欒元重　翁麗媛　杜　超　欒亨宣

1　山東科技大學(xué)測繪科學(xué)與工程學(xué)院，青島市前灣港路579號，266590　2　嘉興市建設(shè)局，嘉興市中山路235號，314000　3　山東科技大學(xué)機械與電子工程學(xué)院，青島市前灣港路579號，266590

?

地鐵隧道地表變形小波去噪及灰色-時序組合預(yù)測模型研究

欒元重1翁麗媛1杜超2欒亨宣3

1山東科技大學(xué)測繪科學(xué)與工程學(xué)院，青島市前灣港路579號，2665902嘉興市建設(shè)局，嘉興市中山路235號，3140003山東科技大學(xué)機械與電子工程學(xué)院，青島市前灣港路579號，266590

摘要：以青島地鐵3號線地表變形橫向觀測線實測數(shù)據(jù)為例，開展小波去噪及時序組合預(yù)測模型的研究。首先，采用小波理論對觀測值進行粗差剔除與去噪處理，根據(jù)均方誤差最低、信噪比最高的原則，證實dmey小波1層分解、rigrsure軟閾值小波去噪方法是最優(yōu)的。其次，給出地鐵隧道地表變形灰色-時序組合預(yù)測模型表達式，選用等維新息GM(1,1)模型和殘差時間序列模型進行地表變形疊合預(yù)測。最后，通過小波去噪后時間序列預(yù)測模型、小波去噪前灰色-時序組合預(yù)測模型、小波去噪后灰色-時序組合預(yù)測模型進行計算分析，結(jié)果表明小波去噪后灰色-時序組合模型預(yù)測精度最高，并分析了各模型預(yù)測精度差別的成因。

關(guān)鍵詞：地鐵隧道地表變形;小波去噪;灰色-時序組合預(yù)測模型;精度分析

城市地鐵隧道開挖，引起上覆巖層與地表的移動與變形。在城市地表沿地鐵隧道縱向及橫向布設(shè)觀測線，進行多期地表變形觀測，通過觀測數(shù)據(jù)處理獲得地表移動與變形值，建立地表變形高精度實時預(yù)測模型，可實現(xiàn)地表建筑物臨界變形預(yù)警。本文以青島地鐵3號線北段地鐵施工某橫向地表觀測線上8號點實測變形值為例，采用小波理論對觀測值進行粗差剔除與去噪處理，對小波處理前后數(shù)據(jù)分別進行組合模型預(yù)測及單一的時間序列模型預(yù)測。通過對多模型預(yù)測值的精度分析，證實小波去噪后灰色-時序組合模型預(yù)測精度最高。

1　小波去噪及效果分析

青島地鐵3號線自2009-06開工建設(shè)，計劃2016年全線通車運營。在施工段地表，布設(shè)了多條縱、橫向地表變形觀測線。以地鐵第11條地表橫向觀測線為例，該線共埋設(shè)11個變形監(jiān)測點，經(jīng)83 d觀測后趨于穩(wěn)定。該橫向觀測線地表實測下沉曲線與采用Peck經(jīng)驗公式進行地表變形預(yù)測結(jié)果如圖1。

圖1　監(jiān)測斷面橫向沉降實測值與擬合值對比Fig.1　The measured value and fitted value of monitoring section

由圖1可見，實測下沉值與采用Peck經(jīng)驗公式對地表橫向觀測線的變形預(yù)測值基本一致，地表橫向沉降符合Peck理論的正態(tài)曲線分布規(guī)律，最大沉降量位于地鐵隧道正上方。

對青島地鐵3號線第11條地表橫向觀測線8號測點每天監(jiān)測1次，共獲得83期變形值，如圖2所示。分別采用db2小波、coif2小波、dmey小波對變形實測數(shù)據(jù)進行去噪處理，對比各種小波去噪后的均方誤差(RMSE)與信噪比(SNR)發(fā)現(xiàn)，dmey小波均方誤差最小、信噪比最大。通過dmey小波1層至5層分解，對比各層分解的均方誤差與信噪比發(fā)現(xiàn)，dmey小波1層分解去噪效果最好。

