鄭羅春

(湖南省交通科學(xué)研究院有限公司， 湖南 長(zhǎng)沙 410015)

0 引言

基于以上討論，本研究擬將高速公路路基長(zhǎng)期沉降變形作為時(shí)間序列對(duì)待，并基于LSTM神經(jīng)網(wǎng)絡(luò)算法構(gòu)建智能預(yù)測(cè)模型，進(jìn)一步結(jié)合實(shí)際監(jiān)測(cè)數(shù)據(jù)對(duì)所構(gòu)建模型進(jìn)行驗(yàn)證。

1 LSTM模型構(gòu)建及數(shù)據(jù)集處理

1.1 LSTM模型構(gòu)建

LSTM網(wǎng)絡(luò)作為循環(huán)神經(jīng)網(wǎng)絡(luò)中一分支，其有效的拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)可解決一般循環(huán)神經(jīng)網(wǎng)絡(luò)中易于出現(xiàn)的梯度爆炸或梯度消失等數(shù)值問(wèn)題[11]。對(duì)于LSTM模型而言，其基本單元為遺忘門(mén)、輸入門(mén)、輸出門(mén)、記憶細(xì)胞狀態(tài)以及隱藏單元，如圖1所示。LSTM可以較好保存時(shí)間序列內(nèi)部蘊(yùn)藏的有效信息，并及時(shí)剔除無(wú)效信息，因而具有長(zhǎng)短期記憶能力。

圖1 LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)

在LSTM模型中，其遺忘門(mén)可對(duì)輸入信息進(jìn)行篩選，并將適用信息保留進(jìn)細(xì)胞狀態(tài)中，其具體計(jì)算方式如式(1)所示：

ft=σ(Wfxt+Rfht-1+bf)

(1)

式中：Wf和Rf為遺忘門(mén)權(quán)重矩陣；bf為其偏置矩陣；xt則表示當(dāng)前時(shí)刻t的輸入值；ht-1則表示上一時(shí)刻t-1隱藏狀態(tài)值；σ則表示Sigmoid函數(shù)，其計(jì)算方式如下：

(2)

it=σ(Wixt+Riht-1+bi)

興建小型農(nóng)田水利工程勢(shì)必會(huì)占用大量土地甚至是農(nóng)田，在一定程度上影響動(dòng)植物生長(zhǎng)環(huán)境，迫使陸生生物重新尋找棲息地，在尋找過(guò)程中可能導(dǎo)致動(dòng)物的死亡，生活在原有棲息地的生物之間為了爭(zhēng)奪有限的空間會(huì)引發(fā)爭(zhēng)斗，導(dǎo)致生物鏈的破壞。工程施工過(guò)程中占用的土地，經(jīng)過(guò)工業(yè)廢料的排放導(dǎo)致土地硬化無(wú)法進(jìn)行耕種減少了耕地面積。

(3)

(4)

式中:Wi、Ri、Wc和Rc分別輸入門(mén)以及臨時(shí)細(xì)胞狀態(tài)權(quán)重矩陣；bi和bc分別表示輸入門(mén)以及臨時(shí)細(xì)胞狀態(tài)偏置矩陣；tanh 函數(shù)具體計(jì)算方式如下：

(5)

經(jīng)過(guò)上述流程對(duì)數(shù)據(jù)流進(jìn)行分析后，便可將所獲取結(jié)果進(jìn)行疊加，從而實(shí)現(xiàn)對(duì)細(xì)胞狀態(tài)的更新，計(jì)算方式如下式所示：

(6)

數(shù)據(jù)流經(jīng)上述處理后，便由輸入門(mén)進(jìn)行輸出Ot，進(jìn)一步結(jié)合輸出門(mén)結(jié)果以及當(dāng)前細(xì)胞狀態(tài)，則可獲得當(dāng)前時(shí)刻隱藏狀態(tài)信息ht，以便進(jìn)行下一個(gè)循環(huán)計(jì)算，其具體計(jì)算方式如下：

Ot=σ(Wyxt+Ryht-1+by)

(7)

ht=Ottanh(Ct)

(8)

