[发明专利]一种基于BP‑时间序列融合的地铁结构变形预报方法

摘要

本发明公开了一种基于BP‑时间序列融合的地铁结构变形预报方法，包括以下的步骤S1通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性；S2构建时间序列预测模型并对地铁结构变形数据进行预测；S3构建BP‑时间序列融合模型，利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿。本发明通过将时间序列模型与BP神经网络结合起来，利用神经网络在非线性变化数据拟合方面的优势对时间序列预测模型的误差进行补偿，对地铁结构变形随时间的变化特性进行了充分的挖掘，预报精度高、稳定性好。

主权项

一种基于BP‑时间序列融合的地铁结构变形预报方法，其特征在于：包括以下的步骤：S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性：整理地铁结构变形数据，对于缺失的数据采用三次多项式插值法进行插值，以得到均匀采样的地铁结构变形时间序列，并根据实际工程学习样本和检验样本；经过分析后，确定与地铁结构变形时间序列当天的变形值yk关联度大的前n天的变形值，设前n天的变形值为x1、x2、…、xn，其中，xi＝yk‑n‑1+i，i＝1，……，n；因此，时间序列预测模型确定为y′k＝f(x1,x2,…,xn)；S2：构建时间序列预测模型并对地铁结构变形数据进行预测：根据步骤S1中得到的地铁结构变形随时间的变化特性，对地铁结构变形时间序列进行分析处理，确定时间序列预测模型的类型和阶数，构建时间序列预测模型，并用时间序列预测模型对地铁结构变形进行预测；地铁结构变形时间序列当天的变形值为yk，由时间序列预测模型获得的变形值为y′，则原始地铁结构变形值与时间序列预测模型所得变形值的差值Δy为yk‑y′；S3：构建BP‑时间序列融合模型：利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿：将BP神经网络模型与时间序列预测模型相结合，建立网络结构为(n+1)×p×1的BP‑时间序列融合模型，其中，BP‑时间序列融合模型的输入层节点数为n+1个，输入层各参数为x1、x2、…、xn和y′，其中，xi＝yk‑n‑1+i，i＝1，……，n；中间层节点数为p个，p根据经验公式(1)来确定；输出层节点数为1个，输出层参数为Δy，即Δy＝yk‑y′；p=a+n+1---(1)]]>式(1)中，a为5～30的常数；然后，根据BP‑时间序列融合模型求出Δy的估计值ΔyBP，并根据式(2)实现对时间序列预报模型的补偿；y＝y′+ΔyBP      (2)。