本發(fā)明屬于基坑數(shù)據(jù)預(yù)測(cè)領(lǐng)域，具體涉及一種基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的基坑數(shù)據(jù)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、基坑的安全監(jiān)測(cè)無疑是建筑安全體系中至關(guān)重要的一環(huán)。在這一過程中，借助遍布于基坑四周的多個(gè)傳感器觀測(cè)點(diǎn)，我們能夠全面、細(xì)致地監(jiān)測(cè)諸如樁頂水平位移、地表沉降等關(guān)鍵數(shù)據(jù)。這些監(jiān)測(cè)數(shù)據(jù)不僅具有高度的空間相關(guān)性，而且它們?cè)跁r(shí)間維度上也呈現(xiàn)出緊密的聯(lián)系，任何一項(xiàng)數(shù)據(jù)的微小變動(dòng)都可能引發(fā)其他數(shù)據(jù)的連鎖反應(yīng)。例如，當(dāng)?shù)乇沓两惮F(xiàn)象逐漸加劇時(shí)，樁頂?shù)乃轿灰埔矔?huì)相應(yīng)地發(fā)生變化，這種變化可能進(jìn)一步影響基坑的整體穩(wěn)定性。因此，基坑數(shù)據(jù)的精確預(yù)測(cè)是確?；庸こ贪踩年P(guān)鍵手段。通過準(zhǔn)確預(yù)測(cè)基坑的各項(xiàng)關(guān)鍵數(shù)據(jù)，就可以及時(shí)發(fā)現(xiàn)潛在的安全隱患。這種預(yù)測(cè)能力使得我們能夠提前采取必要的措施，有效避免潛在事故的發(fā)生，保障施工人員的安全，同時(shí)確保工程的順利進(jìn)行。

2、近年來，隨著深度學(xué)習(xí)的發(fā)展和盛行，深度學(xué)習(xí)模型也用在了基坑數(shù)據(jù)的預(yù)測(cè)。lstm(long?short-term?memory，長(zhǎng)短時(shí)記憶網(wǎng)絡(luò))憑借其對(duì)歷史數(shù)據(jù)的長(zhǎng)期依賴性，在基坑數(shù)據(jù)預(yù)測(cè)中展現(xiàn)出強(qiáng)大的潛力。目前基坑預(yù)測(cè)方面的文章是基于lstm-cnn模型，該模型由cnn(convolutional?neural?network，卷積神經(jīng)網(wǎng)絡(luò))和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(lstm)構(gòu)成，有著較為良好的預(yù)測(cè)效果。該模型首先使用cnn提取空間特征，然后利用lstm網(wǎng)絡(luò)學(xué)習(xí)這些時(shí)間特征序列，以預(yù)測(cè)未來的監(jiān)測(cè)值。然而，當(dāng)面對(duì)高維輸入時(shí)，lstm模型的參數(shù)量會(huì)急劇增加，這可能導(dǎo)致模型復(fù)雜度過高，進(jìn)而引發(fā)過擬合問題。

3、有研究者使用arima(autoregressive?integrated?movingaverage?model，差分整合移動(dòng)平均自回歸模型)預(yù)測(cè)基坑數(shù)據(jù)：該模型將傳統(tǒng)的arima模型與深度學(xué)習(xí)技術(shù)相結(jié)合，實(shí)現(xiàn)了對(duì)基坑形變數(shù)據(jù)的精確預(yù)測(cè)。arima模型擅長(zhǎng)處理時(shí)間序列數(shù)據(jù)，而深度學(xué)習(xí)則能夠捕捉數(shù)據(jù)中的非線性關(guān)系。然而，arima模型在處理復(fù)雜非線性關(guān)系時(shí)存在局限性，這可能導(dǎo)致預(yù)測(cè)結(jié)果的偏差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的基坑數(shù)據(jù)預(yù)測(cè)方法，解決不同基坑數(shù)據(jù)在時(shí)空方面的特異性，滿足對(duì)基坑相關(guān)數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)。

2、本發(fā)明的目的之二在于提供一種實(shí)現(xiàn)所述基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的基坑數(shù)據(jù)預(yù)測(cè)方法的系統(tǒng)。

3、本發(fā)明提供一種基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的基坑數(shù)據(jù)預(yù)測(cè)方法，包括以下步驟：

4、s1.獲取歷史基坑數(shù)據(jù)；

5、s2.對(duì)步驟s1得到的歷史基坑數(shù)據(jù)進(jìn)行處理，得到訓(xùn)練數(shù)據(jù)集；

6、s3.基于圖神經(jīng)網(wǎng)絡(luò)，以雙時(shí)間結(jié)構(gòu)構(gòu)建初始基坑數(shù)據(jù)預(yù)測(cè)模型；

