一种设施运行趋势预测方法

1.本发明属于定量预测领域，具体涉及一种基于希尔伯特黄变换和长短期记忆网络的临时设施运行趋势预测方法。


背景技术：

2.诸如冬奥会等运动会场会搭建大量的临时看台等临时设施，临时设施搭建起来后，为保障安全使用，需要临时设施除了要适应极端天气外，还要考虑大客流诱发的看台震动等情况，确保在使用期间设施的结构安全。因此，提供一种能够有效预测临时设施的运行趋势预测方法，是本领域技术人员亟待解决的关键问题。
3.现有技术中，缺少对搭建看台等设施的运行趋势预测的有效方法，其他领域如专利文献cn113988357a提出一种基于深度学习的高层建筑风致响应预测方法，采用了emd分解，通过emd-cnn-bilstm模型计算出待测高层建筑顶部位移的预测数据和变化趋势。然而，由于其直接将分解得到的imf分量输入到cnn网络进行了特征提取等手段，导致后续的预测和最终结果的精确度的损失。


技术实现要素：

4.针对现有技术的缺陷或改进需求，为了可以有效预测临时设施的运行趋势，构建了以希尔伯特黄变换+长短期记忆网络的模型，将信号处理算法和深度神经网络相结合，提出了一种全新的模型。
5.本发明提供了一种设施运行趋势预测方法，其目的是针对受严寒天气和大客流诱发的看台震动等一系列外因测得的时序数据进行预测，该方法解决了数据中一些无关特征因素的干扰导致预测准确度低的问题。
6.本发明提出一种设施运行趋势预测方法，包括如下步骤：步骤1:获取运动会场现场传感器数据，分别收集到两类传感器数据：倾角传感器和振动传感器。
7.步骤2:将数据采取经验模态分解（emd）。
8.步骤3：求解信号中所有局部极大值和局部极小值并构成上下包络线。
9.步骤4：求解上下包络线的平均值，并求原始信号与包络均值的差值。
10.按顺序连接上下包络线的均值可得到一条均值线:再用x(t)减去得到：对于不同的信号，可能是一个imf分量，一般来说它并不满足imf所需要的条件，此时将当作原信号，重复上述步骤，则有：
步骤5：判断是否满足imf分量的条件，如果不满足返回到极值计算，从新对信号继续进行极值和包络运算；如果满足条件，则得到imf分量和差值。
11.步骤6：判断一个差值信号是不是imf分量，需要有一个筛选过程终止的原则，通过利用两说明书个连续的处理结果之间的标准差sd作为判断依据：当满足sd的值要求时，称为第一阶imf，记为为第一阶imf，记为从原信号x(t)中减去得到剩余信号，即残差：然后将看作一组新的“原信号”，重复上述的经验模态分解过程，通过多次运算得到全部的imf和残差：其中i=1，2，3，.......n，当满足判断条件之一时，经验模态分解过程终止。
12.步骤7：对每个imf(ci(t))分量进行希尔伯特黄变换：其中，p表示柯西主值，t和表示时间。
13.上式中再得到相应imf的瞬时频率和瞬时幅值：中再得到相应imf的瞬时频率和瞬时幅值：步骤8：进一步的，基于希尔伯特黄变换和长短期记忆网络模型使用的回归损失函数和均方损失函数双重损失函数，定义为l(x,y)，公式如下：数和均方损失函数双重损失函数，定义为l(x,y)，公式如下：数和均方损失函数双重损失函数，定义为l(x,y)，公式如下：步骤9：将处理好的数据进行数据划分，划分为训练集，验证集和测试集比例为3：1：1。
14.步骤10：将数据进行数据清洗，并提供数据一致性。将数据集进行划分，并将其送入长短期记忆网络中，通过输入层，进入两个隐藏层，对于时间序列预测任务中，会在输出层后加上一层全连接层，最后得到预测结果。
15.步骤11：用样本的训练集对模型进行训练。通过每次的迭代获得最好的模型参数，并将其保存下来。
16.步骤12：将保存下来的模型，用于模型的最终测试。
17.本发明提供了一种设施运行趋势预测方法，对输入的信号先进行分解，分解出高频、中频和低频三个部分的信号。这样的做法便于可以分别从高、中、低三部分的频段来提取特征，也可以将低频部分的无关特征剔除，将高、中频部分的特征相结合，可以有效提高模型的预测准确度，减少无关特征对模型准确度的影响。特别的，本发明在得到imf分量后，并对每个imf信号进行hilbert变换（emd+hilbert结合称为希尔伯特黄变换），就可以获得有意义的瞬时功率，从而给出频率变化的精确表达。
附图说明
18.为了更清楚地说明发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明方法框架图；图2是本发明hht+lstm算法流程图；图3是本发明长短期记忆网络(lstm）网络结构图。
具体实施方式
20.下面结合附图对本发明作进一步详细说明，本发明提供了一种设施运行趋势预测方法，具体步骤如下：步骤一：获取设施现场传感器数据。
21.分别收集到两类传感器数据：倾角传感器和振动传感器。
22.步骤二：将数据采取经验模态分解（emd）。
23.具体步骤如下：步骤三：求解信号中所有局部极大值和局部极小值并构成上下包络线。
