本发明涉及隧道掘进领域，尤其涉及一种大直径盾构掘进地表沉降智能预测模型的训练方法及设备。
背景技术：
1、在城市隧道的盾构施工过程中，盾构掘进施工难免引起地层扰动，从而对表层土体和临近构筑物产生附加荷载，继而产生地表沉降和变形的过程，从而对地面建筑和交通道路产生威胁。人工智能技术飞跃发展的同时，给盾构隧道施工技术也提供愈加智能化方向发展的需求。使用机器学习技术进行盾构施工过程中的地表沉降实时预测，这对于制定施工策略和确保施工安全至关重要。
2、当前，广大研究者们对盾构隧道施工引发的地表沉降预测问题进行了深度探讨，其中传统的研究手段包括经验公式法、理论法、数值模拟以及相似模型分析法等。
3、然而，这些方法均存在一定的局限性，例如，1)由于岩土体材料的离散强度具有广泛的不确定性，这使得预测具有一定的难度；2)模型的复杂性由于自变量的众多导致，这使得模型难以广泛适用；3)输入参数维度受到限制，对非线性关系分析不强等问题。
技术实现思路
1、本发明实施例提供了一种大直径盾构掘进地表沉降智能预测模型的训练方法及设备，可以提高预测模型的预测地表沉降的准确度。
2、本发明第一方面提供了一种大直径盾构掘进地表沉降智能预测模型的训练方法，包括：
3、确定目标区域所对应的影响因素时序数据的影响范围；
4、基于所述影响范围从盾构掘进参数时间序列数据中确定初始训练数据集，所述初始训练数据集中每个初始训练数据为不同时刻的掘进机运行参数以及地层特征参数；
5、对所述初始训练数据集进行预处理，以得到模型训练数据集，所述模型训练数据集中包括训练数据集以及测试数据集；
6、基于长短期记忆网络lstm构建初始沉降预测模型，所述初始沉降预测模型的超参数包括隐藏神经元数、学习率及lstm层数；
7、将目标训练数据输入所述初始沉降预测模型，以得到所述目标训练数据所对应的预测沉降值，所述目标训练数据为所述训练数据集中的任意一个训练数据；
8、基于所述预测沉降值以及所述目标训练数据所对应的标记信息对所述隐藏神经元数、所述学习率及所述lstm层数进行优化；
9、基于优化后的所述隐藏层神经元数、优化后的所述学习率以及优化后的所述lstm层数进行迭代训练，直至达到预置的迭代终止条件，得到地表沉降智能预测模型。
10、一种可能的设计中，所述确定目标区域所对应的影响因素时序数据的影响范围包括：
11、获取所述目标区域内所有符合沉降速率要求的测点位置坐标集合；
12、基于所述测点位置坐标集合构建所述影响因素时序数据所对应的协方差矩阵；
13、确定所述协方差矩阵所对应的最大特征向量的第一特征值和最小特征向量的第二特征值；
14、根据所述第一特征值以及所述第二特征值确定所述影响范围。
15、一种可能的设计中，所述根据所述第一特征值以及所述第二特征值确定所述影响范围包括：
16、根据所述第一特征值以及所述第二特征值确定所述目标区域所对应的初始范围；
17、确定所述初始范围所对应的调整长半轴以及所述调整长半轴所对应的倾斜角；
18、根据所述调整长半轴以及所述倾斜角对所述初始范围进行调整，以得到所述影响范围。
19、一种可能的设计中，所述根据所述第一特征值以及所述第二特征值确定所述目标区域所对应的初始范围包括：
20、通过如下公式确定目标区域所对应的初始范围；
21、
22、其中，s为所述初始范围，λ2为所述第一特征值，λ2为所述第二特征值，(x,y)为所述测点位置坐标集合中的测点位置坐标，(xp,yp)为所述初始范围预估的中心位置坐标。
23、一种可能的设计中，所述确定所述初始范围所对应的调整长半轴以及所述调整长半轴所对应的倾斜角包括：
24、通过如下公式确定所述调整长半轴：
25、
26、其中，a为所述调整长半轴，s为所述初始范围，λ1为所述第一特征值；
27、通过如下公式确定所述倾斜角：
28、
29、其中，α为所述倾斜角，v1为所述协方差矩阵所对应的最大特征值的特征向量，(x,y)为所述测点位置坐标集合中的测点位置坐标。
30、一种可能的设计中，所述基于所述测点位置坐标构建所述影响因素时序数据所对应的协方差矩阵包括：
31、通过如下公式计算所述测点位置坐标集合中任意一个测试位置坐标的协方差：
32、
33、σ(x,y)为所述测点位置坐标集合中任意一个测试位置坐标的协方差，(xi,yi)为所述测点位置坐标集合中任意一个测试位置坐标，n为所述测点位置坐标集合中包括的测试位置坐标的个数，和为两个随机变量所对应的样本均值；
34、基于所述协方差通过如下公式构建所述协方差矩阵：
35、
36、x1为第一个独立变量，xd为第d个独立变量。
