本發(fā)明涉及沉降預測領域，特別是指基于智能恢復的地表沉降數(shù)據(jù)實現(xiàn)沉降預測的方法和裝置。

背景技術：

1、地鐵建設中的空間受限，在盾構作業(yè)時不可避免對現(xiàn)場安裝的傳感器或數(shù)據(jù)采集器造成破壞和損傷，導致數(shù)據(jù)丟失或缺失，甚至傳感器失效。即使在地表位置安裝相應的沉降監(jiān)測裝置，但由于暴露在外界環(huán)境中同樣會引發(fā)數(shù)據(jù)的不完整性或數(shù)據(jù)缺失問題。目前大多采用人工智能方法建立的地表沉降預測模型多使用完整的數(shù)據(jù)集，但實際收集過程中獲得傳感器的完整數(shù)據(jù)是十分困難的，數(shù)據(jù)不完整或丟失的情況是必然存的，這有必要進一步分析考慮。

2、最重要的是數(shù)據(jù)采集器的數(shù)據(jù)丟失是一個隨機過程，特別是所有傳感器均存在數(shù)據(jù)丟失的情況，這極大增加了數(shù)據(jù)恢復的難度?，F(xiàn)存的大多研究仍需利用部分正常傳感器通過相關技術來恢復出完整的數(shù)據(jù)集，鮮有研究對所有傳感器均存在數(shù)據(jù)丟失的情況下的數(shù)據(jù)恢復進行研究。

3、在過去的十年間，大多研究著重于預測盾構誘發(fā)的最大地表沉降值，但盾構掘進是一個連續(xù)的過程，僅預測最大地表沉降無法反應盾構與地層間的復雜的內在聯(lián)系。因此有必要對盾構過程中地表沉降的發(fā)展過程進行深入研究。近年來學者開始側重于地表沉降發(fā)展過程的預測研究，現(xiàn)階段應用最為廣泛的是長短期記憶（long?short?term?memory，lstm）神經(jīng)網(wǎng)絡模型，其是循環(huán)神經(jīng)網(wǎng)絡的一種變體結構，能夠捕捉時間序列任務中的相關信息，但其對長序列數(shù)據(jù)可能無效且無法捕捉數(shù)據(jù)間的全局特征。

技術實現(xiàn)思路

1、本發(fā)明的主要目的在于克服現(xiàn)有技術中的上述缺陷，提出一種基于智能恢復的地表沉降數(shù)據(jù)實現(xiàn)沉降預測的方法和裝置，對多通道不完整沉降數(shù)據(jù)集進行聯(lián)合恢復，產(chǎn)生完整的數(shù)據(jù)集。繼而使用恢復后的完整數(shù)據(jù)集建立預測模型，采用多頭自注意力機制（multi-head?self-attention?mechanism，mhsam）對lstm神經(jīng)網(wǎng)絡模型進行改進以提升其對盾構誘發(fā)的地表沉降的預測精度。

2、本發(fā)明采用如下技術方案：

3、一種基于智能恢復的地表沉降數(shù)據(jù)實現(xiàn)沉降預測的方法，

4、獲取某一段時間的連續(xù)沉降的觀測數(shù)據(jù)，所述觀測數(shù)據(jù)是具有一定隨機缺失的不完整的地表沉降數(shù)據(jù)矩陣，定義掩碼矩陣來標注所述觀測數(shù)據(jù)中缺失數(shù)據(jù)位置的信息，通過所述掩碼矩陣來模擬缺失點的位置生成不完整的數(shù)據(jù)矩陣；

5、構建多通道沉降數(shù)據(jù)修補深度學習模型，所述多通道沉降數(shù)據(jù)修補深度學習模型包括生成網(wǎng)絡和對抗網(wǎng)絡，將所述不完整的數(shù)據(jù)矩陣、所述掩碼矩陣和隨機噪聲矩陣輸入所述生成網(wǎng)絡得到恢復后的完整沉降數(shù)據(jù)矩陣；基于所述掩碼矩陣生成提示矩陣，將所述完整沉降數(shù)據(jù)矩陣和所述提示矩陣輸入所述對抗網(wǎng)絡得到所述完整沉降數(shù)據(jù)矩陣中數(shù)值真假的概率矩陣；

6、構建基于mhsam-lstm深度學習模型的沉降預測模型，根據(jù)所述完整沉降數(shù)據(jù)矩陣中數(shù)值真假的概率矩陣將符合要求的所述完整沉降數(shù)據(jù)矩陣輸入的所述沉降預測模型進行沉降預測并輸出預測結果。

