(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210904682.3 (22)申请日 2022.07.29 (71)申请人 招商局重庆交通科研设计院有限公 司 地址 400060 重庆市南岸区学府大道3 3号 申请人 重庆交通大 学　重庆大学 (72)发明人 丁浩　张中哲　郭鸿雁　李科　 胡居义　廖志鹏　梁肖　 (74)专利代理 机构 重庆鼎慧峰合知识产权代理 事务所(普通 合伙) 50236 专利代理师 徐璞 (51)Int.Cl. E02D 29/073(2006.01) E02D 33/00(2006.01) G06F 30/13(2020.01)G06F 30/27(2020.01) (54)发明名称 一种沉管隧道管节接头张合变形的预测方 法及装置 (57)摘要 本发明提供一种沉管隧道管节接头张合变 形的预测方法及装置， 本方案通过将张合变形数 据分为趋势分量、 周期分量和剩余分量进行并行 处理， 不仅有效降低了原始张合数据的复杂性， 提高了预测效率， 还可以清楚地反映管节接头张 合量中各组成分量的情况； 相比传统的SVR模型 具有更优异的预测性能、 模型预测误差小且泛化 能力强。 权利要求书3页 说明书9页 附图6页 CN 115217152 A 2022.10.21 CN 115217152 A 1.一种沉管隧道管节接 头张合变形的预测方法， 其特 征在于， 包括： 获取待预测管节接头处 的张合变形数据和环境数据， 所述环境数据至少包括温度 数据 和水深数据； 采用奇异谱分析法对所述张合变形数据进行分解， 并根据分解所得分量进行重构分别 得到趋势分量、 周期分量及剩余分量； 将趋势分量、 周期分量和剩余分量分别划分为各自对应的训练集和 测试集； 采用最小二乘法对趋势分量进行拟合及预测， 得到 趋势分量预测结果； 采用周期分量的训练集对构 建的第一SSA ‑SVR模型进行训练， 得到第一目标SSA ‑SVR模 型， 采用所述第一目标S SA‑SVR模型进行周期分量预测， 得到周期分量预测结果； 采用剩余分量的训练集对构 建的第二SSA ‑SVR模型进行训练， 得到第二目标SSA ‑SVR模 型， 采用所述第二目标S SA‑SVR模型进行剩余分量预测， 得到剩余分量预测结果； 基于时序叠加原 理将所述趋势分量预测结果、 所述周期分量预测结果及所述剩余分量 预测结果累加计算得到管节接 头张合变形的整体预测值。 2.根据权利要求1所述的方法， 其特征在于， 所述获取待预测管节接头处 的张合变形数 据和环境数据， 环境数据至少包括温度数据和水深数据步骤之后， 还 包括： 判断所述张合变形 数据集是否为 等距间距数据； 若是， 则进行后续采用奇异谱分析法对张合变形序列进行分解 步骤； 若否， 则采用三次样条插值法进行等间距 处理， 得到等间距的张合变形数据集， 再执行 采用奇异谱分析法对张合变形 数据进行分解 步骤。 3.根据权利要求1所述的方法， 其特征在于， 采用最小二乘法对趋势分量进行拟合及预 测， 得到趋势分量预测结果 步骤， 包括： 基于所述趋势分量的训练集拟合 最小二乘函数， 得到目标最小二乘函数； 根据所述目标最小二乘函数进行趋势分量预测， 得到 趋势分量预测结果。 4.根据权利要求1所述的方法， 其特征在于， 采用周期分量的训练集对构建的第一SSA ‑ SVR模型进行训练， 得到第一目标SSA ‑SVR模型， 采用所述第一目标SSA ‑SVR模型进行周期分 量预测， 得到周期分量预测结果 步骤， 包括： 对所述周期分量的训练集、 预测集和对应的环境数据分别进行归一 化处理； 建立第一SVR模型， 以预测日前1日的张合变形数据和环境数据为输入， 以预测日的张 合变形数据为输出； 初始化SSA算法的参数， 所述参数至少包括最大迭代次数、 种群规模、 惩罚因子及核参 数的取值范围、 发现者比例和安全值； 