矩阵中所有点对应的所述倾斜角度预测值。
[0128]S300,获取输出的倾斜角度预测值，将所述数据矩阵中各个点对应的倾斜角度预 测值与预设倾斜角度阔值进行比较，并将超出预设倾斜角度阔值的所有倾斜角度预测值在 数据矩阵中对应点处的风向和风速进行保存，形成易倾斜风向风速数集。
[0129]S400,获取建筑物所处环境在未来一段时间内的风向和风速的预报值，将所获取 的建筑物的风向和风速的预报值与易倾斜风向风速数集中的各点处的风向和风速进行比 较，当所获取的风向和风速的预报值落入易倾斜风向风速数集中的风向和风速的预设范围 时，发出预警的信号。
[0130] 本发明实施例的建筑物倾斜角度的预测方法，读取建筑物的倾斜角度测量值，按 照每个倾斜角度测量值对应的风向和风速，导入到W风向为纵坐标轴、风速为横坐标轴的 数据矩阵R(MXN)中，此时数据矩阵中导入的为倾斜角度的已知数据。为了更好的预测建 筑物的倾斜角度，已知数据至少为2个，具体的，已知数据在数据矩阵中占有的比例根据构 建的数据矩阵的大小而定，若构建的数据矩阵较小时，已知数据占数据矩阵中数据元素总 数的比例较大，若构建的数据矩阵较大时，已知数据占数据矩阵中数据元素总数的比例较 小。如，若M= 36,N= 12时，已知数据占数据矩阵中数据元素总数的10% -20%时较好， 若M= 15,N= 10时，已知数据占数据矩阵中数据元素总数的20% -30%时较好。采用矩 阵分解法和梯度下降法对数据矩阵中的已知数据进行拟合，就能得到数据矩阵中所有点的 倾斜角度预测值，对数据矩阵进行多次拟合，直至数据矩阵中倾斜角度测量值与数据矩阵 中对应的倾斜角度预测值的均方根误差满足预设条件，此时输出新的数据矩阵护(MXN)， 新的数据矩阵护中有相应风向、风速下的倾斜角度预测值，若要进一步的获得更多风向、风 速下的倾斜角度预测值，则可采用插值算法获得，也可W将数据矩阵R对应的风向、风速的 维数构建的更大，W此获得更多风向、风速下的倾斜角度预测值。获得倾斜角度预测值后， 将数据矩阵护中各个点对应的倾斜角度预测值与预设倾斜角度阔值进行比较，将超出预设 倾斜角度阔值的所有倾斜角度预测值对应点的风向、风速进行保存，形成易倾斜风向风速 数集，通过收听当地气象部口的天气预报或者利用传感器检测的方法获取建筑物所处环境 在未来一段时间内的风向和风速的预报值，并将其与易倾斜风向风速数集中各点处的风向 和风速进行比较，若建筑物所处环境在未来一段时间内的风向和风速的预报值在易倾斜风 向风速数集中的风向和风速的预设范围内，则发出建筑物倾斜角度超过预设倾斜角度阔值 的预警信号，信号可W通过设置报警装置（如扬声器或警示灯），也可通过短信息等方式提 醒相关工作人员，工作人员对相应风向、风速环境下的建筑物采取应对措施，防止产生建筑 物倒塌的后果，工作人员根据提醒信息采取相应措施，减少了工作人员的工作量。
[0131] 具体的，作为一种可实施方式，构建的矩阵R(36X 12)，即风向分为36个方向（W 建筑物为中屯、的圆周方向每隔10°划分为一个方向），风速分为12个等级（预测风速在 60m/s W下建筑物的倾斜角度，将每5m/s划分为一个风速等级）。风向表示为；正北=0， 北偏东10。=1，北偏东20。=2,北偏东30。=3,北偏东40。=4,北偏东50。=5,北 偏东60 二6,北偏东70 二7,北偏东80 二8,正东（北偏东90 )二9,…正南二 18，…正西=27，…西偏北80。=35。数据矩阵R第一行第一列对应的数据表示的为正 北方向、5m/s风速下的倾斜角度，依次类推，数据矩阵第5行，第5列对应的数据表示的为北 偏东50° (东偏北40° )、5m/s风速下的倾斜角度，最后一行最后一列对应的数据表示的 为西偏北80°、60m/s风速下的倾斜角度。