7、在盾構隧道上方位置進行監(jiān)測點布置，采用光纖布拉格光柵數(shù)據(jù)采集器獲取某一段時間的連續(xù)沉降的觀測數(shù)據(jù)。

8、所述生成網(wǎng)絡包括第一輸入層、第一特征提取模塊、第一池化層、第一自注意力層、第二特征提取模塊、第二自注意力層、第一上采樣層、第三特征提取模塊和第一輸出層；所述不完整的數(shù)據(jù)矩陣、所述掩碼矩陣和隨機噪聲矩陣經(jīng)所述第一輸入層輸入所述第一特征提取模塊進行特征提取輸出第一過渡矩陣；所述第一過渡矩陣分別傳遞給所述第一池化層和所述第一上采樣層；所述第一過渡矩陣經(jīng)所述第一池化層輸入至所述第一自注意力層，再傳遞至所述第二特征提取模塊進行特征提取輸出第二過渡矩陣；所述第一過渡矩陣和所述第二過渡矩陣輸入至所述第一上采樣層然后通過到第三特征提取模塊進行特征提取，從所述第一輸出層輸出得到所述恢復后的完整沉降數(shù)據(jù)矩陣。

9、所述第一特征提取模塊包括依次設置的第一卷積層、第一密集連接層、第一歸一化層、第二卷積層和第二歸一化層；所述第二特征提取模塊包括依次設置的第三卷積層、第二密集連接層、第三歸一化層、第四卷積層和第四歸一化層；所述第三特征提取模塊包括依次設置的第五卷積層和第五批歸一化層；所述第一密集連接層和所述第二密集連接層分別包括依次設置的四個卷積層，將前一卷積層的特征輸出傳遞并作為后一卷積層的輸入。

10、所述對抗網(wǎng)絡包括第二輸入層、第四特征提取模塊、第二池化層、第五特征提取模塊、第二上采樣層、第六特征提取模塊和第二輸出層；所述完整沉降數(shù)據(jù)矩陣和所述提示矩陣經(jīng)所述第二輸入層輸入所述第四特征提取模塊進行特征提取輸出第三過渡矩陣；所述第三過渡矩陣分別傳遞給所述第二池化層和所述第二上采樣層；所述第三過渡矩陣經(jīng)所述第二池化層輸入至所述第五特征提取模塊進行特征提取輸出第四過渡矩陣；所述第三過渡矩陣和所述第四過渡矩陣輸入至所述第二上采樣層然后通過到第六特征提取模塊進行特征提取，從所述第二輸出層輸出得到所述概率矩陣。

11、所述第四特征提取模塊包括依次設置的第一卷積層、第一密集連接層、第一歸一化層、第二卷積層和第二歸一化層；所述第五特征提取模塊包括依次設置的第二密集連接層、第三歸一化層、第三卷積層、第三密集連接層、第四歸一化層和第四卷積層；所述第六特征提取模塊包括依次設置的第五卷積層和第五批歸一化層；所述第一密集連接層、所述第二密集連接層和所述第三密集連接層分別包括四個卷積層，將每一卷積層的特征輸出傳遞并作為后面卷積層的輸入。

12、所述生成網(wǎng)絡包括二元交叉熵損失和rmse損失，其損失函數(shù)為：

13、；

14、所述對抗網(wǎng)絡的損失函數(shù)為：

15、；

16、其中，表示最小化目標函數(shù)，和表示目標函數(shù)，表示對變量、、的期望，為完整沉降數(shù)據(jù)矩陣；為不完整的數(shù)據(jù)矩陣；為掩碼矩陣；為哈達瑪積；為提示矩陣；d為對抗網(wǎng)絡運算；表示超參數(shù)。

17、將所述完整沉降數(shù)據(jù)矩陣構成的數(shù)據(jù)集分為訓練集、驗證集和測試集對所述沉降預測模型進行訓練、驗證和測試以確定最優(yōu)的超參數(shù)組合；所述沉降預測模型包括三個lstm層和兩個mhsam層，所述lstm層用于捕捉所述完整沉降數(shù)據(jù)矩陣的具體特征，所述mhsam層設置于相鄰的兩所述lstm層之間以捕捉全局特征并從不同角度來豐富所捕捉數(shù)據(jù)的特征；所述沉降預測模型輸出預測結果以及對所述預測結果的評價，所述評價包括均方誤差、平均絕對誤差和相關系數(shù)。

18、所述lstm層包括遺忘門、更新門、輸入門、細胞單元和輸出門，具體如下：

19、；

20、；

21、；

22、；

23、；

24、；

25、-c<t>表示當前時刻參與計算的記憶細胞;?c<t-1>為下一時刻的記憶細胞；其中h<t>為t時刻的隱藏狀態(tài)；x<t>、?h<t?-1>、c<t?-1>為輸入到lstm層中的向量；a<t>和c<t>表示輸出向量;?b?(bf,?bu,?bc,bo)?表示遺忘門、更新門、細胞單元和輸出門相應的偏置值；w?(wf,?wu,wc,?wo)?表示遺忘門、更新門、細胞單元和輸出門相應的權重值；σ和tanh分別是sigmoid激活函數(shù)和tanh激活函數(shù)；γf為遺忘門，γu為更新門，γo為輸出門；

