楊昌松，邱 勁，韋 俊，胡中天，王玉立，晏 俊，吳宏杰,2,3

（1.蘇州科技大學 電子與信息工程學院 江蘇 蘇州 215009；2.蘇州科技大學 蘇州智慧城市研究院 江蘇 蘇州 215009；3.蘇州大學 江蘇省大數據智能工程實驗室、江蘇省計算機信息處理重點實驗室 江蘇 蘇州 215009；4.蘇州科技大學 土木工程學院江蘇 蘇州 215011）

隨著我國城市現代化水平不斷開展，既有建筑的安全問題成為城市建設一大課題。建筑安全是城市穩(wěn)定發(fā)展、人民幸福滿意度的重要保障，如何預防既有建筑出現安全性問題也越來越受到政府的重視[1]。危房等級評估是當前既有建筑安全管理的重要手段之一。傳統(tǒng)的既有建筑的危房等級評估采用人為評估的方式，近些年來隨著機器學習方法不斷進步，采用機器學習方法不僅能自動的對危房等級進行評估，避免了人為出現的異常情況，而且可以批量快速的對危房等級進行評估。舊房由于各種安全問題的長期積累成為危房，即存在長期依賴問題。危房會發(fā)生局部結構沉降和水平偏移，為避免造成人身安全事故和財產損失，一般需要對危房進行等級評估[2]。危房等級數據分類[3]如表1所列，其中，危房等級一級表示安全，可以居住；危房等級二級表示基本安全，可以居??；危房等級三級表示危險，不可居?。晃７康燃壦募壉硎靖呶?，不可居住。

表1 危房等級分類表

近些年來國內外學者對建筑物的仿真預測展開了深入研究，Xiao Li等人在文獻[4]中提出了一種基于多點測量的最小二乘支持向量機對建筑位移實現監(jiān)測與預測，通過更好地利用最小二乘損失函數中的等式約束，提高了數據處理效率。代洪偉在文獻[5]中，通過BIM技術降低成本風險，加強建筑質量安全管理，從而提升協同管理能力。Yozo Fujino在文獻[6]中通過對日本橋梁和建筑結構檢測案例研究中總結出經驗教訓及反饋意見。但是以上方法都未很好解決長期依賴問題。

LSTM是Sepp Hochreiter和Jürgen Schmidhuber于1997年提出的一種特殊RNN，它不但解決了長序列訓練過程中的梯度消失和爆炸問題，而且在解決一些工程應用的非線性問題上也有良好的適用性。由于危房等級評估存在長期依賴問題，所以采用LSTM模型。LSTM主要包含三個連續(xù)循環(huán)結構[7]，每個循環(huán)結構有兩個輸出，其中一個即為單元狀態(tài)，LSTM網絡結構由輸入門、遺忘門、輸出門和單元狀態(tài)這四個部分組成。

因為長短期記憶神經網絡在預測過程中會存在信息衰減問題，所以加入了注意力機制用于緩解預測模型中的信息衰減。除此之外采用Adagrad梯度下降算法[8]對LSTM網絡結構層中的權重參數進行修正，以達到提高模型預測精度的目的。最后，將AD-AB-LSTM模型在危房監(jiān)測數據集上做獨立測試得到了不錯的效果，說明此模型的預測效果良好。

1 基于注意力機制的危房等級預測方法

1.1 危房等級預測與監(jiān)測數據

監(jiān)測設施部署地址為江蘇省無錫市錫山區(qū)東北塘街道東北塘社區(qū)，該地常年處于施工地段，加上房屋年代久遠，成為危房的可能性大大提高。該工程占地總面積約為400 m2，覆蓋十余戶人家，監(jiān)測概況主要如下：

（1）本工程結合物聯網技術與云服務平臺，A1采用HS726T-M數字型雙軸傾角傳感器，ISO9001:2015標準；A2～A7采用壓差式靜力水準儀，RS485輸出，標準Modbus-RTU協議，綜合精度0.05%～0.1%FS。

（2）工程圍繞危房，依靠導液管、導氣管與485雙絞線相連，圍繞周長約100 m，為預防冬季溫度低，導致液體結冰，導液管中液體采用防凍液以達到精準監(jiān)測目的。