7、s4.使用步驟s2得到的訓(xùn)練數(shù)據(jù)集對(duì)步驟s3得到的初始基坑數(shù)據(jù)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到基坑數(shù)據(jù)預(yù)測(cè)模型；

8、s5.使用步驟s4得到的基坑數(shù)據(jù)預(yù)測(cè)模型，進(jìn)行實(shí)際的基坑數(shù)據(jù)預(yù)測(cè)。

9、步驟s1所述歷史基坑數(shù)據(jù)來自不同基坑傳感器，每個(gè)不同種類的基坑傳感器檢測(cè)不同的基坑特征；所述基坑特征包括樁頂水平位移、樁頂豎向位移、砼支撐軸力、鋼支撐軸力、深層水平位移以及地表沉降。

10、步驟s2具體為：由于基坑傳感器的相關(guān)位置具有空間關(guān)聯(lián)性，將檢測(cè)基坑特征的傳感器作為圖的節(jié)點(diǎn)，將步驟s1所述的歷史基坑數(shù)據(jù)的傳感器網(wǎng)絡(luò)抽象成一種圖結(jié)構(gòu)，其中每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)傳感器的物理位置，引入多特征通道設(shè)計(jì)，構(gòu)造得到歷史基坑數(shù)據(jù)鄰接矩陣網(wǎng)絡(luò)，使用以下算式表示：

11、

12、其中，wij為鄰接矩陣第i行第j列的元素值；dij為傳感器i與傳感器j之間的相對(duì)距離；

13、根據(jù)歷史基坑數(shù)據(jù)鄰接矩陣網(wǎng)絡(luò)，構(gòu)建訓(xùn)練數(shù)據(jù)集；訓(xùn)練數(shù)據(jù)集包括小時(shí)尺度訓(xùn)練數(shù)據(jù)集、日尺度訓(xùn)練數(shù)據(jù)集和綜合尺度訓(xùn)練數(shù)據(jù)集；

14、小時(shí)尺度訓(xùn)練數(shù)據(jù)集根據(jù)歷史基坑數(shù)據(jù)鄰接矩陣網(wǎng)絡(luò)，以小時(shí)時(shí)間長(zhǎng)度為尺度構(gòu)建；日尺度訓(xùn)練數(shù)據(jù)集根據(jù)歷史基坑數(shù)據(jù)鄰接矩陣網(wǎng)絡(luò)，以日時(shí)間長(zhǎng)度為尺度構(gòu)建；綜合尺度訓(xùn)練數(shù)據(jù)集根據(jù)歷史基坑數(shù)據(jù)鄰接矩陣網(wǎng)絡(luò)，以隨機(jī)時(shí)間長(zhǎng)度為尺度構(gòu)建。

15、步驟s3所述初始基坑數(shù)據(jù)預(yù)測(cè)模型包括小時(shí)尺度預(yù)測(cè)部分、日尺度預(yù)測(cè)部分和加權(quán)合并模塊；小時(shí)尺度預(yù)測(cè)部分專注于鄰近時(shí)間段的基坑數(shù)據(jù)預(yù)測(cè)，日尺度預(yù)測(cè)部分專注于一天或若干天的時(shí)間序列基坑數(shù)據(jù)預(yù)測(cè)，最后通過加權(quán)合并模塊利用參數(shù)矩陣對(duì)小時(shí)尺度預(yù)測(cè)部分和日尺度預(yù)測(cè)部分的輸出結(jié)果進(jìn)行加權(quán)合并，得到一個(gè)最終預(yù)測(cè)結(jié)果。

16、小時(shí)尺度預(yù)測(cè)部分和日尺度預(yù)測(cè)部分結(jié)構(gòu)相同，均包括依次串聯(lián)的時(shí)空卷積塊、時(shí)空注意力機(jī)制和全連接層；

17、時(shí)空卷積塊對(duì)輸入的基坑數(shù)據(jù)提取時(shí)空特性，通過時(shí)間卷積提取基坑數(shù)據(jù)的時(shí)間相關(guān)性，再通過在時(shí)間維度上使用圖卷積捕獲空間相關(guān)性；

18、時(shí)間注意力機(jī)制針對(duì)基坑數(shù)據(jù)，使用時(shí)間關(guān)聯(lián)矩陣來關(guān)注時(shí)間之間的依賴強(qiáng)度，捕獲數(shù)據(jù)的時(shí)間關(guān)聯(lián)性，使用空間注意力矩陣來捕獲數(shù)據(jù)的空間關(guān)聯(lián)性，關(guān)注節(jié)點(diǎn)與節(jié)點(diǎn)的關(guān)聯(lián)強(qiáng)度；