26、所述mhsam層包括q、k和k，分別表示查詢、鍵函和值，具體如下：

27、；

28、；

29、；

30、；

31、；

32、其中x為長度為n的輸入序列，用矩陣x∈rn×d表示，d表示序列中各位置的維度，dk表示第k個鍵的維度；wq、wk、wv是q、k、v所對應的權重矩陣；a為注意力得分，softmax表示歸一化函數(shù)；head[.]表示多頭自注意力運算；attention(x)?為輸出；concat為合并多個多頭自注意力。

33、一種基于智能恢復的地表沉降數(shù)據(jù)實現(xiàn)沉降預測的裝置，包括：

34、數(shù)據(jù)獲取模塊，獲取某一段時間的連續(xù)沉降的觀測數(shù)據(jù)，所述觀測數(shù)據(jù)是具有一定隨機缺失的不完整的地表沉降數(shù)據(jù)矩陣，定義掩碼矩陣來標注所述觀測數(shù)據(jù)中缺失數(shù)據(jù)位置的信息，通過所述掩碼矩陣來模擬缺失點的位置生成不完整的數(shù)據(jù)矩陣；

35、數(shù)據(jù)修補模塊，構建多通道沉降數(shù)據(jù)修補深度學習模型，所述多通道沉降數(shù)據(jù)修補深度學習模型包括生成網(wǎng)絡和對抗網(wǎng)絡，將所述不完整的數(shù)據(jù)矩陣、所述掩碼矩陣和隨機噪聲矩陣輸入所述生成網(wǎng)絡得到恢復后的完整沉降數(shù)據(jù)矩陣；基于所述掩碼矩陣生成提示矩陣，將所述完整沉降數(shù)據(jù)矩陣和所述提示矩陣輸入所述對抗網(wǎng)絡得到所述完整沉降數(shù)據(jù)矩陣中數(shù)值真假的概率矩陣；

36、沉降預測模塊，構建基于mhsam-lstm深度學習模型的沉降預測模型，根據(jù)所述完整沉降數(shù)據(jù)矩陣中數(shù)值真假的概率矩陣將符合要求的所述完整沉降數(shù)據(jù)矩陣輸入的所述沉降預測模型進行沉降預測并輸出預測結果。

37、由上述對本發(fā)明的描述可知，與現(xiàn)有技術相比，本發(fā)明具有如下有益效果：

38、（1）本發(fā)明提出的多通道沉降數(shù)據(jù)修補深度學習模型dcl-sam-gain針對常出現(xiàn)的數(shù)據(jù)隨機缺失問題，在不完整數(shù)據(jù)集的情況下，重構出失效的沉降觀測值的完整響應。

39、（2）本發(fā)明的gain中生成網(wǎng)絡采用卷積網(wǎng)絡并結合sam對數(shù)據(jù)相關性特征提取，引入密集連接技術促進層與層之間的信息流和提高網(wǎng)絡的參數(shù)利用率。gain中加入歸一化技術，有利于底層細節(jié)的保存，并能有效緩解梯度消失的問題。通過對比gain和dcl-sam-gain模型對恢復后數(shù)據(jù)集的相對誤差，證明了本發(fā)明中的dcl-sam-gain對缺失數(shù)據(jù)恢復是有效的。

40、（3）相比于自注意力機制sam，mhsam能融合多種時間尺度的信息并通過多個注意力頭并行處理數(shù)據(jù)，提升模型的預測效果。通過對比lstm，mhsam-lstm和sam-lstm預測模型，發(fā)現(xiàn)mhsam-lstm模型相比其他兩種模型具備更優(yōu)的預測效果。

41、（4）本發(fā)明所提出的dcl-sam-gain和mhsam-lstm的沉降數(shù)據(jù)恢復與預測模型從實際出發(fā)，充分考慮了實際工程中沉降數(shù)據(jù)不完整或缺失的情況，在此技術上開發(fā)出了多通道數(shù)據(jù)集的聯(lián)合修復方法，并通過mhsam-lstm對恢復后的完整數(shù)據(jù)集進行沉降預測，實現(xiàn)了較高的預測精度。相比于傳統(tǒng)的多采用完整數(shù)據(jù)集進行沉降預測的研究更符合實際應用場景，同時相比于自注意力機制提升的lstm模型具備更優(yōu)異的預測效果。