采用传感器或其他方式测量10个不同风向、风 速下的倾斜角度测量值，并将该10个倾斜角度测量值导入数据矩阵中对应的位置上，然后 采用矩阵分解法和梯度下降法对该10个倾斜角度测量值进行拟合，由于该10个倾斜角度 测量值之间有一定的蕴含关系，因此多次拟合后得到数据矩阵中每个位置上对应的倾斜角 度预测值。优选的，该10个倾斜角度测量值相对均匀的分布在数据矩阵中，已知数据在数 据矩阵中分布的相对越均匀，相邻已知数据之间蕴含的信息更容易被拟合出来，倾斜角度 的预测效果越好。
[0132] 其中，获取的建筑物所处环境的风向和风速预报值有可能不是数据矩阵中对应的 风向和风速，有一定的偏差，比如获取的建筑物所处环境的风向的预报值为北偏东53°，风 速的预报值为llm/s，而数据矩阵中没有相应该风向和风速预报值下的倾斜角度预测值，此 时需判断该风向和风速的预报值与数据矩阵中对应的哪个风向和风速较接近，即落入哪个 风向、风速的预设范围，在其中一个实施例中，将风向为北偏东53°，风速为llm/s落入北 偏东50°、风速为lOm/s的预设范围内，如此便能获知北偏东53°，风速为llm/s下建筑物 的倾斜角度预测值，工作人员根据倾斜角度预测值采取相应的应对措施，避免建筑物出现 倒塌的现象。预设范围根据具体实施过程中相关的经验值而定，如采用四舍五入的方法而 定。
[0133] 具体的，参见图2、图3,在步骤S100之后，还包括步骤S110,较佳的，当所有的倾斜 角度测量值导入数据矩阵之后，数据矩阵中仍有空缺的数据位置，则在空缺的数据位置上 导入预设常数，W保证数据矩阵是一个完整的，没有空缺数据位置的矩阵。其中，导入的预 设常数可W为0,也可W为远大于所有倾斜角度测量值的数值。
[0134] 值得说明的是，本发明中提到的建筑物可为GSM-R通信铁塔、输电线铁塔或其他 高层建筑等。当建筑物为GSM-R通信铁塔或输电线铁塔时，上述建筑物监测系统相应为铁 塔监测系统。
[0135] 作为一种可实施方式，参见图2,步骤S200包括如下步骤；
[0136] S201，采用最小化均方根误差方法，构建需要优化的函数表达式：
[0137]
[013引其中，所述建筑物的倾斜角度的预测公式为rl, =&?取。Pd为风向d的向量，q,为 风速S的向量，K为所述建筑物经历的风向和风速的集合，rd,为特定风向d与风速S的组 合出现时所述建筑物的倾斜角度测量值，L为所述倾斜角度测量值与所述倾斜角度预测值 均方根误差的最小值。
[0141] S204,采用梯度下降法得到Pd向其负梯度方向的迭代运算公式为：
，其中，n为学习率。
[0142] S205,采用梯度下降法得到q,向其负梯度方向的迭代运算公式为：
，其中，n为学习率。
[014引 S206,将函数L对于Pd的梯度R(d)代入P <1向其负梯度方向的迭代运算公式，得到 Pd= P d+2 n ? Gds ? Qs。
[0144] S207,将函数L对于屯的梯度R(s)代入q,向其负梯度方向的迭代运算公式，得到 Qs=Qs+2n?Gds?Pd。
[0145] S208,根据最终得到的风向d的向量值和最终得到的风速s的向量值，利用公式 >二=趴'g,求得所述建筑物的倾斜角度预测值。
[0146] 为了实现精确快速的拟合数据矩阵中的倾斜角度测量值，得到倾斜角度预测值， 在具体实施例中，采用矩阵分解和梯度下降法，并通过自动计算步长的迭代方法来实现步 骤S200。把一个矩阵分解为两个矩阵的乘积，可W解决很多问题，其中一个就是预测给定 风向、风速下建筑物的倾斜角度。因此获得倾斜角度预测值就转化为找到风向特征矩阵 P(MXK)和风速特征矩阵Q〇(XN)使得公式