（3）為準確反映危房局部結構沉降變化情況，對危房圍設監(jiān)測點進行監(jiān)測，點位采用長螺絲固定于四周，監(jiān)測點分布圖如圖1所示。

如圖1所示，A1為危房水平位移監(jiān)測點，A2-A7點為危房局部沉降監(jiān)測點，將處理后的監(jiān)測數據作為LSTM的輸入樣本，構建數據集[9]，選取其中70%的樣本數據作為訓練樣本，30%的樣本數據作為預測樣本。

圖1 危房結構監(jiān)測點分布圖

其中，i∈[2，7]，Ai*為最終記錄至數據庫的監(jiān)測值，即數據集樣本值；Ai為i號靜力水準儀的本次監(jiān)測值；A10為i號靜力水準儀的基準監(jiān)測值；A20為2號靜力水準儀的基準監(jiān)測值。

1.2 危房評估總體流程

長短期記憶人工神經網絡主要實現過程如下：

將監(jiān)測數據作為輸入，輸出的結果記為x，這里的x分別與4個權重矩陣（w（f），w（i），w（j），w（o））進行矩陣點乘操作，分別得到4個需要的結果矩陣（f，i，j，o）。其中，4個w就是LSTM細胞的核心權重，訓練LSTM的目的就是訓練這四個權重w。對4個結果矩陣分別進行s（sigmod）操作（即（s（f），s（i），s（j），s（o））。接下來就是計算新的輸出c*，

再計算新的輸出h，

結果如上步驟，一次cell就計算完畢了，可以得到c*和新h*，再將本次得到的h作為本次的輸出，將得到的c和h作為下次cell操作的輸入。

1.3 網絡輸入輸出設計

選取無錫市危房監(jiān)測工程結構位移監(jiān)測點A1-A7，從2020年10月1日到2021年3月16日的沉降監(jiān)測數據為依據，將時間序列作為輸入樣本影響因素，輸出層單元個數為1，進行LSTM訓練[10]。表2為LSTM的輸入、輸出層設計[11]。其中，A*in（0＜i＜8）為號監(jiān)測設備n條監(jiān)測位移值；A*in+1為經過神經網絡訓練后得到的A*in+1號監(jiān)測設備的預測位移值。

表2 網絡輸入、輸出層設計

1.4 注意力機制

研究發(fā)現，注意力機制能夠有效緩解序列預測模型中的信息衰減[12]。注意力機制使得神經網絡不僅僅依靠上下文向量，還可以在每一個時間步上考慮所有輸出向量，通過權重分配，加權求和得到LSTM在當前時間步最關注的信息。

注意力機制關注的是目標序列中某一時間片上的值xtk與依賴序列xts-te=[xts，…，xte]的相關性，而相關性則是由一組權值表示。 可知目標值xk與依賴序列xts-te中的所有元素都具有相同的維度dx。將xk與xts-te映射到參數空間后：

其中，WQ是dx×dq維的查詢參數矩陣；WK是dx×dk維的關鍵參數矩陣；WV是dx×dv維的價值參數矩陣，其中dq=dk。由于WQ、WK、WV這三個矩陣的作用類似于全連接神經網絡中的權重矩陣，因此參數需要通過反向傳播算法來更新[13]。目標值與參數矩陣QUERY相乘可以使得目標值從dx維度的xtk映射為dq維度的Q；xts-te矩陣映射為元素維度為dk的K矩陣和元素維度為dv的V矩陣與上原理相同。K與V都是對依賴序列的另一種表達，兩者之間的區(qū)別在于：K是用來衡量目標值與依賴序列的相關性，即用來求解權值，V是用于計算權值與依賴序列的加權和，即用來求解注意力機制的輸出。

依賴序列與目標值之間的關系為

其中，softmax（即soft）是深度學習中常用的softmax激活函數，將數據歸一化（0，1）區(qū)間，即

1.5 梯度下降算法

Adagrad算法在對不同參數分量進行拆分的同時分配不同的學習率，這就是學習率適應參數變化[14-15]，它可以快速且精準的識別出數據中極具預測價值但容易被忽視的特征。Adagrad算法的更新公式如下

