基于CEEMDAN-LSTM的桥梁变形时间序列预测研究.pdf
《基于CEEMDAN-LSTM的桥梁变形时间序列预测研究.pdf》由会员分享,可在线阅读,更多相关《基于CEEMDAN-LSTM的桥梁变形时间序列预测研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、基于CEEMDAN-LSTM的桥梁变形时间序列预测研究摘要:针对桥梁变形时间序列的高度复杂性和数据间的强相关性导致预测精度低的问题,在LSTM网络的基础上引入CEEMDAN分解算法,构建了一种基于CEEMDAN-LSTM的桥梁变形时间序列预测模型。首先利用CEEMDAN对桥梁变形时间序列进行分解,然后利用LSTM对分解得到的各子序列进行训练预测,最后叠加各子序列预测值得到模型的最终预测结果。利用某大桥南索塔X方向的变形时间序列数据对预测模型进行检验分析,并将预测结果与单一LSTM网络和EMD-LSTM模型的预测结果进行对比。结果表明,基于CEEMDAN-LSTM的桥梁变形时间序列预测模型精度高
2、、实用性强。关键词:桥梁变形;CEEMDAN;LSTM;CEEMDAN-LSTM;时间序列预测中图分类号:P258P237文献标志码:B文章编号:1672-4623(2023)07-0040-04Research on Time Series Prediction of Bridge Deformation Based on CEEMDAN-LSTMFENG Jianqiang1,SONG Kunlun2(1.Information and Technology Limited Company of South-to-North Water Diversion Middle Route Pro
3、ject,Beijing 100038,China;2.Shijiazhuang College,Shijiazhuang 050035,China)Abstract:Aiming at the problem of low prediction accuracy due to the high complexity of bridge deformation time series and the strong correla-tion between data,we introduced the CEEMDAN decomposition algorithm into LSTM netwo
4、rk,and constructed a bridge deformation time seriesprediction model based on CEEMDAN-LSTM.We used CEEMDAN to decompose the bridge deformation time series at first,and then usedLSTM to train and predict the sub-sequences obtained by the decomposition,and finally superimposed the predicted values of e
5、ach sub-sequenceto obtain the final prediction result of model.Combined with the deformation time series data of a bridge s south cable towerXdirection,wetested and analyzed the prediction model,and compared the prediction results with the prediction results of a single LSTM network andEMD-LSTM mode
6、l.The results show that the bridge deformation time series prediction model based on CEEMDAN-LSTM has high predictionaccuracy and strong practicability.Key words:bridge deformation,CEEMDAN,LSTM,CEEMDAN-LSTM,time series prediction(1.南水北调中线信息科技有限公司,北京 100038;2.石家庄学院,河北 石家庄 050035)冯建强1,宋昆仑2引文格式:冯建强,宋昆仑
