小波-支持向量機組合算法在地鐵沉降預測中的應用

(中鐵工程設計咨詢集團有限公司，北京 100055)

地鐵為緩解城市的交通壓力，提高城市通行效率作出了巨大貢獻。地鐵結(jié)構(gòu)位于地下空間，容易受到列車振動、周圍地質(zhì)條件等外界因素的影響而發(fā)生沉降[1，2]。當沉降變形超過一定的限度，勢必會影響列車運行的平順度，嚴重時可能會影響地鐵的運營安全。因此，進行持續(xù)性的沉降監(jiān)測和預報對于地鐵的安全運營和維護具有重要意義。

精確提取地鐵沉降監(jiān)測信息并做出可靠預報能夠為后續(xù)安全決策提供關鍵信息，最大限度地減少沉降變形帶來的危害[3]。地鐵沉降受到諸多因素的影響，且難以用一定的函數(shù)模型描述。同時，現(xiàn)有監(jiān)測手段容易受到周圍環(huán)境的干擾，監(jiān)測數(shù)據(jù)存在一定的誤差，如何準確提取監(jiān)測數(shù)據(jù)中的穩(wěn)定信息并以此為基礎做出可靠的預測成為熱點問題[4]。基于前期觀測數(shù)據(jù)建立數(shù)學模型，對未來沉降趨勢做出一定時間段的預測是目前常用的方法，如神經(jīng)網(wǎng)絡法、灰色系統(tǒng)理論、支持向量機、時間序列模型等[5-7]。其中，基于結(jié)構(gòu)風險最小化原理的支持向量理論具有較好的泛化能力。利用小波分析理論對實際觀測數(shù)據(jù)進行降噪處理，將降噪后的沉降監(jiān)測信息用于支持向量機沉降預測，其預測精度優(yōu)于單獨使用支持向量機沉降預測。

1 小波分析

對于地鐵沉降監(jiān)測數(shù)據(jù)X(t)，由于在觀測過程中，儀器不可避免地受到周圍環(huán)境以及人為操作誤差的影響，其中含有一定的隨機誤差，則沉降數(shù)據(jù)可以表示為

X(t)=f(t)+ε

(1)

其中，f(t)為觀測數(shù)據(jù)中的有用信息，ε為觀測數(shù)據(jù)中的隨機噪聲[8]。小波分析是一種時域和頻域都可以變化的分析方法，具有局部化分析的功能[9]。根據(jù)小波分析的定義，序列X(t)與小波函數(shù)的內(nèi)積為

W(a，b)={X(t)，ψa，b(t)}=

(2)

(3)

2 支持向量機

支持向量機理論(Support vector machine，SVM)是Vapnik團隊在1995年提出的一種模式識別方法，其基本原理基于統(tǒng)計學中結(jié)構(gòu)風險最小化原則，具有很強的泛化能力，能夠在樣本量較小的情況下做出最優(yōu)決策[10-12]。支持向量機理論的基本思想是將已知信息投影到高維超平面上，在高維空間將機器學習的正例和反例距離最大化。

SVM具體計算過程中，需要利用函數(shù)f(x)=wx+b對原始數(shù)據(jù)進行擬合，擬合函數(shù)為

(4)

其中αi和b通過優(yōu)化公式求得

(5)

在利用SVM對實際數(shù)據(jù)進行處理時，需要根據(jù)數(shù)據(jù)特性選擇合適的懲罰函數(shù)和損失函數(shù)。求得上述參數(shù)后，將參數(shù)帶回公式(4)中得到?jīng)Q策函數(shù)，即可獲得最優(yōu)的決策結(jié)果。

3 工程實例

為了檢驗小波-支持向量機組合算法在實際工程分析中的效果，基于某地鐵監(jiān)測點25期沉降數(shù)據(jù)進行工程實例分析。其中，每期數(shù)據(jù)間隔為7 d，前20期用于監(jiān)測模型的建立，后5期進行沉降預測。分別采用單獨SVM方法和小波-支持向量機方法(W-SVM方法)對后5期沉降數(shù)據(jù)進行預測，將預測結(jié)果與實際觀測數(shù)據(jù)進行對比，分析其預測精度。

3.1 小波去噪

實際沉降監(jiān)測過程中，受周圍環(huán)境的干擾，監(jiān)測數(shù)據(jù)中通常存在不規(guī)則的隨機誤差，會影響沉降數(shù)據(jù)分析的準確性和可靠性。因此，首先利用小波分析方法對地鐵的沉降監(jiān)測數(shù)據(jù)進行分解降噪處理，以獲得較為可靠穩(wěn)定的沉降信息。

采用小波進行4尺度分解，選擇合適分量進行小波重構(gòu)，得到去噪后的重構(gòu)序列。圖1為原始監(jiān)測時間序列和小波去噪后的平滑序列。原始監(jiān)測序列含有較多突起，并不平滑，不符合地鐵的沉降變化規(guī)律。經(jīng)過小波去噪后，整體曲線平滑，趨勢明顯，有利于后續(xù)分析。

