[发明专利]一种地铁隧道台阶法施工地表沉降预测方法及系统

权利要求书

1.一种地铁隧道台阶法施工地表沉降预测方法，其特征在于，包括以下步骤：

获取原始地表沉降序列数据；

对所述原始沉降数据进行处理；

对处理后的所述原始地表沉降序列数据进行VMD分解，得到不同中心模态的子序列以及一个残差，各所述子序列按中心频率从低到高依次排列；

根据各所述子序列和所述残差对GRU神经网络的超参数进行设定并优化；

对优化后的所述GRU神经网络进行训练，之后输入各所述子序列与所述残差得到各所述子序列的预测分量和所述残差的预测分量；将各所述预测分量结果进行叠加得出地表沉降预测值。

2.根据权利要求1所述的一种地铁隧道台阶法施工地表沉降预测方法，其特征在于，获取所述原始地表沉降序列数据的方法包括：在高程控制网的基础上，对地铁四周地面的各个测点的竖向位移变化进行监测来获得。

3.根据权利要求1所述的一种地铁隧道台阶法施工地表沉降预测方法，其特征在于，对所述原始沉降数据处理的方法包括：将所述原始地表沉降序列数据中的间隔期数据，采用两端数据的均值将其补足，使整个沉降数据时间序列的频率为1Hz。

4.根据权利要求1所述的一种地铁隧道台阶法施工地表沉降预测方法，其特征在于，对所述原始地表沉降序列数据进行VMD分解的方法包括：将所述数据分别按K数进行试分解，得到不同K数所对应中心频率分布图，基于所述中心频率分布图，获得最佳本征模态分量数K；结合最佳本征模态分量数K对所述原始沉降数据进行分解，得到K个不同中心模态的子序列以及一个残差。

5.根据权利要求1所述的一种地铁隧道台阶法施工地表沉降预测方法，其特征在于，所述GRU神经网络包括更新门、重置门和输出门；

GRU神经网络将LSTM网络中的遗忘门和输入门合并成一个更新门，保留原有的重置门，并且学习LSTM门控网络的优点来更新细胞状态和隐藏状态；更新门用于描述过去时刻特征信息对现在特征信息的影响程度，其阈值越大说明前时刻特征信息对现在影响越大；重置门用于描述过去时刻的状态特征信息被丢弃的程度，其阈值越小说明对过去信息丢弃越多。

6.根据权利要求1所述的一种地铁隧道台阶法施工地表沉降预测方法，其特征在于，通过GRU神经网络对各所述子序列与所述残差进行训练的方法包括：

前向传播，沿序列传播方向依次对输入的各所述子序列进行权重运算输出目标向量；

经与测试集对比后通过目标函数输出误差；

反向传播对权重进行更改，以此提取时间序列特征；

所述前向传播数学运算过程如下：

式中：h_t-1与h_t为不同时刻的隐藏层向量，X_t为输入数据，U、w为权重参数，为门控激活函数sigmoid，输出值为0到1，tanh作为生成候选记忆时的激活函数，⊙为哈达玛积符号，z_t、r_t、h_t′分别为更新门、重置门、候选状态。

7.一种地铁隧道台阶法施工地表沉降预测系统，其特征在于，包括数据收集模块、数据处理模块、分解模块、优化模块和预测模块；

所述数据收集模块用于获取原始地表沉降序列数据；

所述数据处理模块用于对所述原始沉降数据进行处理；

所述分解模块用于对处理后的所述原始地表沉降序列数据进行VMD分解，得到不同中心模态的子序列以及一个残差，各所述子序列按中心频率从低到高依次排列；

所述优化模块用于根据所述子序列和所述残差对GRU神经网络的超参数进行设定并优化；

所述预测模块用于对优化后的所述GRU神经网络进行训练，之后输入各所述子序列与所述残差得到各所述子序列的预测分量和所述残差的预测分量；所述预测模块还用于将各所述预测分量结果进行叠加得出地表沉降预测值。

8.根据权利要求7所述的一种地铁隧道台阶法施工地表沉降预测系统，其特征在于，所述数据处理模块的工作流程包括：将获取的所述原始地表沉降序列数据中的间隔期数据，采用两端数据的均值将其补足，使整个沉降数据时间序列的频率为1Hz。