申请/专利权人:西南交通大学
申请日:2022-06-13
公开(公告)日:2022-09-23
公开(公告)号:CN114741976B
主分类号:G06F30/27
分类号:G06F30/27;G06F17/18;G06N20/00;G06F111/04;G06F111/06
优先权:
专利状态码:有效-授权
法律状态:2022.09.23#授权;2022.07.29#实质审查的生效;2022.07.12#公开
摘要:本发明提供了一种位移预测方法、装置、设备及可读存储介质,所述方法包括:获取历史时间段内桥梁上任意一结构的位移数据;分别采用不同的时序分解模型对位移数据进行分解,得到多个分解结果;针对每一个分解结果中的每一个位移分量,利用有监督的模型进行学习,得到每一个位移分量对应的第一位移预测模型;将所有位移分量对应的第一位移预测模型进行合并,得到每一个分解结果对应的第二位移预测模型;基于遗传算法得到第三位移预测模型,利用第三位移预测模型进行预测。本发明将多种时序分解模型和多种经典预测模型相结合,同时采用遗传算法进行优化找到效果最佳的预测模型,提高了桥梁监测中位移数据的预测准确性。
主权项:1.一种位移预测方法,其特征在于,包括:获取历史时间段内桥梁上任意一结构的位移数据;分别采用不同的时序分解模型对所述位移数据进行分解,得到多个分解结果,每一个所述分解结果中包括至少一个位移分量;针对每一个所述分解结果中的每一个所述位移分量,利用有监督的模型进行学习,得到每一个所述位移分量对应的第一位移预测模型;将所有所述位移分量对应的所述第一位移预测模型进行合并,得到每一个所述分解结果对应的第二位移预测模型;基于遗传算法计算每一个所述第二位移预测模型各自对应的权重系数,并根据所述权重系数将全部的所述第二位移预测模型进行合并,得到第三位移预测模型;利用所述第三位移预测模型对所述结构在未来任意一时间段内的位移数据进行预测;其中,针对每一个所述分解结果中的每一个所述位移分量,利用有监督的模型进行学习,得到每一个所述位移分量对应的第一位移预测模型,包括:针对每一个所述分解结果中的每一个所述位移分量,分别对每一个所述位移分量采用至少一种预测模型来预测在所述历史时间段内任意一段时间的位移数据,得到预测结果,并根据所述预测结果和此段时间的真实位移数据计算得到预测准确度;将对所述位移分量进行预测时,预测准确度最高的预测模型记为所述位移分量对应的所述第一位移预测模型;其中,基于遗传算法计算每一个所述第二位移预测模型各自对应的权重系数,并根据所述权重系数将全部的所述第二位移预测模型进行合并,得到第三位移预测模型,包括:将每一个所述第二位移预测模型中包含的所述第一位移预测模型所对应的预测结果进行集合,得到不同的预测结果集合;针对每一个所述预测结果集合,将所述预测结果集合中的预测结果进行分段处理,得到n段预测结果,所述n为正整数;基于每个预测结果集合对应的n段预测结果和遗传算法,得到所述第三位移预测模型;其中,基于每个预测结果集合对应的n段预测结果和遗传算法,得到所述第三位移预测模型,包括:计算每一段预测结果对应的均方误差;根据每一段预测结果对应的均方误差构建遗传算法中的目标函数和约束条件;将目标函数带入遗传算法中基于多目标优化的思想求解在目标函数全局最小情况下的权重系数;将所述权重系数带入每个所述第二位移预测模型,得到所述第三位移预测模型;其中,根据每一段预测结果对应的均方误差构建遗传算法中的目标函数和约束条件,包括:基于每一个分段预测结果对应的均方误差构建目标函数和约束条件,所述目标函数和约束条件为:f1=λ1X1+λ2Y1+λ3Z1+....+λiM1f2=λ1X2+λ2Y2+λ3Z2+....+λiM2f3=λ1X3+λ2Y3+λ3Z3+....+λiM3...fn=λ1Xn+λ2Yn+λ3Zn+....+λiMn1λ1+λ2+λ3+…+λi=120≤λi≤13公式1-3中,f1为第一个目标函数;f2为第二个目标函数;f3为第三个目标函数;fn为第n个目标函数;X1为第一个第二位移预测模型所对应的第一段预测结果对应的均方误差;Y1为第二个第二位移预测模型所对应的第一段预测结果对应的均方误差;Z1为第三个第二位移预测模型所对应的第一段预测结果对应的均方误差;M1为最后一个第二位移预测模型所对应的第一段预测结果对应的均方误差;X2为第一个第二位移预测模型所对应的第二段预测结果对应的均方误差;Y2为第二个第二位移预测模型所对应的第二段预测结果对应的均方误差;Z2为第三个第二位移预测模型所对应的第二段预测结果对应的均方误差;M2为最后一个第二位移预测模型所对应的第二段预测结果对应的均方误差;X3为第一个第二位移预测模型所对应的第三段预测结果对应的均方误差;Y3为第二个第二位移预测模型所对应的第三段预测结果对应的均方误差;Z3为第三个第二位移预测模型所对应的第三段预测结果对应的均方误差;M3为最后一个第二位移预测模型所对应的第三段预测结果对应的均方误差;Xn为第一个第二位移预测模型所对应的第n段预测结果对应的均方误差;Yn为第二个第二位移预测模型所对应的第n段预测结果对应的均方误差;Zn为第三个第二位移预测模型所对应的第n段预测结果对应的均方误差;Mn为最后一个第二位移预测模型所对应的第n段预测结果对应的均方误差,λ1为第一个第二位移预测模型的权重;λ2为第二个第二位移预测模型的权重;λ3为第三个第二位移预测模型的权重;λi为最后一个第二位移预测模型的权重。
全文数据:
权利要求:
百度查询: 西南交通大学 一种位移预测方法、装置、设备及可读存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。