式中:Wy和Ry為輸出門(mén)權(quán)重矩陣；by為其偏置矩陣。

1.2 數(shù)據(jù)集獲取及預(yù)處理

本研究擬采用文獻(xiàn)[13]中針對(duì)某高速公路監(jiān)測(cè)過(guò)程中所獲取的實(shí)測(cè)數(shù)據(jù)作為數(shù)據(jù)樣本對(duì)所提出模型預(yù)測(cè)性能進(jìn)行驗(yàn)證，如圖2所示。為更全面論證所構(gòu)建模型的正確性，本研究分別選取K38+210以及K32+100兩個(gè)斷面作為模型驗(yàn)證樣本數(shù)據(jù)?？紤]到本研究側(cè)重于高速公路路基長(zhǎng)期沉降問(wèn)題，因而對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行剔除處理，選定沉降速率極值點(diǎn)后數(shù)據(jù)集進(jìn)行預(yù)測(cè)。

圖2 數(shù)據(jù)集曲線

對(duì)于LSTM模型而言，為充分使得模型內(nèi)部元件具有樣本記憶功能，應(yīng)當(dāng)利用已有數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練。在本研究中，擬將所采集數(shù)據(jù)集前段80%作為訓(xùn)練集數(shù)據(jù)值所構(gòu)建LSTM模型進(jìn)行訓(xùn)練。當(dāng)訓(xùn)練完成后，利用LSTM模型多步預(yù)測(cè)功能對(duì)后續(xù)沉降值進(jìn)行預(yù)測(cè)。除此之外，對(duì)于神經(jīng)網(wǎng)絡(luò)模型而言，其輸入及輸出樣本數(shù)據(jù)集數(shù)值浮動(dòng)將對(duì)最終訓(xùn)練結(jié)果及預(yù)測(cè)結(jié)果產(chǎn)生顯著影響，因而在對(duì)其進(jìn)行模型訓(xùn)練時(shí)，應(yīng)當(dāng)對(duì)其輸入及輸出數(shù)據(jù)集進(jìn)行歸一化處理，在本研究中，擬采用對(duì)樣本數(shù)據(jù)進(jìn)行歸一化，具體計(jì)算方式如下：

(9)

式中:x表示原始樣本數(shù)據(jù)數(shù)值；xmax和xmin分別表示樣本數(shù)據(jù)集中最大值及最小值。經(jīng)由上述歸一化處理后，模型訓(xùn)練集數(shù)據(jù)數(shù)值均被歸一化至0-1范圍內(nèi)。

2 模型預(yù)測(cè)及精度評(píng)估

2.1 模型預(yù)測(cè)結(jié)果對(duì)比分析

為進(jìn)一步準(zhǔn)確驗(yàn)證本研究所提出LSTM模型的預(yù)測(cè)能力，在采用LSTM模型對(duì)高速公路地基長(zhǎng)期沉降進(jìn)行預(yù)測(cè)的同時(shí)，繼而采用文獻(xiàn)[14]所給出的指數(shù)曲線法對(duì)所采集沉降數(shù)據(jù)進(jìn)行預(yù)測(cè)，指數(shù)曲線法基本表達(dá)式如下式所示：

s(t)=s∞-(s∞-s0)e(t0-t)/η

(10)

式中:s∞表示最終觀測(cè)沉降量值；t0表示任意觀測(cè)時(shí)刻；s0則表示時(shí)刻所對(duì)應(yīng)的觀測(cè)沉降值；η為模型擬合參數(shù)。

通過(guò)分別采用LSTM模型和指數(shù)曲線法進(jìn)行預(yù)測(cè)，得到實(shí)際觀測(cè)結(jié)果與預(yù)測(cè)結(jié)果對(duì)比曲線如圖3所示。從圖中可知，采用本研究所提出的LSTM模型獲取的預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果較為接近，充分論證了本研究所提出高速公路長(zhǎng)期沉降預(yù)測(cè)模型的正確性和合理性。

圖3 不同預(yù)測(cè)方法結(jié)果對(duì)比

2.2 精度評(píng)價(jià)

為對(duì)模型預(yù)測(cè)精度進(jìn)行評(píng)價(jià)，本研究中分別采用絕對(duì)誤差(erri)和相對(duì)誤差(r_erri)對(duì)不同數(shù)據(jù)點(diǎn)精度進(jìn)行表征。其計(jì)算公式分別如下：