将所述第一SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度 函数， 计算所有S SA的适应度值， 确定当前S SA算法中的最优解并确定其 位置； 更新所述SSA算法中发现者、 加入者和预警者的位置， 查看位置更新后的个体适应度 值， 确定所述S SA算法中最优解的位置； 判断所述SSA算法是否得到全局最优解或者满足最大迭代次数， 若是， 则输出所述SSA 算法中最优解的位置作为惩罚因子和核参数 的最优值， 若否， 则重复执行上述更新位置确 定最优解 步骤； 将得到的惩罚因子及核参数最佳组合值用于所述第一SVR模型中， 对周期分量的测试权　利　要　求　书 1/3 页 2 CN 115217152 A 2集进行预测， 并进行反归一 化操作得到周期分量的预测结果。 5.根据权利要求1所述的方法， 其特征在于， 所述采用剩余分量的训练集对构建的第 二 SSA‑SVR模型进行训练， 得到第二目标SSA ‑SVR模型， 采用所述第二目标SSA ‑SVR模型进行剩 余分量预测， 得到剩余分量预测结果 步骤， 包括： 对所述剩余分量的训练集和预测集分别进行归一 化处理； 建立第二SVR模型， 以剩余分量中预测日前3 ‑6日的剩余分量值为输入， 以预测日的剩 余分量值为输出； 初始化SSA算法的参数， 所述参数至少包括最大迭代次数、 种群规模、 惩罚因子及核参 数的取值范围、 发现者比例和安全值； 将所述第二SVR模型预输出的预测值与实际值之间的均方误差作为SSA算法的适应度 函数， 计算所有S SA的适应度值， 确定当前S SA算法中的最优解并确定其 位置； 更新所述SSA算法中发现者、 加入者和预警者的位置， 查看位置更新后的个体适应度 值， 确定所述S SA算法中最优解的位置； 判断所述SSA算法是否得到全局最优解或者满足最大迭代次数， 若是， 则输出所述SSA 算法中最优解的位置作为惩罚因子和核参数 的最优值， 若否， 则重复执行上述更新位置确 定最优解 步骤； 将得到的惩罚因子及核参数最佳组合值用于所述第二SVR模型中， 对剩余分量的测试 集进行预测， 并进行反归一 化操作得到剩余分量的预测结果。 6.根据权利要求1所述的方法， 其特征在于， 基于时序叠加 原理将所述趋势分量预测结 果、 所述周期分量预测结果及所述剩余分量预测结果累加计算得到管节接头张合变形的整 体预测值 步骤之后， 包括： 采用决定系数、 平均绝对误差和均方根 误差对预测结果进行定量评价。 7.一种沉管隧道管节接头张合变形的预测装置， 其特征在于， 包括： 数据获取模块、 数 据分解模块和数据预测模块， 其中， 所述数据获取模块用于， 获取待预测管节接头处的张合变形数据和环境数据， 所述环 境数据至少包括温度数据和水深数据； 所述数据分解模块用于， 采用奇异谱分析法对所述张合变形数据进行分解， 并根据分 解所得分量进 行重构分别得到趋势分量、 周期分量及剩余分量； 将趋势分量、 周期分量和剩 余分量分别划分为各自对应的训练集和 测试集； 所述数据预测模块用于， 采用最小二乘法对趋势分量进行拟合及预测， 得到趋势分量 预测结果； 采用周期分量的训练集对构建的第一SSA ‑SVR模型进行训练， 得到第一目标SSA ‑ SVR模型， 采用所述第一目标SSA ‑SVR模型进行周期分量预测， 得到周期分量预测结果； 采用 剩余分量的训练集对构建的第二SSA ‑SVR模型进行训练， 得到第二目标SSA ‑SVR模型， 采用 所述第二目标SSA ‑SVR模型进行剩余分量预测， 得到剩余分量预测结果； 基于时序叠加原理 将所述趋势分量预测结果、 所述周期分量预测结果及所述剩余分量预测结果累加计算得到 管节接头张合变形的整体预测值。 8.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至7中任一项所 述方法的步骤。权　利　要　求　书 2/3 页 3 CN 115217152 A 3