1.6 AD-AB-LSTM

AD-AB-LSTM模型[16-17]具體步驟如下：（1）通過Adagrad找到合適的參數達到最小化LSTM目標函數誤差的目的[18-20]；（2）通過上層LSTM輸出結果至下層LSTM[21]；（3）將步驟（2）中輸出結果輸入進Attention層，通過對其分配不同的權重，加權求和得出新的輸出向量；（4）通過全連接層轉換輸出結果，根據輸出計算RE，將RE輸出。其結構如圖2所示。

圖2 AD-AB-LSTM模型結構

AD-AB-LSTM算法模型的偽代碼如下：

2 實驗與分析

數據集采集自無錫東北塘社區(qū)自2020年10月1日至2021年3月16日A1至A7點位，時間間隔為30分。所有監(jiān)測數據皆是以A2為基準點得出的。然后，選取每個點位時間段的前70%的樣本數據作為訓練樣本，后30%的樣本數據作為預測樣本。

實驗將AD-AB-LSTM模型與RNN模型、LSTM模型、SVM模型作比較。

實驗程序通過RNN模型、LSTM模型、SVM模型以及AD-AB-LSTM模型對危房局部結構沉降數據已經水平偏移數據進行了預測。結果顯示AD-AB-LSTM模型預測結果最好。

預測結果評估標準RE公式如下：

其中，RE越接近于0，表示模型預測精度更加準確，即預測效果更好。只有當危房等級都限定在二級內，才達到安全標準，允許居住。

（1）危房等級間接預測法

表4為三種方法仿真比較結果，其中A1數據為危房局部結構水平偏移，A2,A3，…，A7數據為危房局部結構沉降。將未標注分類的數據輸入進算法，得出預測結果后通過計算求出危房對應等級。由表4可知，ADAB-LSTM模型預測更加準確，精度更佳。其中，RNN模型預測平均RE=1.138 6，LSTM模型預測平均RE=0.209 4，SVM模型預測平均RE=0.332 4，AD-AB-LSTM模型預測平均RE=0.056 5。可知AD-AB-LSTM模型預測精度比RNN模型預測精度、LSTM模型預測精度及SVM模型預測精度分別提高了1.082 1、0.152 9及0.275 9。究其原因，還是注意力機制能夠有效緩解預測模型中的信息衰減以及梯度下降自適應調節(jié)學習率。

表4 AD-AB-LSTM模型與RNN模型、LSTM模型和SVM模型仿真結構比較

（2）危房等級直接預測法

在監(jiān)測數據的基礎上，參照危房等級分類表采用了4分類標注的方法對初始數據做了處理，將標注的結果按照如上方法輸入到預測模型中。 由表5可知，在預測精度并不明顯的結果中，SVM、LSTM與AD-ABLSTM模型的預測結果相差不大。RNN模型的預測結果存在部分差異，原因在于RNN模型訓練時前部序列信息在傳遞到后部時，信息的權重下降，導致了前部重要信息丟失，準確度下降，而AD-AB-LSTM模型則很好的解決了這一問題。結合實驗結果可分析出，AD-AB-LSTM模型預測更加準確，精度更佳,而實驗所依賴的工程實例危房等級為一級，達到安全標準，可居住。

表5 AD-AB-LSTM模型與RNN模型、LSTM模型和SVM模型仿真結構比較

3 結語

針對危房局部結構沉降預測不精確的問題，通過基于梯度下降注意力長短期記憶人工神經網絡對危房等級評估，在LSTM中加入注意力機制以及隨機梯度下降算法，大大緩解序列預測模型中的信息衰減，使得LSTM模型的性能得到大幅提高。輸入特征考慮到時間影響，所以按照時間順序輸入，使得預測結果更接近實際值。

提出的AD-AB-LSTM模型運用在危房等級預測實例中，預測值和實際采集數據偏差在可接受范圍內，實際危房等級預測起到了良好的實際效果，采用的預測方法也為以后的工作提供了新思路。此外，所采用的基于注意力長短期記憶人工神經網絡的優(yōu)化算法是Adagrad優(yōu)化算法，該優(yōu)化算法存在些許缺陷，下一步的研究改進方向是選取更優(yōu)的梯度下降算法，優(yōu)化LSTM的模型結構，降低相應預測模型的誤差率。