24.步骤四：求解上下包络线的平均值，并求原始信号与包络均值的差值。
25.按顺序连接上下包络线的均值可得到一条均值线:再用x(t)减去得到：对于不同的信号，可能是一个imf分量，一般来说它并不满足imf所需要的条件，此时将当作原信号，重复上述步骤，则有：步骤五：判断是否满足imf分量的条件，如果不满足返回到极值计算，重新对信号继续进行极值和包络运算；如果满足条件，则得到imf分量和差值。
26.步骤六：判断差值信号是否为imf分量。
27.通过利用两个连续的处理结果之间的标准差sd作为判断依据，以判断差值信号是否为imf分量：当满足sd的值要求时，称为第一阶imf，记为为第一阶imf，记为从原信号x(t)中减去得到剩余信号，即残差：然后将剩余信号残差看作一组新的“原信号”，重复上述的经验模态分解过程，通过多次运算得到全部的imf和残差：其中i=1，2，3，.......n，当满足判断条件之一时，经验模态分解过程终止。
28.步骤七：对每个imf(ci(t))分量进行希尔伯特黄变换：其中，p表示柯西主值，t和表示时间。
29.上式中再得到相应imf的瞬时频率和瞬时幅值：中再得到相应imf的瞬时频率和瞬时幅值：步骤八：其中，基于希尔伯特黄变换和长短期记忆网络模型使用的回归损失函数和均方损失函数双重损失函数，定义为l(x,y)，公式如下：和均方损失函数双重损失函数，定义为l(x,y)，公式如下：和均方损失函数双重损失函数，定义为l(x,y)，公式如下：步骤九：将处理好的数据进行数据划分，划分为训练集，验证集和测试集。划分比例可为3：1：1。
30.步骤十：将数据进行数据清洗，并提供数据一致性。
31.将数据集进行划分，并将其送入长短期记忆网络中，通过输入层，进入两个隐藏层，对于时间序列预测任务中，会在输出层后加上一层全连接层，最后得到预测结果。
32.步骤十一：样本的训练集对模型进行训练，进行结果评价。
33.通过每次的迭代获得最好的模型参数，并将其保存下来，并使用测试集对模型进行测试。
34.采用四个误差评价标准来分析模型的可行性和有效性，分别是平均绝对误差emae、平均绝对百分比误差emape、均方根误差ermse以及运行时间t。
35.其公式为：其公式为：其公式为：其中，n为测试样本，为i时刻的实际数据，为i时刻网络的输出数据预测值。
36.本发明在得到imf分量后，并对每个imf信号进行hilbert变换，就可以获得有意义的瞬时功率，从而给出频率变化的精确表达。emd+hilbert结合称为希尔伯特黄变换（hht）算法自适应的利用了信号的局部信息，从而获得信号某一时刻的顺势状态。
37.本发明通过将接收的高频的实信号，结合已知的载频信息，还原出基带的复信号，以简化信号处理流程。通过将一个实信号做希尔伯特黄变换再与原来的信号相加，便可以得到一个复信号，即将这个信号从双边带（实信号）变成了单边带（复信号只有正频率）。进行希尔伯特黄变换后对于后续的预测和最终结果的精确度起到了非常重要的作用。
38.此外，本发明的通过希尔伯特黄变换以达到频分复用的效果，即各个原信号在时域上共用，但在频域上相互独立的一个方式。此方法能将各个原信号调制至不同的频率段，使得它们互不干扰，并且通过之前类似的方法总能将调制信号中的各个原信号解调出来。emd分解出来的信号处于高频、中频和低频三种不同频率的信号，希尔伯特黄变换也能很好的处理不同频率段的信号并且不会互相影响，避免了对后续预测的结果精度产生影响和偏差。
39.本发明还提供一种设施运行趋势预测模型，包括数据采集模块、参数选取模块、数据预测模块和性能评价模块，其中：所述数据采集模块，用于设施现场实时勘测数据，并对数据进行处理；所述数据采集模块包括经验模态分解、数据清洗的处理。
40.所述参数确定模块，通过长短期记忆网络训练数据，保存最优参数模型；所述参数确定模块包括经验模态分解的imf向量数量；lstm隐藏层的个数和全连接层的参数设定，初始权值和阈值；所述算法参数子模块确定模型的迭代次数。
41.所述数据预测模块，用于处理后的新样本上，并未预先进行训练和验证的数据，采用基于希尔伯特黄变换和长短期记忆网络的预测方法，对临时设施未来趋势进行预测。
42.所述性能评价模块，采用平均绝对误差mae，均方根误差rmse，平均绝对百分比误差mape对模型预测结果进行评价。
43.为了说明的目的，前述描述使用具体命名以提供对所述实施方案的透彻理解。然而，对于本领域的技术人员而言将显而易见的是，不需要具体细节即可实践所述实施方案。因此，出于例示和描述的目的，呈现了对本文所述的具体实施方案的前述描述。这些描述并非旨在是穷举性的或将实施方案限制到所公开的精确形式。
44.本领域的技术人员可以理解，本发明是可通过计算机程序指令来实现的。这些程
序指令可在计算机、专用编程的处理器或硬件中实行，因此在其中执行的指令可有利于上述的功能的执行。在不脱离发明技术的原理的前提下，可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。