[发明专利]一种盾构姿态动态预测方法、系统及设备

权利要求书

1.一种盾构姿态动态预测方法，其特征在于，包括以下步骤：

构建盾构姿态预测模型；其中，盾构姿态预测模型采用双向LSTM-Attention盾构姿态预测模型；

确定盾构姿态预测模型的输入参数和输出参数；其中，输入参数为过去t时刻至t-k₁时刻盾构姿态数据；输出参数为未来t+1时刻至t+k₂时刻对应的盾构姿态数据；

获取样本数据集，并将样本数据集划分为训练集和测试集；

利用训练集对盾构姿态预测模型进行训练，利用测试集对训练后的盾构姿态预测模型进行测试，得到训练好的盾构姿态预测模型；

将待预测时间段之前的k₁+1个时刻的盾构姿态数据，输入至训练后的盾构姿态模型中，进行预测，得到待预测时间段的盾构姿态数据，即得到盾构姿态动态预测结果。

2.根据权利要求1所述的一种盾构姿态动态预测方法，其特征在于，双向LSTM-Attention盾构姿态预测模型包括输入层、隐含层及输出层；

其中，隐含层双向LSTM层、Attention层和Dense层；双向LSTM层，利用前向LSTM和后向LSTM对输入层发送的数据进行训练，得到两个相反时间序列的隐含层状态，并将两个相反的时序隐含层状态连接，得到双向LSTM层的每个时序对应的输出向量；Attention层，对双向LSTM层的每个时序对应的输出向量，进行赋权并求和，得到注意力机制赋权后的输出向量；Dense层为全连接层，用于将注意力机制赋权后的输出向量转换为模型输出变量的维度，发送至输出层，输出层输出模型的预测结果。

3.根据权利要求2所述的一种盾构姿态动态预测方法，其特征在于，两个相反的时序隐含层状态包括时序前向隐含层状态和时序后向隐含层状态；其中，前向LSTM和后向LSTM分别引入门机制，包括输入门、输出门及遗忘门；

其中，时序前向隐含层状态的表达式为：

其中，H_t-1为t-1时刻时序前向隐含层状态，H_t-2为t-2时刻时序前向隐含层状态，X_t-1为t-1时刻的输入参数，C_t-2为t-2时刻的记忆细胞；

时序后向隐含层状态的表达式为：

其中，H_t-1为t-1时刻时许后向隐含层状态，H_t为t时刻时序后向隐含层状态，C_t为t时刻的记忆细胞；

双向LSTM层t-1时刻的隐含层状态H_t-1的表达式为：

双向LSTM层t时刻的输出向量的表达式为：

O_t＝σ(X_tW_xo+H_t-1W_ho+b_o)

H_t＝O_ttanh(C_t)

F_t＝σ(X_tW_xf+H_t-1W_hf+b_f)

I_t＝σ(X_tW_xi+H_t-1W_hi+b_i)

其中，O_t为双向LSTM层t时刻的输出向量；I_t为双向LSTM层t时刻的输入向量；F_t为双向LSTM层t时刻的遗忘信息；为候选记忆细胞；⊙为矩阵乘法；σ为Sigmoid函数；W_xi、W_xf、W_xo、W_xc∈R^d×h和W_hi、W_hf、W_ho、W_hc∈R^h×h均为权重参数，b_i、b_f、b_o、b_c∈R^1×h为偏差参数；

注意力机制赋权后的输出向量的表达式为：

e_t＝σ(WO_t+b)

其中，W为权值矩阵，b为偏置矩阵，e_t为通过BP神经网络转换之后的输出向量，α_t为各个输出向量占最终输出向量的权重。