(11)

式中:pi和oi分別表示第i個(gè)數(shù)據(jù)點(diǎn)的預(yù)測(cè)值和實(shí)測(cè)值。

通過(guò)計(jì)算得到不同數(shù)據(jù)點(diǎn)相對(duì)誤差值以及絕對(duì)誤差值如圖4所示。從圖中可知，采用LSTM模型進(jìn)行預(yù)測(cè)時(shí)，對(duì)于K38+210以及K32+100兩斷面而言，其平均絕對(duì)誤差分別為0.65 mm和0.27 mm，平均相對(duì)誤差值分別為1.23%和0.15%。就采用指數(shù)曲線法所獲取的預(yù)測(cè)結(jié)果而言，對(duì)于K38+210以及K32+100兩斷面，其平均絕對(duì)誤差分別為-4.96 mm和-9.21 mm，平均相對(duì)誤差值分別6.92%和2.67%。上述結(jié)果表明，本研究所提出的LSTM模型可有效反映高速公路地基長(zhǎng)期沉降特征，相較于傳統(tǒng)的指數(shù)曲線法而言，LSTM模型預(yù)測(cè)精度較高。

圖4 不同預(yù)測(cè)方法誤差對(duì)比

上文采用誤差分析指標(biāo)對(duì)LSTM模型預(yù)測(cè)能力進(jìn)行了初步評(píng)估，為更為直觀地表征兩類預(yù)測(cè)方法的預(yù)測(cè)能力，進(jìn)一步利用其預(yù)測(cè)值和實(shí)測(cè)值進(jìn)行回歸分析，得到如圖5所示結(jié)果。從圖中可直觀看出，LTSM模型預(yù)測(cè)值與實(shí)測(cè)值高度接近，對(duì)于K38+210以及K32+100兩斷面而言，其R值分別為0.996和0.998，而采用指數(shù)曲線法進(jìn)行預(yù)測(cè)時(shí)，兩斷面R值分別為0.912和0.901。由此進(jìn)一步表明，本研究所提出LSTM模型在預(yù)測(cè)高速公路地基長(zhǎng)期沉降問(wèn)題上具有顯著的高精度優(yōu)勢(shì)。

圖5 不同預(yù)測(cè)方法回歸分析

3 結(jié)論

考慮到高速公路建設(shè)和運(yùn)行過(guò)程中，路基長(zhǎng)期沉降將對(duì)其使用性能產(chǎn)生巨大影響，進(jìn)一步認(rèn)識(shí)并實(shí)現(xiàn)對(duì)路基長(zhǎng)期沉降行為的預(yù)測(cè)可為實(shí)際工程運(yùn)行和維護(hù)提供有效參考。本研究針對(duì)高速公路路基沉降問(wèn)題展開(kāi)研究，得到如下主要結(jié)論：

1) LSTM神經(jīng)網(wǎng)絡(luò)模型相較于一般曲線擬合方法具有容錯(cuò)性好、記憶功能強(qiáng)等顯著優(yōu)勢(shì)，可有效識(shí)別并保存已有數(shù)據(jù)中的隱藏信息特征?；谝陨蟽?yōu)勢(shì)，本研究構(gòu)建得到了針對(duì)高速公路路基長(zhǎng)期沉降預(yù)測(cè)的LSTM神經(jīng)網(wǎng)絡(luò)模型。

2) 在本研究中，利用高速公路路基長(zhǎng)期沉降特征的時(shí)序化特征，基于LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)其進(jìn)行預(yù)測(cè)，結(jié)果表明，所構(gòu)建LSTM模型可有效表征高速公路路基長(zhǎng)期沉降的非線性特征，相比較于指數(shù)曲線法而言，其誤差低、預(yù)測(cè)精度較高。

3) 考慮到實(shí)際工程建設(shè)中，高速公路的使用年限較長(zhǎng)，構(gòu)建合理預(yù)測(cè)高速公路路基沉降預(yù)測(cè)模型，可有效利用現(xiàn)有檢測(cè)數(shù)據(jù)實(shí)現(xiàn)對(duì)其長(zhǎng)期變形行為的高精度預(yù)測(cè)，可為高速公路的維護(hù)提供有效參考，具有較高的實(shí)際工程價(jià)值。