基于时空一体化的特高拱坝变形时空序列预测方法与流程

技术特征：

1.一种基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，包括以下三个方面：

(1)大坝传感器的实际监测数据分解为真实值和误差项两部分：Zi(t)＝Mi(t)+ei(t)，式中Mi(t)代表确定性时空变化，ei(t)代表去除确定趋势后的小规模误差随机变化并且满足E(ei(t))＝0，期望为零。应用简单BP神经网络拟合整体时空趋势；

(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；

(3)引入门限循环神经网络(Gated Recurrent Unit,GRU)对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络。

2.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，利用简单BP神经网络拟合整体时空趋势的具体步骤如下：

(1.1)确定BP网路拓扑结构：确定神经网络输入向量和目标输出向量，拟设输入层中神经元数目为4，分别对应三维坐标和时间；设输出层的节点数目为1，对应大坝测点顺河向位移值；

(1.2)确定网络结构权重系数：BP网络在初始化时以[-1,1]之间的随机数对权重赋值；

(1.3)生成激活后的估计值：网络中的每个神经元可以在输出端使用非线性激活函数，产生到其他神经元的平滑信号；非线性激活函数是由逻辑函数定义的S形传递函数；

(1.4)多次训练得到理想模型：将输入向量带入神经网络中，经过前向传播和反向传播算法的不断训练，每次训练后计算期望输出与实际输出误差，误差通过反向传播算法不断调整神经元权重。

3.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，所述内容(2)去除整体时空趋势后得到残差项ei(t)，对残差项进行线性无偏估计，选用时空克里格方法拟合局部时空趋势；拟合局部时空趋势的具体步骤如下：

(2.1)对于残差数据，两两计算时空距离；

(2.2)通过拟合曲线拟合距离与时空半方差的关系，从而能根据任意时空距离计算出相应的半方差；

(2.3)计算出所有已知点之间的时空半方差rij；

(2.4)对于未知点Zo，计算它到所有已知点Zi的半方差rio；

(2.5)求解代价函数得到最优系数λi；

(2.6)使用最优系数对已知点的属性值进行加权求和，得到未知点的估计值，结束时空克里格方法。

4.如权利要求1所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，所述内容(3)引入门限循环神经网络对大坝各测点时间序列进行预测，预测出相关测点变形值，将预测后的顺河向位移数据作为训练数据优化BP网络；GRU网络进行大坝各测点时间序列预测的具体步骤如下：

(3.1)将大坝各测点时间序列转化为监督学习问题：使用Keras深度学习框架实现GRU网络；Keras中的GRU模型将数据分为两类：输入向量和输出向量。应用到时间序列预测问题上，以上一个时间点(t-1)的观察值作为输入，当前时间点(t)的观察值作为输出来实现问题转换的目的；GRU网络在本次时间序列预测中应用多输入GRUs网络；多输入GRUs网络输入向量中不仅包括测点自身顺河向位移时间序列，还包括环境量数据；具体而言，输入变量中包括滞后时间点(t-1)的观察值，还包括(t-1)时刻环境变量值；

(3.2)变换时间序列数据，使其平稳；先判断时间序列是否平稳，如果不平稳需要去除时间趋势使其平稳；平稳化时间序列有消除时间序列趋势的方法是对数据进行差分运算，即(t)时刻位移值减去(t-1)时刻位移值，得到差分序列；

(3.3)将观测结果标准化；

(3.4)建立GRU神经网络：GRU循环网络包含输入层、隐含层和输出层。在添加GRU层的时候，首先需要确定输入层输入向量，输出层输出向量；初始时，随机生成权重矩阵；

(3.5)对于GRU来说，由前向传播计算出重置门r、更新门z、当前缓存记忆内容g、当前时间步的最终记忆h这四个向量的值；

(3.6)通过BPTT计算误差项δj值：利用BPTT算法反向计算每个神经元的误差项δj本质上是误差函数E对神经元j输入量netj的偏导；

(3.7)计算每个权重系数的梯度：GRU网络在训练之前对权重w赋予较小的随机值，根据BPTT算法不断训练权重。

5.如权利要求4所述的基于时空一体化的特高拱坝变形时空序列预测方法，其特征在于，重置门r、更新门z、当前缓存记忆内容g、当前时间步的最终记忆h的计算过程依次为：

rt＝σ(Wrxt+Urht-1)

zt＝σ(Wzxt+Uzht-1)

gt＝tanh(Wg(ht-1⊙rt)+xtUg)

ht＝yt＝ht-1⊙(1-zt)+zt⊙gt

以上式中，σ为Sigmoid激活函数(即S型函数)；xt表示时刻t的输入；ht-1保存t-1时刻的记忆；W和U分别代表GRU网络中的权重系数。