19、全連接層融合不同圖卷積層的特征，將空間與時(shí)間特征整合在一起；

20、加權(quán)融合模塊包括一個(gè)加權(quán)合并參數(shù)矩陣；加權(quán)融合模塊將小時(shí)尺度預(yù)測(cè)部分和日尺度預(yù)測(cè)部分輸出的結(jié)果通過加權(quán)合并參數(shù)矩陣進(jìn)行加權(quán)合并，得到一個(gè)最終預(yù)測(cè)結(jié)果；所述加權(quán)合并參數(shù)矩陣使用以下算式表示：

21、y＝y(tǒng)h⊙wh+yd⊙wd

22、其中，y為最終預(yù)測(cè)結(jié)果；yh為小時(shí)尺度預(yù)測(cè)部分的輸出；yd為日尺度預(yù)測(cè)部分的輸出；wh和wd為待學(xué)習(xí)參數(shù)；⊙為矩陣對(duì)應(yīng)元素相乘的哈達(dá)馬積。

23、步驟s4具體為：使用步驟s2得到的日尺度訓(xùn)練數(shù)據(jù)集對(duì)步驟s3得到的初始基坑數(shù)據(jù)預(yù)測(cè)模型中的日尺度預(yù)測(cè)部分進(jìn)行訓(xùn)練；使用步驟s2得到的小時(shí)尺度訓(xùn)練數(shù)據(jù)集對(duì)步驟s3得到的初始基坑數(shù)據(jù)預(yù)測(cè)模型中的小時(shí)尺度預(yù)測(cè)部分進(jìn)行訓(xùn)練；

24、再使用步驟s2得到的綜合尺度訓(xùn)練數(shù)據(jù)集對(duì)包括已經(jīng)訓(xùn)練過的日尺度預(yù)測(cè)部分和小時(shí)尺度預(yù)測(cè)部分的初始基坑數(shù)據(jù)預(yù)測(cè)模型進(jìn)行訓(xùn)練，對(duì)加權(quán)合并模塊中的參數(shù)進(jìn)行進(jìn)一步調(diào)整，得到基坑數(shù)據(jù)預(yù)測(cè)模型。

25、本發(fā)明還提供一種實(shí)現(xiàn)所述基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的基坑數(shù)據(jù)預(yù)測(cè)方法的系統(tǒng)，包括基坑數(shù)據(jù)獲取模塊、數(shù)據(jù)處理模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊、基坑數(shù)據(jù)預(yù)測(cè)模塊；

26、基坑數(shù)據(jù)獲取模塊獲取歷史基坑數(shù)據(jù)，并將數(shù)據(jù)上傳到數(shù)據(jù)處理模塊；

27、數(shù)據(jù)處理模塊根據(jù)接收到的數(shù)據(jù)，對(duì)歷史基坑數(shù)據(jù)進(jìn)行處理，得到訓(xùn)練數(shù)據(jù)集，并將數(shù)據(jù)上傳到模型訓(xùn)練模塊；

28、模型構(gòu)建模塊基于圖神經(jīng)網(wǎng)絡(luò)，以雙時(shí)間結(jié)構(gòu)構(gòu)建初始基坑數(shù)據(jù)預(yù)測(cè)模型，并將數(shù)據(jù)上傳到模型訓(xùn)練模塊；

29、模型訓(xùn)練模塊根據(jù)接收到的數(shù)據(jù)，使用訓(xùn)練數(shù)據(jù)集對(duì)初始基坑數(shù)據(jù)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到基坑數(shù)據(jù)預(yù)測(cè)模型，并將數(shù)據(jù)上傳到基坑數(shù)據(jù)預(yù)測(cè)模塊；

30、基坑數(shù)據(jù)預(yù)測(cè)模塊根據(jù)接收到的數(shù)據(jù)，進(jìn)行實(shí)際的基坑數(shù)據(jù)預(yù)測(cè)。

31、本發(fā)明公開了一種基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的基坑數(shù)據(jù)預(yù)測(cè)方法及系統(tǒng)，通過將基坑數(shù)據(jù)特征處理構(gòu)造為圖結(jié)構(gòu)，充分利用了傳感器位置信息和基坑三維數(shù)據(jù)，有效捕捉了傳感器之間的空間關(guān)聯(lián)性；再通過多特征通道強(qiáng)化了模型的泛化能力，提高了模型預(yù)測(cè)的準(zhǔn)確性；另外本發(fā)明還引入了注意力機(jī)制，進(jìn)一步提升了預(yù)測(cè)的精度和效率。本發(fā)明方法使用了雙時(shí)間結(jié)構(gòu)，提高了模型在面對(duì)不同時(shí)間段預(yù)測(cè)的準(zhǔn)確性。