1、由于地下工程的特殊性，其在实际施工和后续运营期间存在着多种因素影响的极端复杂性，如工程应力、地基变形等衡量结构安全的指标多呈高随机性、高模糊性的特点，属于典型的非线性时间序列1。传统的沉降分析方法虽然具备一定的预测能力，但由于地下工程的不确定性和多因素耦合的复杂性，该方法多适用于特定环境，在实际工程中适用面很窄且结果不稳定，误差较大2-3。黄合理4采用Plaxis 3D有限元软件对地铁车站沉降进行了数值模拟，并与经验法进行了对比，证明了采用理论法预测沉降具有可行性；贾剑等5对盾构隧道扩建地铁车站的地表沉降进行了预测分析，研究了不同工况下地表沉降的具体占比；孟丹等6基于Peck方法对地铁车站开挖
2、引起的地表沉降进行了计算分析，通过反分析方法得到了我国城市隧道开挖引起的地表移动参数；许文7系统地分析了砂层区域运营收稿日期：2023-03-20作者简介：刘俭，男，工程师，学士，主要研究方向为隧道与地下工程。引文格式：刘俭.基于 LSTM 神经网络的地铁车站改造沉降时间序列预测 J.市政技术，2023，41（5）：143-148.（LIU J.Time series predictionof subwaystation reconstruction settlement based on LSTM neural network J.Journal of municipal technolog
3、y，2023，41（5）：143-148.）文章编号：1009-7767（2023）05-0143-06第41卷第5期2023年5月Vol.41，No.5May 2023DOI:10.19922/j.1009-7767.2023.05.143Journal of Municipal Technology基于 LSTM 神经网络的地铁车站改造沉降时间序列预测刘俭（中铁十八局集团第四工程有限公司，天津 300000）摘要：为了预测地铁车站改造施工过程中出入口站厅的沉降，提出了采用 LSTM 神经网络预测沉降的方法。依托北京市西土城地铁车站改造工程，对该车站改造过程中的建筑物沉降值进行了预测，并结合
4、实测值利用 LSTM 神经网络对沉降趋势进行了回归分析。研究结果表明：采用 LSTM 神经网络进行沉降预测有着一定的合理性，其可以较好地捕捉沉降变化的趋势，该模型的预测值与实测值误差在 10%以内，具有很好的应用价值。关键词：LSTM；神经网络；非线性时间序列；沉降预测中图分类号：U 457；TU 196.2文献标志码：ATime Series Prediction of Subway Station Reconstruction Settlement Basedon LSTM Neural NetworkLiu Jian（The Fourth Engineering Co.，Ltd.of C
5、hina Railway 18th Bureau Group，Tianjin 300000，China）Abstract：In order to predict the settlement of the entrance and exit halls during the renovation construction of thesubway station，a method of settlement prediction by long short term mermory（LSTM）neural network was proposed.Based on the renovation
6、 project of Xitucheng subway station in Beijing，the building settlement values during therenovation of the station were predicted.Combination with the measured values，the settlement trends were re鄄gressed by LSTM neural network.The results show that the settlement prediction by LSTM neural network i
7、s reason鄄able which can capture the settlement trend well.The error between the predicted and measured values is within10%，which is of good application value.Keywords：long short term mermory（LSTM）；neural network；nonlinear time series；settlement predictionJournal of Municipal Technology第41卷地铁的沉降特性，通过
8、采用底部钻孔注浆技术有效地控制了地铁沉降，并通过现场监测对预测结果进行了验证；韦凯等8通过蚁群算法对软土隧道不均匀沉降规律进行了研究，发现采用动态改进算法预测施工沉降的精度更高。随着计算机的普及和人工智能技术的发展，人工智能技术在地下工程领域中的应用已成必然趋势。目前，人工智能技术在地下工程领域中的应用主要为基于模型的反演和基于大数据的智能算法2大类，前者主要是通过工程实测值对地层模型参数进行修正，以减小模拟误差，后者则是通过对相关工程数据的学习，使计算机具有一定的捕捉趋势和特征的能力，并找出事物之间的隐藏规律，进而做出准确预测，该方法不考虑力学和相关理论，具有一定的不可解释性，虽在实际应用中