的值最小，由于该 公式右侧为连续函数，所W当其梯度为0时公式的值最小，得到使得L最小的矩阵Q和矩阵 P。假设输入的倾斜角度测量值矩阵为R，R为MXN维矩阵，通过直接优损失函数L得到风 向特征矩阵P(MXK)和风速特征矩阵Q化XN)，其中，K《M，N。
[0147] 首先，求函数L对于Pd的梯度R(d):
梯 度R(d)表示所有与风向d同时出现过的风速，其结构是一个K维向量，每个位置上的元素 对应的是风向d在K维空间的向量对应的梯度值。类似的，求函数L对于q,的梯度R(s):
梯度R(s)表示所有与风 速S同时出现过的风向，其也是一个K维向量，每个位置上的元素对应的是风速S在K维空 间的向量对应的梯度值。通过上述两个梯度函数发现风向梯度和风速梯度的函数表达式的 形式是一致的，不同的是扣和q,互换了位置。其次，将学习率记为n，则和q,的每一步 向其负方向的迭代运算公式关
最后，将L对于Pd的梯度 函数及L对于屯的梯度分别代入，得到风向迭代公式为P d= P d+2 n ? ?屯，风速迭代公 式为屯=q ,+2 n 'Gd,'Pd，当迭代结果满足预设条件时，就能根据最终得到的风向d的向量 值和风速S的向量值，利用公式>;1=化得到给定风向、风速下的建筑物的倾斜角度预测 值。
[014引其克服了传统的数据分析方法不能基于上述倾斜角度的已知数据中蕴含的信息 预测任意风向、风速下的倾斜角度的缺陷，能够对建筑物在一定范围内风向、风速下的倾斜 情况作宏观分析，保证了数据分析结果的精确性，并且，其充分挖掘已有数据中的信息，通 过矩阵分解和梯度下降等方法拟合倾斜角度测量值，从而实现了对未知数据的预测功能， 增加了后续数据分析的精确性，由于该方法采用了矩阵分解法和梯度下降法，因此能够得 知分解后风向、风速的向量，进而获知造成建筑物倾斜的原因中风向、风速中各自所占的比 例，确定哪个是最主要的原因。同时，本发明的建筑物倾斜角度的预测方法采用全自动运行 模式，将该方法直接嵌入现有的建筑物监测系统中，可实现全年无人值守不间断自动计算， 最大程度的利用了传感器采集的建筑物倾斜角度和风向、风速及其对应关系提供的额外信 息量，有效提高了建筑物监测系统数据分析的性能，同时还节省了人力成本。
[0149]进一步的，在执行步骤S200时，为了防止数据矩阵中的倾斜角度测量值发生过 拟合，通过在需要优化的函数表达式中加入正则化项来避免，S210b，加入正则化项后构 建的函数表达式如下：
'其中，MPdll2 = (|PdJ2+IPd2|2+……+ |PJ2)1/2, MPdl l2为P d的二范数（即P d向量所有元素的平方和）， kl l2= (ksJ2+k2|2+……+ kJ 2) 1/2, I |qj I 2为Qs的二范数（即Qs向量所有元素的平 方和），A为正则化系数。选择二范数的原因是风向、风速在维度上的数值分布一般认为是 符合正态分布的，该种情况下使用二范数，计算精度较高。
[0150] 相应的，加入正则化项后，通过如下步骤来实现：
[0151] 首先，求函数L对于Pd的梯度R(d):
[0153] 其次，采用梯度下降法得到Pd向其负梯度方向的迭代运算公式为：
[0154] 采用梯度下降法得到q,向其负梯度方向的迭代运算公式为
[015引进而，将函数L对于Pd的梯度R(d)代入Pd向其负梯度方向的迭代运算公式，得到Pd=Pd+2n? (6ds?Qs"入?Pd)，其中，刮s=rds-Pd?Qs，n为学习率。
[0156] 将函数L对于屯的梯度R(s)代入q,向其负梯度方向的迭代运算公式，得到q,= Qs+2n? (6ds? 口广^ ?Qs)，其中，刮s=rds-Pd?Qs，n为学习率。
[0157] 最后，根据最终得到的风向d的向量值和最终得到的风速s的向量值，利用公式