基于小波优化LSTM-ARMA模型的岩土工程非线性时间序列预测

Q1：文献在解决什么问题（摘要、引言）

更精确预测岩土工程应力和变形等的非线性时间序列

Q2：为什么问题在这个领域重要（引言）

1、岩土工程应力、变形具有非线性、随机性、模糊性、高度复杂性

2、传统分析方法，理论计算方法不成熟、只适用于特定工况，有较大误差、精度难以满足要求

3、智能预测成为岩土工程领域的发展趋势：

• 灰色预测、时间序列分析：不具备滚动预测的能力

• 优化算法（遗传算法、蚁群算法）：有局部极值问题

• BP（反向传播）神经网络：梯度消失、梯度爆炸问题

• LSTM：对高度非线性的数 据有着极强的映射能力”

4、智能方法在岩土工程领域：

• 基于模型的反演方法——基于少量数据，修正现有土体模型参数

• 基于大数据的之恶能算法——不考虑土力学原理，直接通过数据学习对象间的隐藏规律——本文目的

5、监测数据中有噪声的干扰

小波分析、LSTM 神经网络与 ARMA 模型的结合使用

Q3：作者怎么解决这个问题的（具体试验设计、优化）

1、预测模型

• 线性插值等方法处理非线性时间序列

• 选取适当小波基函数和分解函数，对时间序列进行小波降噪，分解成趋势项 trend（t） 与噪声项 noise（t）之和

• 趋势项采用LSTM进行滚动预测

• 噪声项采用ARMA（自回归移动平均模型）预测

• 预测值相加得到总的预测值

  

2、工程实例分析

• 数据预处理：分段线性插值

• DB-1监测数据建模预测

• 其余监测点数据建模预测

工况 2 为抽水试验和疏干降水，其引起监测点变形的速率要大于工况 1 中的围护墙施工

• 样本数量的影响：依据预测精度要求，有必要合理地选择样本数量；在满足工程需求的条件下，继续增大样本数量，对提高预测精度非常有限，反之还将显著降低计算效率

3、有限元验证

• 基坑开挖诱发沉——弹塑性有限元

• 非开挖诱发沉降——智能预测模型

Q4：问题解决的亮点、局限、应用（数据分析、应用展示、结论、展望）

1、通过小波降噪提取的趋势项可以更真实地反映基坑变形规律

2、若后续工况与前置工况沉降规 律相近，则预测误差较小

3、在非开挖工况向开挖工况突变阶段，单一人工智能预测模型预测可能产生较大的误差