基于dmey小波1層分解，分別選取無偏似然估計閾值 (rigrsure)、啟發(fā)式閾值 (heursure)和極小極大閾值(minimaxi)進行閾值去噪，3種閾值方法中無偏似然估計閾值均方誤差最小、信噪比最大、去噪效果最好。

圖2　各種方法閾值去噪效果圖Fig.2　Thresholds denoising effect of methods

可見，對地鐵隧道開挖地表的變形觀測數(shù)據(jù)進行小波去噪處理，可提高時間序列與灰色-時序組合模型的預(yù)測精度。

2　灰色-時序組合模型的建立

運用灰色模型提取變形值序列趨勢項，對殘差構(gòu)成的隨機項用時序模型建模。組合預(yù)測模型如下：

Yt=xt+wt

式中，Yt為去噪前(或去噪后)的變形值觀測數(shù)據(jù)，xt為灰色模型提取的趨勢項，wt為殘差隨機項建立的時間序列。

2.1趨勢項等維新息GM(1，1)模型

根據(jù)青島地鐵3號線第11條地表橫向觀測線8號測點55～75期實測變形數(shù)據(jù)，求得GM(1，1)模型參數(shù)為:

GM(1，1)模型為:

等維新息GM(1，1)模型預(yù)測方法為：將預(yù)測的變形值x(0)(n+1)添加到原始序列，并剔除變形觀測序列中第一個數(shù)據(jù)，保持建模數(shù)據(jù)等維，對新構(gòu)成的時間序列x(0)=(x(0)(2),x(0)(3),…,x(0)(n+1))建模求得預(yù)測值，依此類推。

仍采用55～75期數(shù)據(jù)作為建模數(shù)據(jù)，建立維數(shù)為20的等維新息GM(1，1)模型，預(yù)測76～80期數(shù)據(jù)，如表1所示。

表1　等維新息GM(1，1)模型預(yù)測值

對于青島地鐵3號線第11條地表橫向觀測線8號測點變形值，采用等維新息GM(1，1)模型的預(yù)測值平均相對誤差為3.35%。而采用傳統(tǒng)GM(1，1)模型的預(yù)測值平均相對誤差為7.32%，說明等維新息GM(1，1)模型預(yù)測精度高于GM(1，1)模型，如圖3所示。

圖3　GM(1，1)與等維新息GM(1，1)模型預(yù)測值對比圖Fig.3　Prediction effect of information renewal GM(1，1) model and GM(1，1) model

2.2隨機項時間序列AR(p)預(yù)測模型

對變形觀測數(shù)據(jù)等維新息GM(1，1)模型提取趨勢項后，余下的殘差值序列為隨機項。采用時間序列對其建模，p階自回歸模型AR(p)為：wt=φ1wt-1+φ2wt-2+…+φpwt-p+εt。對觀測值殘差序列進行單位根檢驗，顯示殘差值序列為平穩(wěn)時間序列。

經(jīng)計算得到的殘差序列自相關(guān)函數(shù)和偏相關(guān)函數(shù)值如表2所示，根據(jù)自相關(guān)函數(shù)是否拖尾與偏相關(guān)函數(shù)是否截尾進行模型識別。

表2　殘差序列的自相關(guān)和偏相關(guān)函數(shù)值

對偏相關(guān)函數(shù)進行同樣計算，得出偏相關(guān)函數(shù)4階截尾，可由此判定模型為4階AR模型。采用AIC準則進行模型階數(shù)判斷。經(jīng)計算，4階AIC值最小，與自相關(guān)函數(shù)和偏相關(guān)函數(shù)確定的模型階數(shù)為4階是一致的。

按最小二乘法原理求出模型參數(shù)值，并對參數(shù)值的顯著性及殘差自相關(guān)性進行檢驗，如表3所示。

表3　最小二乘求解參數(shù)值

各參數(shù)顯著性檢驗統(tǒng)計量概率表明，φ1、φ2的概率均大于5%，接受原假設(shè)，參數(shù)不顯著。而φ3、φ4參數(shù)顯著，則殘差序列AR(p)模型為：

wt=0.56wt-3-1.01wt-4

3　多模型預(yù)測結(jié)果比較

為了考察地鐵隧道地表變形觀測值小波去噪及灰色-時序組合預(yù)測模型效果，根據(jù)本文小波去噪后的變形觀測數(shù)據(jù)，分別對80～83期4期數(shù)據(jù)進行小波去噪后時間序列模型、小波去噪前灰色-時序組合預(yù)測模型和小波去噪后灰色-時序組合模型的預(yù)測，各模型預(yù)測值與相對誤差如表4所示。

