本发明涉及智能预测，尤其涉及一种基于灰色神经网络的盾构沉降变形监测方法及系统。
背景技术：
1、在盾构施工过程中，地质条件、施工参数和周边环境等因素均会影响沉降变形，预测难度较大，数据来源多样且质量不一，传统预测方法对不确定性数据的处理能力有限，实际工程需要实时监测和预测，传统的批量处理方法难以满足实时预测的需求。
技术实现思路
1、本发明提供的一种基于灰色神经网络的盾构沉降变形监测方法及系统，通过融合多源数据，优化原始时间序列，利用累加生成序列构建灰色预测模型，特征选择结合灰色预测结果构建灰色神经网络模型，基于实时数据反馈和环境-影响表，动态调整模型参数，使模型能实时适应施工环境变化，实现实时预测和调整，提高预测的准确性和适应性，满足盾构施工过程中对实时监测和预测的需求，确保预测结果的及时性和可靠性。
2、本发明提供一种基于灰色神经网络的盾构沉降变形监测方法，包括：
3、步骤1：围绕施工区域获取在盾构施工过程中影响沉降变形的相关数据，并将不同来源的相关数据融合，形成相关数据集；
4、步骤2：根据相关数据集形成累加生成序列与原始时间序列，对原始时间序列进行优化，并建立累加生成序列与优化时间序列的关系模型，进而确定灰色预测模型参数，构建灰色预测模型；
5、步骤3：通过特征选择过程确定相关数据集中的特征维度，根据所述特征维度结合灰色预测模型的预测结果构建灰色神经网络模型，基于所述灰色神经网络模型对盾构过程中的沉降变形量进行预测；
6、步骤4：基于环境-影响表和实时数据反馈调整灰色神经网络模型，优化沉降变形量的预测结果。
7、本发明提供一种基于灰色神经网络的盾构沉降变形监测方法，其特征在于，围绕施工区域获取在盾构施工过程中影响沉降变形的相关数据，并将不同来源的相关数据融合，形成相关数据集，包括：
8、根据施工区域的地质层次对施工区域进行纵向划分，基于项目关键因素确定每个纵向区域的数据采集策略；
9、根据所述数据采集策略获取对应纵向区域在盾构施工过程中影响沉降变形的相关数据，并将所述相关数据进行数据融合，基于融合结果形成相关数据集。
10、本发明提供一种基于灰色神经网络的盾构沉降变形监测方法，根据所述数据采集策略获取对应纵向区域在盾构施工过程中影响沉降变形的相关数据，并将所述相关数据进行数据融合，基于融合结果形成相关数据集，包括：
11、查看项目中的已有数据集确定每个纵向区域对应初始数据的数据特点，并将对应纵向区域的数据特点与项目需求结合选择数据融合方法；
12、基于不同纵向区域的数据特点对相应纵向区域的初始数据进行特征凸显，对每个纵向区域的初始数据进行稀疏点判断，并根据判断结果对稀疏点进行插值，进而获得对应纵向区域的相关数据；
13、对纵向区域进行空间叠加，检查不同纵向区域之间的一致性，根据一致性检查结果对不同纵向区域的相关数据进行空间对齐；
14、按照事件戳对不同纵向区域的相关数据进行事件对齐；
15、根据空间对齐结果与事件对齐结果使用所述数据融合方法对不同纵向区域的相关数据进行数据融合，进而形成相关数据集。
16、本发明提供一种基于灰色神经网络的盾构沉降变形监测方法，根据相关数据集形成累加生成序列与原始时间序列，对原始时间序列进行优化，并建立累加生成序列与优化时间序列的关系模型，包括：
17、根据相关数据集形成原始时间序列：
18、；其中，表示在第 k个时间点上的相关数据值；
19、将原始时间序列分解成若干个尺度分量，进行去噪重构，得出重构时间信号：
20、；其中，表示重构时间信号；表示在尺度因子与时移因子处的小波函数；表示尺度因子； j表示尺度因子的离散化索引； j表示最大尺度； k表示离散时间轴上的第 k个时间点； t表示时间序列的索引；表示时移因子；表示时间 t的相关数据信号；表示母小波函数；表示离散尺度因子 j与离散平移因子 k的条件下的小波函数；
21、根据重构时间信号，得出去噪处理后的优化时间序列，并根据优化时间序列构建累加生成序列，进而基于所述累加生成序列与优化时间序列确定关系模型。
22、本发明提供一种基于灰色神经网络的盾构沉降变形监测方法及系统，确定灰色预测模型参数，构建灰色预测模型，包括：
23、灰色预测出模型基础公式：
24、；其中，表示累加生成序列在第 k个时间点上的值；表示累加生成序列在第 k-1个时间点上的值，；表示在第k个时间点上的相关数据值； a表示灰色预测模型的第一参数； b表示灰色预测模型的第二参数；表示第 c1个第一滞后项的自回归项系数；表示第 c2个第二滞后项的移动平均项系数；表示独立同分布的随机项； c1表示自回归项的第一滞后项对应数； c2表示移动平均项的第二滞后项对应数； p表示第一滞后项数总数； q表示第二滞后项数总数；表示优化时间序列的第 c1个第一滞后项的第一滞后值；表示第 c2个第二滞后项的滞后噪声值；a表示灰色预测模型对应的系统动态以及优化时间序列的内在结构；b表示灰色预测模型的系统噪声以及外部影响；