圖1 原始監(jiān)測數(shù)據(jù)和小波降噪結(jié)果對比

3.2 沉降預測

以前20期原始沉降監(jiān)測數(shù)據(jù)和去噪數(shù)據(jù)作為支持向量機訓練集，對21～25期沉降數(shù)據(jù)進行預測，將預測結(jié)果與實際觀測數(shù)據(jù)進行對比，分析兩種方法的精度和可靠性。

圖2為實際檢測數(shù)據(jù)、SVM預測、W-SVM預測結(jié)果的時間序列對比。由于1～20期的原始序列存在一定的波動，導致SVM預測結(jié)果與實際監(jiān)測數(shù)據(jù)有較大偏差，而W-SVM采用小波去噪后的數(shù)據(jù)進行訓練，其預測結(jié)果與實際觀測數(shù)據(jù)更為接近，預測精度較高。

圖2 SVM和W-SVM預測結(jié)果與實際觀測結(jié)果的對比

3.3 精度統(tǒng)計

圖3 SVM和W-SVM預測誤差時間序列

以實際觀測數(shù)據(jù)為真值，對兩種預測方法的21～25期預測數(shù)據(jù)進行誤差統(tǒng)計。圖3為兩種預測方法結(jié)果的誤差時間序列，SVM方法預測結(jié)果誤差較大(-1.5 mm左右)，且存在一定的系統(tǒng)偏差。而W-SVM方法預測誤差在0附近波動，誤差分布在[-0.5，0.5] mm之間。表1為兩種預測方法的具體誤差統(tǒng)計。從表1可以看出，SVM方法的預測相對誤差在3.75%至6.37%之間，而W-SVM方法的預測相對誤差在0.58%至2.39%之間。綜上所述，基于小波分析去噪+支持向量機方法的預測精度明顯高于單獨的支持向量機方法。

表1 SVM和W-SVM預測誤差統(tǒng)計 mm

4 結(jié)論

采用具有時頻域分析功能的小波算法對原始監(jiān)測數(shù)據(jù)進行處理，得到較為平滑穩(wěn)定的沉降信息，然后將去噪后的信息建立SVM訓練集，對后續(xù)沉降變化做出預測。與單獨SVM預測結(jié)果相比，W-SVM方法預測精度更高，不受局部隨機誤差的影響，預測誤差較小且沒有明顯的系統(tǒng)偏差。工程實例結(jié)果顯示，基于小波-支持向量機組合算法的地鐵沉降預測方法能夠有效抑制觀測數(shù)據(jù)中隨機誤差的影響。

[1] 張明希，許捍衛(wèi)，葛文.基于小波分析與支持向量機的地鐵隧道沉降預測[J].工程勘察，2013，41(12):57-60

[2] 黃騰，孫景領，陶建岳，等.地鐵隧道結(jié)構(gòu)沉降監(jiān)測及分析[J].東南大學學報(自然科學版)，2006，36(2):262-266

[3] 李金鋒.遺傳BP神經(jīng)網(wǎng)絡在地鐵工程沉降預測中的應用[D].北京：中國地質(zhì)大學(北京)，2006

[4] 王堅，高井祥，鄭南山.基于小波理論的沉降監(jiān)測數(shù)據(jù)序列分析[J].大地測量與地球動力學，2005，25(4):91-95

[5] 楊敏，盧俊義.基坑開挖引起的地面沉降估算[J].巖土工程學報，2010，32(12):1821-1828

[6] 劉杰，姚海林，任建喜.地鐵車站基坑圍護結(jié)構(gòu)變形監(jiān)測與數(shù)值模擬[J].巖土力學，2010(S2):456-461

[7] Mendes R， Mohais A S. DynDE: a differential evolution for dynamic optimization problems[C]∥Evolutionary Computation， 2005. The 2005 IEEE Congress on. IEEE， 2005，3：2808-2815

[8] 薛茹，毛靈濤，安里千.小波分析在動態(tài)實驗數(shù)據(jù)處理中的應用[J].湖南科技大學學報(自然科學版)，2007，22(1):59-62

[9] 劉明才.小波分析及其應用[M].北京：清華大學出版社，2013

[10] 張瀟瓏.基于自適應粒子群優(yōu)化的SVM算法在建筑物沉降預測中的應用[J].測繪工程，2015(11):44-47

[11] 李鵬，高波.小波時間序列在廣州地鐵沉降監(jiān)測數(shù)據(jù)處理中的應用[J].城市勘測，2012(2):156-159

[12] 王劉準，邱衛(wèi)寧，花向紅，等.小波時間序列分析在高鐵沉降變形中的應用[J].測繪地理信息，2013，38(4):45-47