表4　多模型預(yù)測精度對比表

由表4可見，小波去噪后的變形數(shù)據(jù)組合模型預(yù)測值平均相對誤差為2.29%，小波去噪前變形數(shù)據(jù)組合模型平均相對誤差為5.87%，表明經(jīng)過小波粗差探測和去噪后，觀測值預(yù)測精度有提高。由80～81兩期預(yù)測值可見，時序模型預(yù)測值精度最高，而組合模型預(yù)測值殘差偏大，這是由于單一時序分析具有短記憶特點，組合模型受灰色模型預(yù)測精度的影響，短期預(yù)測精度有所降低。從80～83期數(shù)據(jù)預(yù)測值來看，灰色-時序組合預(yù)測模型預(yù)測精度最高，且組合模型能夠反映變形體的趨勢性和波動性特征。

4　結(jié)　語

通過青島地鐵3號線開挖地表變形實測數(shù)據(jù)的小波去噪與多種預(yù)測模型分析，結(jié)論如下：

1)對變形數(shù)據(jù)粗差運用dmey小波1層分解，通過3種閾值方法去噪效果的比較，確定無偏似然估計閾值噪聲處理方法效果最好。經(jīng)小波去噪后，組合模型預(yù)測精度高于直接利用原始數(shù)據(jù)建模的預(yù)測精度，說明小波處理能夠有效提高模型的預(yù)測精度。

2)平穩(wěn)化零均值地鐵隧道地表變形數(shù)據(jù)，經(jīng)預(yù)測精度分析發(fā)現(xiàn)，灰色模型長期預(yù)測精度受到影響；AR(p)單一的時序模型具有短記憶特點，短期預(yù)測精度較高，長期預(yù)測精度較差。

3)GM(1，1)模型建模時進行了累加處理，消除了時間序列中不確定性信息，適于擬合序列中的趨勢項。變形觀測值與趨勢項擬合值余下的殘差屬于隨機項，AR(p)時序模型能夠較好地反映系統(tǒng)的隨機特征。因此，二者的組合能同時突出變形的趨勢性和波動性，預(yù)測精度也高于灰色模型和時間序列模型。

4)對于地鐵隧道地表變形數(shù)據(jù)，通過小波處理前組合模型、小波處理后組合模型與小波處理后AR(p)時間序列模型 3種模型預(yù)測精度分析得知，小波處理后灰色-時序組合模型預(yù)測精度最高。

參考文獻

[1]潘國榮. 基于時間序列分析的動態(tài)變形預(yù)測模型研究[J]. 武漢大學(xué)學(xué)報:信息科學(xué)版,2005,30(6):483-487(Pan Guorong. Forecast Model of Dynamic Deformation Based on Time Series Analysis [J]. Geomatics and Information Science of Wuhan University, 2005, 30(6):483-487)

[2]劉陶勝，黃聲享，李沛鴻. 基于雙極差的粗差探測方法研究[J]. 大地測量與地球動力學(xué)，2012，32(1):80-83(Liu Taosheng, Huang Shengxiang,Li Peihong. Research on Gross Error Detection Based on Bio-pole Method [J]. Journal of Geodesy and Geodynamics, 2012, 32(1):80-83)

[3]鄭作亞,黃珹,盧秀山.小波分析對GPS局部地表動態(tài)變形監(jiān)測的數(shù)據(jù)處理[C]. 大地測量與地球動力學(xué)進展,武漢，2004(Zheng Zuoya, Huang Cheng, Lu Xiushan. The Data Processing of GPS Local Dynamic Observation with Wavelet Analysis[J]. Advances in Geodesy and Geodynamics, Wuhan, 2004)

[4]吳云龍，羅志才，李輝，等. 基于小波收縮閾值降噪的衛(wèi)星重力梯度數(shù)據(jù)粗差探測方法[J].大地測量與地球動力學(xué)，2010,30(4):55-58(Wu Yunlong, Luo Zhicai, Li Hui, et al. Outlier Detection Algorithm for Satellite Gravity Gradient Data by Using Wavelet Shrinkage De-noising [J]. Journal of Geodesy and Geodynamics, 2010,30(4):55-58)