9、往往体现出比理论法更高的预测精度，但尚未普及应用。文明等9利用NARXNN时间序列预测模型，通过引入施工影响因子，提高了该模型的预测精度，准确地预测了地铁车站开挖过程中的地表沉降；张学华等10针对软土地区某运营中的地铁区间矩形隧道的病害发展情况，采用双曲线公式和对数函数对实测值进行了曲线拟合，发现经拟合得到的公式与实测值有较好的关联性，可为沉降治理提供参考；刘健11利用有限差分软件，对不同掘进次序和间距对车站结构的沉降影响进行了对比分析。目前，基于模型的反演和数值模拟的方法在预测地层变形、土体强度等方面均得到了广泛应用，而基于大数据的智能算法则需要进行更深入的研究。依托北京市西土城地铁车站改造
10、工程，预测该车站改造过程中的建筑物沉降值，并与实测值进行对比，采用长短期记忆（LSTM）神经网络对沉降趋势进行回归分析，以检验模型的准确性。该研究成果具有一定的工程实用性。1预测模型人工神经网络简称神经网络，是一种模仿动物神经网络行为特性，从而进行分布式并行信息处理的算法数学模型。传统的神经网络模型不具备记忆时间信息的功能，每次计算都只关注当前时刻的信息处理，而循环神经网络使得模型对时间信息进行处理成为可能。循环神经网络带有一个指向自身的环，可以将当前时刻处理的信息传递给下一时刻。循环神经网络单元结构见图1。虽然循环神经网络具有时间记忆功能，可以解决很多时序问题，但由于其是依赖层与层直接的导数
11、连乘进行信息更新，因而当导数过小或过大时，模型计算会出现梯度消失和梯度爆炸问题，即循环神经网络的长程依赖问题，而LSTM神经网络可以很好地解决这一问题。LSTM神经网络通过在每个单元内部增加门控结构实现对各时刻信息的筛选，并将筛选后的信息传入模型中，其单元结构示意图见图2。图2中，xt表示t时刻的信息输入；ht-1表示t-1时刻的信息输出，也是t时刻的信息输入；ht表示t时刻的信息输出；ct-1、ct分别表示当前、下一时刻单元的细胞状态，均用于存储记忆信息。动态更新参数如下：it=（Wixt+Uiht-1+bi）；（1）ft=（Wfxt+Ufht-1+bf）；（2）ot=（Woxt+Uoht-
12、1+bo）；（3）c 軇t=tanh（Wcxt+Ucht-1+bc）；（4）ct=ftct-1+itc 軇t；（5）ht=ottanh（ct）。（6）式中：表示Sigmoid激活函数；tanh表示tanh激活函数；表示向量乘积运算；it表示输入门；ft表示遗忘门；ot表示输出门；c 軇t表示上一时刻细胞状态；Wi表示输入权重；Ui表示输出权重；bi表示偏差。利用LSTM神经网络进行滚动预测前需要构造训练样本。LSTM神经网络的输入值和输出值见表1。表中，u表示滚动预测的沉降值；n表示利用前n个实测值预测第n+1个沉降值，并且可以随着图1循环神经网络单元结构示意图Fig.1 Schematic
13、diagram of cyclic neural network unit structure图2LSTM神经网络单元结构示意图Fig.2 Structure diagram of LSTM neural network unit144第5期模型结构的变化动态调整，n值为310。2工程分析2.1工程概况北京市地铁10号线西土城站全长176.6 m，宽19.7 m。东西两端为3层矩形端厅，中段为单层拱形断面，与昌南线“T”型换乘，且换乘后，客流量增加，但原有10号线西土城站站台到站厅的服务设施能力不足，无法满足消防疏散的要求，因此需对10号线西土城站进行改造，主要改造内容如下：1）换乘通道与10
14、号线交界处侧墙开洞，引起对应位置站内房间改移。2）10号线站厅站台楼梯数量不足，增加楼梯，引起站内房间改移。3）因换乘需要，10号线站厅要清空，全部改为付费区，闸机、安检均移至各出入口地面厅或地下厅，由此引起出入口改造，即C出入口改造（地面扩厅）、B出入口改造（地下改造）。改造车站位置示意图见图3。输入值输出值u1，u2，u3，unu2，u3，u4，un+1uk，uk+1，uk+2，uk+n-1un+1un+2un+k表1LSTM神经网络的输入值与输出值Tab.1 Input and output values of LSTM neural network2.2数据处理以改造车站的B出入口为研
15、究对象，以其施工过程中的厅面沉降实测值作为训练样本，利用LSTM神经网络预测沉降趋势。改造施工期约3个月。监测位置位于B出入口处（见图3），现场采用精密电子水准仪进行监测，监测精度为0.1 mm。B出入口原始沉降曲线见图4。由于实测值的时间间隔不同，因此需要对实测值进行插值处理。为了尽可能让插值后的实测值维持原始特性，因而采用线性插值的方式，时间间隔为4 h，即每隔4 h生成一个沉降值，共获得约470个沉降值。沉降变化曲线见图5。由图5可知，B出入口沉降变化曲线呈明显的非线性特点，在多种施工环境影响下，沉降变化有着高度的复杂性和波动性。使用传统的理论或者数值模拟方法很难准确预测沉降值，而采用L
16、STM神经网络进行高维度数据特性的提取则可以有效解决这一问题。图3改造车站位置示意图Fig.3 Location diagram of reconstructed station刘俭：基于LSTM神经网络的地铁车站改造沉降时间序列预测145Journal of Municipal Technology第41卷2.3建模预测数据处理好后采用LSTM神经网络进行建模预测，训练样本构造采用“10+1”的模式，即：令n=10，利用前10个实测值预测下一时刻的沉降值。选取前360个沉降值作为训练集进行测试，选取后110个沉降值验证模型预测精度。LSTM时间序列预测模型训练流程见图6。2.4结果分析按照上述流程对B出入口沉降值进行建模和训练。随着训练次数的增加，预测值与实测值误差逐渐减小，该模型预测结果见图7。由图7可知，在LSTM时间序列预测模型中输入车站B出入口改造过程中沉降实测值，且进行多轮训练后该模型已经具备较好的预测能力。采用前360个沉降值进行训练时，模型预测精度较高。预测值与实测值在平稳变化区间十分接近，精度高达95%以上；在由外界施工条件突变而引起的沉降突变区间，预测值与实测值存在
