[发明专利]基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法

说明书

本发明公开了一种基于CNN‑LSTM模型的铁路沿线区域地面沉降预测预警方法，该方法提出的CNN‑LSTM组合模型提升了多维特征提取能力，增强了模型预测准确率；同时提出了一种基于网格单元划分铁路沿线区域地面沉降值预测方法，对监测区域的各个网格单元进行单独的沉降值预测；另外，对铁路沿线区域地面沉降提出了基于平均累计沉降值、平均沉降速度、沉降面积、最大沉降累计值、沉降不均匀系数等多种沉降预测指标数据进行沉降风险预警计算处理；并且提出了三种常用场所隧道、桥梁、路基的铁路地面沉降预警模型。针对隧道、桥梁、路基三种场所，选择不同的沉降预测指标数据进行风险预警计算处理，得到更为精确的预警结果。

技术领域

本发明涉及基于机器学习的地质灾害预测预警领域，具体涉及一种基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法。

背景技术

地面沉降又称地面下沉或地陷，它是指地表受到自然因素以及人为因素的影响形成的区域性连续缓慢的下降运动。地面沉降一直以来是值得关注的地质灾害之一。

随着高铁列车运行速度的不断提升，为了确保列车行驶的安全性和舒适性，对铁路沿线区域的地面平整性提出了更高要求。对于速度超过250千米/小时的高速列车行驶过程中，如果存在轨道不均匀而产生的振动作用会远远大于普通的铁路，导致旅客的舒适感难以保障。为此，对铁路沿线的地面沉降进行实时预测预警，及时掌握铁路沿线是否会发生地面沉降现象，采取措施确保铁路运行的安全稳定是十分必要的。

为了实现铁路地面沉降风险监测预警，需要对铁路沿线区域的地面沉降形变值进行实时监测，并通过监测形成的时间序列数据预测未来一段时间内铁路沿线区域地面沉降值变化，并评价沉降风险等级，从而实现沉降风险预警。由于地面沉降受内外多因素影响导致地表形态变化，即便对地面沉降预测可以基于实时监测所形成时间序列形变值进行预测，但该类时间序列每一个观测值是受内外因素共同影响，再加上铁路沿线区域不同场所的地面结构差异，其地表面沉降值预测是一类复杂的工程问题。现阶段对于时间序列值的预测主要有两大类方法：时序模型方法、深度时序模型方法。时序模型方法较为简单，它是通过曲线拟合和参数估计来建立数学模型预测未来时间的值。常用的时序模型有如下四种：自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)、自回归差分移动平均模型(ARIMA)。其中以ARIMA模型最为常见。深度时序模型方法指通过深度学习算法结合多变量数据集进行训练，得到根据多因素数据进行预测的模型方法。其中最经典模型为循环神经网络(RNN)和长短期记忆人工神经网络(LSTM)。

以ARIMA为主的时间序列模型适用较小的数据集，但是不具备长时间序列的预测。RNN神经网络相对ARIMA更为复杂，且能满足大数据预测分析的需求，但是其梯度爆炸或者梯度消失的问题会导致预测精准度降低，也不满足长时间序列的预测。LSTM可对RNN梯度爆炸以及梯度消失的问题进行解决。在LSTM中，通过三个门部件控制信息的流入和流出，即采用σ(x)(sigmoid函数)进行控制，避免了梯度爆炸或者梯度消失的问题。因此LSTM是长时间序列预测问题解决的首选模型。

沉降预测是一类长时间序列预测。在铁路沿线区域不仅需要考虑监测点位置的沉降，还需考虑监测点区域面积范围的沉降。同时铁路沿线区域的地面沉降受众多因素影响，如气温、土壤温度、土壤湿度、土压力、地形地貌、地层岩性、地质构造等。此外，在铁路沿线区域实现全面的沉降值预测，还需解决监测区域范围的合理划分，以及如何实现在线沉降值预测等问题。

目前地面沉降风险等级预警普遍根据监测的地面沉降速度以及沉降值来进行风险判断。若沉降速度或者累计沉降值到达某个阈值，则进行风险预警。但是对于铁路沿线区域的地面沉降等级风险预警，不局限于地面沉降实时监测值预警，更注重地面沉降预测预警，即更关注铁路沿线区域地面未来沉降风险的防范。此外，铁路沿线区域地面沉降预测预警还需考虑路轨、桥梁、隧道等不同场所地面沉降风险的诱因差异。因此，设计出一种适用于铁路区域地面沉降的预测预警方法是十分必要的。

本发明将针对地面沉降值预测以及地面沉降风险等级预警两个方面，给出适用于铁路区域沿线的地面沉降预测预警方法。