25、根据所述基础公式与关系模型构建灰色预测模型。
26、本发明提供一种基于灰色神经网络的盾构沉降变形监测方法，通过特征选择过程确定相关数据集中的特征维度，根据所述特征维度结合灰色预测模型的预测结果构建灰色神经网络模型，基于所述灰色神经网络模型对盾构过程中的沉降变形量进行预测，包括：
27、基于相关数据集的数据类型选择特征选择方法，并确定相关数据集中的特征维度和重要特征；
28、将重要特征与灰色预测模型的预测结果结合，形成灰色神经网络模型的输入特征；
29、对盾构沉降变形进行名词分析，确定预测沉降变形值需要的任务类型与模型要求；
30、根据输入特征确定输入层，同时基于任务类型设置隐藏层，进而构建灰色神经网络模型的层次结构，根据所述任务类型、数据特点以及模型要求选择对应的损失函数、优化器以及评估指标，进而对灰色神经网络模型进行编译，综合层次结构与编译结果确定灰色神经网络模型；
31、基于所述灰色神经网络模型对盾构过程中的沉降变形量进行预测。
32、本发明提供一种基于灰色神经网络的盾构沉降变形监测方法，基于环境-影响表和实时数据反馈调整灰色神经网络模型，优化沉降变形量的预测结果，包括：
33、根据相关数据集确定环境-影响表；
34、利用实时数据更新环境-影响表，得出当前环境因素的影响程度；
35、根据更新后的环境-影响表选择新的重要特征，更新灰色神经网络的输入特征；
36、根据实时数据，采用递增学习技术，对灰色神经网络模型对应训练模型的参数进行调整，进而对灰色神经网络模型参数进行调整，实现对灰色神经网络模型的反馈调整。
37、本发明提供一种基于灰色神经网络的盾构沉降变形监测系统，包括：
38、融合模块：围绕施工区域获取在盾构施工过程中影响沉降变形的相关数据，并将不同来源的相关数据融合，形成相关数据集；
39、预测模型模块：根据相关数据集形成累加生成序列与原始时间序列，对原始时间序列进行优化，并建立累加生成序列与优化时间序列的关系模型，进而确定灰色预测模型参数，构建灰色预测模型；
40、神经网络模型模块：通过特征选择过程确定相关数据集中的特征维度，根据所述特征维度结合灰色预测模型的预测结果构建灰色神经网络模型，基于所述灰色神经网络模型对盾构过程中的沉降变形量进行预测；
41、反馈调整模块：基于环境-影响表和实时数据反馈调整灰色神经网络模型，优化沉降变形量的预测结果。
42、与现有技术相比，本技术的有益效果如下：通过融合多源数据，优化原始时间序列，利用累加生成序列构建灰色预测模型，特征选择结合灰色预测结果构建灰色神经网络模型，基于实时数据反馈和环境-影响表，动态调整模型参数，使模型能实时适应施工环境变化，实现实时预测和调整，提高预测的准确性和适应性，满足盾构施工过程中对实时监测和预测的需求，确保预测结果的及时性和可靠性。
43、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
44、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于灰色神经网络的盾构沉降变形监测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于灰色神经网络的盾构沉降变形监测方法，其特征在于，围绕施工区域获取在盾构施工过程中影响沉降变形的相关数据，并将不同来源的相关数据融合，形成相关数据集，包括：
3.根据权利要求2所述的一种基于灰色神经网络的盾构沉降变形监测方法，其特征在于，根据所述数据采集策略获取对应纵向区域在盾构施工过程中影响沉降变形的相关数据，并将所述相关数据进行数据融合，基于融合结果形成相关数据集，包括：
4.根据权利要求1所述的一种基于灰色神经网络的盾构沉降变形监测方法，其特征在于，根据相关数据集形成累加生成序列与原始时间序列，对原始时间序列进行优化，并建立累加生成序列与优化时间序列的关系模型，包括：
5.根据权利要求4所述的一种基于灰色神经网络的盾构沉降变形监测方法及系统，其特征在于，确定灰色预测模型参数，构建灰色预测模型，包括：
6.根据权利要求3所述的一种基于灰色神经网络的盾构沉降变形监测方法，其特征在于，通过特征选择过程确定相关数据集中的特征维度，根据所述特征维度结合灰色预测模型的预测结果构建灰色神经网络模型，基于所述灰色神经网络模型对盾构过程中的沉降变形量进行预测，包括：
7.根据权利要求1所述的一种基于灰色神经网络的盾构沉降变形监测方法，其特征在于，基于环境-影响表和实时数据反馈调整灰色神经网络模型，优化沉降变形量的预测结果，包括：
8.一种基于灰色神经网络的盾构沉降变形监测系统，其特征在于，包括：