[5]欒元重,曹丁濤,徐樂年,等.變形觀測與動態(tài)預(yù)報[M].北京:氣象出版社,2001(Luan Yuanzhong, Cao Dingtao,Xu Lenian, et al. Deformation Observation and Dynamic Prediction [M]. Beijing: China Meteorological Press, 2001)

[6]杜超. 地鐵盾構(gòu)施工引起的地表變形數(shù)據(jù)處理及預(yù)報模型研究[D].青島：山東科技大學(xué),2015(Du Chao. Research on Data Processing and Prediction Model of Ground Deformation of Subway Tunnel Induced by Shield Construction [D]. Qingdao：Shandong University of Science and Technology, 2015)

[7]王建波. 小波變換在橋梁變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用[D].青島：山東科技大學(xué),2011(Wang Jianbo. Wavelet Transform with Applications in Data Processing of Bridge’s Deformation Observation [D]. Qingdao：Shandong University of Science and Technology, 2011)

[8]鄭治真.小波變換及其MATLAB工具的應(yīng)用[M].北京:地震出版社,2001(Zheng Zhizhen. Wavelet Transform and Application in MATLAB Tools [M]. Beijing: Seismological Press, 2001)

[9]王建波,劉娜,聶文志.小波去噪在礦區(qū)變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用[J].山東科技大學(xué)學(xué)報：自然科學(xué)版,2010,29(增刊):310-313(Wang Jianbo, Liu Na, Nie Wenzhi. Application of Wavelet De-noising in Data Processing of Deformation Monitoring in Mining Area[J]. Journal of Shandong University of Science and Technology: Natural Science Edition, 2010,29(Supp):310-313)

[10]劉洪海,黃永紅. 城市地鐵施工沉降的數(shù)值模擬研究[J]. 四川理工學(xué)院學(xué)報：自然科學(xué)版,2012,25(1):80-82(Liu Honghai, Huang Yonghong. Research on Numerical Simulation of Subway Construction Settlement[J]. Journal of Sichuan University of Science and Engineering:Natural Science Edition, 2012,25(1):80-82)

About the first author:LUAN Yuanzhong, professor, PhD supervisor, majors in deformation monitoring and data processing, E-mail: lyz6615@163.com.

收稿日期：2015-09-28

第一作者簡介：欒元重，教授，博士生導(dǎo)師，研究方向為變形監(jiān)測與數(shù)據(jù)處理，E-mail:lyz6615@163.com。

DOI：10.14075/j.jgg.2016.08.005

文章編號：1671-5942(2016)08-0678-04

中圖分類號：P258

文獻標識碼：A

Study on Surface Deformation Wavelet De-noising of Subway Tunnel and Combined Prediction Model with Gray and Time Series

LUANYuanzhong1WENGLiyuan1DUChao2LUANHengxuan3

1College of Geomatics, Shandong University of Science and Technology, 579 Qianwangang Road, Qingdao 266590, China2Jiaxing Construction Bureau, 235 Zhongshan Road, Jiaxing 314000, China3College of Mechanical and Electronic Engineering,Shandong University of Science and Technology,579 Qianwangang Road, Qingdao 266590, China

Abstract:Taking measured data of surface deformation transverse observation line of Qingdao Metro Line 3 as an example, this paper studies a wavelet de-noising combined model. First, we use wavelet theory to eliminate observation value errors. According to the principle of lowest mean square error and highest signal to noise ratio, the calculated results show that dmey wavelet decomposition and rigrsure soft threshold wavelet de-noising are optimal. Second, we present the surface deformation predicting model expression combined with gray and time series of the subway tunnel. The settlement value GM(1,1) model and residual time series model are selected to predict surface deformation. Last, we analyze and compare the wavelet de-noising time series model and the combined wavelet de-noising gray and time series prediction model, both pre and post. The results show the post wavelet de-noising gray and time series combined model has the highest prediction accuracy. We analyze the different causes of each model.

Key words:surface deformation of subway tunnel; wavelet de-noising; combined predict model with gray and time series; accuracy analysis