7、.基于CEEMDAN-LSTM的桥梁变形时间序列预测研究J.地理空间信息,2023,21(7):40-43.doi:10.3969/j.issn.1672-4623.2023.07.010Jul.,2023Vol.21,No.7地 理 空 间 信 息GEOSPATIAL INFORMATION2023 年 7 月第21卷第 7 期收稿日期:2022-03-20;修回日期:2022-05-25。项目来源:应用型高校地理信息科学专业“融合式”创新创业教育模式研究资助项目(202102204029)。第一作者简介:冯建强(1987),工程师,注册测绘师,从事工程测量工作,E-mail:。桥梁的不断发
8、展给桥梁运营安全监测和监测数据分析预测提出了新的挑战。由于本身设计存在不足,再加上长期超载荷使用或遭受车辆船只撞击、地震、台风等强大突加外界因素的作用,导致部分桥梁出现不同程度的损伤,甚至会发生桥梁坍塌事故。一旦发生事故,将给国家经济建设和人们正常生活带来巨大危害,因此为了确保桥梁安全稳定运营,急需建立长期有效的监测措施和高精度的预测手段对桥梁健康安全进行实时监测和预报。随着时间序列数据分析技术的发展,研究人员提出了各种基于新技术的时间序列预测方法1-2,如吴杰3等将小波神经网络应用于桥梁位移时间序列预测中;朱利明4等将分解算法中小波分解和完全集合经验模态分解(CEEMDAN)与ARIMA模型
9、相结合,并成功应用于斜拉桥SHM应变时间序列监测数据分析预测任务中;栾元重5等将RBF应用于桥梁变形水平位移时间序列预测。上述方法虽然具备很多优点,可以取得不错的预测效果,但也存在明显缺陷,如ARIMA模型面对非平稳、不规则的桥梁变形数据时,很难满足预测精度要求;小波神经网络和RBF均为普通神经网络,由于层数不深,很难提取桥梁变形时间序列深层次的特征,且不具备信息存储能力。近年来,深度学习以其强大的学习能力引起人们的广泛关注,其中深度神经网络LSTM充分考虑了时间序列相邻数据的依赖性和相关性,更加适用于时间序列数据分析,被广泛应用于情感分析6、风速预测7、环境污染预测8第21卷第7期等领域,并
10、取得了不错的效果。然而,目前LSTM网络应用于桥梁变形预测领域的研究还很少。本文将LSTM网络引入桥梁变形预测,通过引入CEEMDAN构建了基于CEEMDAN-LSTM的桥梁变形时间序列预测模型,并验证了该模型在处理桥梁变形时间序列预测任务中的可行性和优越性。1研究方法1.1CEEMDAN算法Torres 等于 2011 年在 EMD、EEMD 和 CEEMD 分解算法的基础上提出了CEEMDAN分解算法。该算法加入了自适应噪声,通过计算唯一的余量信号获得一系列本征模态函数 IMF 子序列,能有效地克服EMD 中存在的模态混叠问题,也能解决 EEMD 和CEEMD为减少重构误差增加集成次数引发
11、的计算效率低下问题。1)将一系列自适应白噪声加入原始信号x(t),则有:xi(t)=x(t)+0i(t)i1I(1)式中,0为噪声系数;i(t)为第i次添加的自适应白噪声;I为集成次数,通常设置为1020;xi(t)为第i次加入白噪声后的信号。2)分别对xi(t)进行EMD分解,获得第一个IMF分量,并取其平均值:c1(t)=1Ii=1Ici1(2)r1(t)=x(t)-c1(t)(3)式中,ci1为对xi(t)信号进行EMD分解得到的第一个IMF分量,r1(t)为第一个余量信号。3)对加入自适应噪声的余项进行EMD分解,获得第二个IMF子信号,即c2(t)=1Ii=1IE1(r1(t)+1E
12、1(i(t)(4)4)计算其余的IMF子信号,则有:rk(t)=rk-1(t)-ck(t)k=23K(5)ck+1(t)=1Ii=1IE1(rk(t)+kEk(i(t)(6)式中,K为模态的总个数。5)若余量信号的极值点不超过两个,说明余量信号不能再分了,算法停止。余量信号可表示为:R(t)=x(t)-k=1Kck(t)(7)原始信号x(t)经过CEEMDAN分解后则可表示为:x(t)=k=1Kck(t)+R(t)(8)1.2LSTM网络LSTM 网络是 Hochreiter S9等在循环神经网络(RNN)的基础上提出的。RNN是一种拥有“记忆”能力的深度神经网络,网络某时刻的输出不仅与该时刻
13、的输入有关,还与前面时刻的输出有关。具体结构见图1,左边是一个统一的表达形式,右边是左边的展开图解,st为隐藏层第t步的状态,为RNN的记忆单元,xt为第t步的输入,ot为第t步的输出,网络中每一层参数W、V、U是共享的,这也是RNN最突出的一个优势,因为传统神经网络中每一层的参数都是不同的。在RNN中预测yt时,需要同时使用xt和xt-1的信息,即可有效保留时间维度的历史信息。VVVVWWWWWUUUUsst-1stst+1ot+1ot-1otoxxt-1xt+1xtUnfold图1RNN网络结构RNN前向传播公式为:a(t)=(z(t)=(Waxx(t)+Waaa(t-1)+ba)y(t)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CEEMDAN LSTM 桥梁 变形 时间 序列 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。