数，进而有效提升SVM的预测性能；基于EOF-SSA-SVM时空模型的盾构施工地表沉降预测方法将时空特性、全局寻优、以及非线性预测相结合，通过数据归一化克服量级差异，充分挖掘数据信息获得较高的准确性，能够为地表沉降提供实时控制和预警。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明预测方法的流程图；

图2是试验案例中监测点1在四种模型中的预测效果；

图3是试验案例中监测点2在四种模型中的预测效果。

具体实施方式

为了便于理解本发明，下面将对本发明进行更全面的描述，并给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例1：

参见图1，一种基于EOF-SSA-SVM时空模型的盾构施工地表沉降预测方法，该方法结合时空相关性特征和麻雀搜索优化算法，具有准确度高、适用性强、使用简便等优势，具体包括以下步骤：

步骤S1：将各监测点的地表沉降时间序列构成沉降时空矩阵；

优选的，所述步骤S1具体是：设置m个区域沉降监测点，将各监测点的n个历史时间数据构成沉降时空矩阵D

步骤S2：利用经验正交函数(EOF)将沉降时空矩阵分解为空间模态和历史时间序列，按照方差贡献率筛选出地表沉降的主要沉降特征；并将筛选后的历史时间序列分为训练集和测试集。

优选的，所述步骤S2具体是：

将沉降时空矩阵D

计算数据矩阵X

计算C

PC

其中，EOF

计算各特征值的方差贡献率，并根据方差贡献率大小筛选出主要沉降特征，从而剔除冗余数据，从而简化计算；其中方差贡献率P

本实施例中优选，保留方差贡献率大于0.001的为主要沉降特征，当然本领域人员也可以根据实际情况对其进行调整。

步骤S3：结合训练集数据，采用麻雀搜索算法(SSA)对支持向量机(SVM)预测模型的惩罚参数和核函数参数进行优化，获得优化后的支持向量机预测模型。

优选的，所述步骤S3具体包括：

步骤S3.1：初始化参数，包括种群规模、发现者和警戒者个数比例、最大迭代次数以及优化参数目标上下限；

步骤S3.2：计算麻雀的适应度值，并根据适应度值进行排序，选出当前最优和最劣适应度值以及两者对应的位置信息(最优适应度值对应的位置信息和最劣适应度值对应的位置信息)；

步骤S3.3：更新发现者、加入者和警戒者的位置信息；

具体地，根据公式4)更新发现者的位置信息，根据公式5)更新加入者的位置信息，根据公式6)更新警戒者的位置信息：

式4)中：X

式5)中：X

式6)中：X

步骤S3.4：对麻雀种群的位置状态进行更新，并且根据麻雀种群的当前位置状态计算适应度值；

步骤S3.5：如果满足停止条件，则以训练集数据为输入，输出最优参数结果；

如果不满足停止条件，则返回步骤S3.2；

具体地，在步骤S3.5中，若达到优化参数目标上下限或者最大迭代次数，则输出最优参数结果；若未达到优化参数目标上下限或者最大迭代次数，则返回步骤S3.2；

步骤S3.6：将获得的最优参数结果输入到支持向量机预测模型中，获得优化后的支持向量机预测模型。具体地，所述最优参数结果为惩罚参数和核函数参数。

在运用麻雀搜索算法时引入了发现者、加入者和警戒者，发现者和加入者可以动态转换，但是发现者和加入者的数量比重不变，同时根据公式分别更新发现者、加入者和警戒者的位置，从全局出发寻求SVM中最优惩罚参数c和核函数参数g。

步骤S4：优化后的支持向量机预测模型根据测试集数据进行预测(需对测试集数据进行处理后再进行预测，具体请参见现有技术)，获得预测时间序列；

步骤S5：运用经验正交函数将筛选后的空间模态和预测时间序列进行重构和反算，获得最终的地表沉降预测结果。

试验案例：

在本试验案例中，以中国东部沿海地区某地铁盾构隧道为例，选取线路邻近建筑物周边15个地表沉降监测点的监测值构成沉降时空矩阵，采用其2020年1月6日至2020年9月5日共计244天的沉降数据，采集频率为1次/天。

为了考察区域沉降的变化特征，将沉降数据集(即沉降时空矩阵)进行EOF分解，前六个特征向量构成的沉降场的方差贡献率均大于0.001，其方差贡献分别为0.967028、0.013664、0.010776、0.002711、0.001659、0.001147。前六个沉降场的累计贡献率高达99.7％，包含了空间沉降的主要信息，具有精确描述沉降场特征的能力，选取前六个沉降场进行后续建模。

为了考察结合时空特性和SSA-SVM模型的预测效果，同时将单一SVM、麻雀搜索算法优化后的SSA-SVM、以及EOF-SVM模型用于各监测点的沉降值预测。为了便于对比各模型和监测点的预测效果，引入平均绝对误差(MAE)、均方根误差(RMSE)以及决定系数(R

最终结合沉降场和时间系数预测值的反算重构获取各监测点的沉降变化，以监测点1、2的预测结果为例，如图1和图2所示。通过对比，EOF-SSA-SVM模型下各个监测点的评价指标均明显优于其他模型，EOF-SVM模型次之，在四种模型中SVM的预测效果最差，可见本实施例的方法中EOF和SSA过程均能有效提升地表沉降预测模型的准确性。

参见图1和图2，EOF-SSA-SVM模型平均绝对误差和均方根误差较SVM模型最高缩减89.76％、86.59％，而其决定系数最高提升4.66％，可见本实施例的方法在地表沉降预测中具有较高的准确性和可靠性，能够有效预测地表沉降趋势。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。