37、一种可能的设计中，所述基于所述预测沉降值以及所述目标训练数据所对应的标记信息对所述隐藏神经元数、所述学习率及所述lstm层数进行优化包括：
38、基于所述预测沉降值以及所述目标训练数据所对应的标记信息，通过如下公式对所述隐藏神经元数、所述学习率及所述lstm层数进行优化：
39、
40、其中，f为所述隐藏神经元数、所述学习率及所述lstm层数，p(d1:t|f)为y的似然分布，p(f)为f的先验概率分布，p(f|d1:t)为f的后验概率分布，y为所述预测沉降值，d1:t为所述预测沉降值与所述标记信息的集合，通过如下公式确定d1:t：
41、d1:t＝{(x1,y1),(x2,y2),(x3,y3),...,(xt,yt)}；
42、xt为第t个标记信息，yt为第t个预测沉降值值；
43、通过如下公式确定yt：
44、yt＝f(xt)+εt；
45、εt为观测误差。
46、本发明第二方面提供了一种大直径盾构掘进地表沉降智能预测模型的训练装置，包括：
47、第一确定模块，用于确定目标区域所对应的影响因素时序数据的影响范围；
48、第二确定模块，用于基于所述影响范围从盾构掘进参数时间序列数据中确定初始训练数据集，所述初始训练数据集中每个初始训练数据为不同时刻的掘进机运行参数以及地层特征参数；
49、预处理模块，用于对所述初始训练数据集进行预处理，以得到模型训练数据集，所述模型训练数据集中包括训练数据集以及测试数据集；
50、构建模块，用于基于长短期记忆网络lstm构建初始沉降预测模型，所述初始沉降预测模型的超参数包括隐藏神经元数、学习率及lstm层数；
51、输入模块，用于将目标训练数据输入所述初始沉降预测模型，以得到所述目标训练数据所对应的预测沉降值，所述目标训练数据为所述训练数据集中的任意一个训练数据；
52、优化模块，用于基于所述预测沉降值以及所述目标训练数据所对应的标记信息对所述隐藏神经元数、所述学习率及所述lstm层数进行优化；
53、训练模块，用于基于优化后的所述隐藏层神经元数、优化后的所述学习率以及优化后的所述lstm层数进行迭代训练，直至达到预置的迭代终止条件，得到地表沉降智能预测模型。
54、本发明第三方面提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述第一方面所述的大直径盾构掘进地表沉降智能预测模型的训练方法的步骤。
55、本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如上述第一方面所述的大直径盾构掘进地表沉降智能预测模型的训练方法的步骤。
56、综上所述，可以看出，本发明提供的实施例中，通过构建协方差矩阵影响范围椭圆的计算方法判定地表沉降的影响范围，并借助该影响范围内的操作参数时间序列数据对地表沉降智能预测模型进行训练，从而显著提升地表沉降智能预测模型预测的准确度。同时，由于地表沉降影响因素的时序数据统计特性中揭示地表沉降的关键信息，通过lstm模型对该关键信息进行充分的挖掘有助于提升预测算法模型的预测能力，预测效果更好，更符合工程需求。
1.一种大直径盾构掘进地表沉降智能预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述确定目标区域所对应的影响因素时序数据的影响范围包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征值以及所述第二特征值确定所述影响范围包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一特征值以及所述第二特征值确定所述目标区域所对应的初始范围包括：
5.根据权利要求3所述的方法，其特征在于，所述确定所述初始范围所对应的调整长半轴以及所述调整长半轴所对应的倾斜角包括：
6.根据权利要求2所述的方法，其特征在于，所述基于所述测点位置坐标构建所述影响因素时序数据所对应的协方差矩阵包括：
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述基于所述预测沉降值以及所述目标训练数据所对应的标记信息对所述隐藏神经元数、所述学习率及所述lstm层数进行优化包括：
8.一种大直径盾构掘进地表沉降智能预测模型的训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机管理类程序，其特征在于：所述计算机管理类程序被处理器执行时实现如权利要求1至8中任意一项所述的大直径盾构掘进地表沉降智能预测模型的训练方法。
