基于PSO優(yōu)化LSSVM在基坑開挖過程中周圍建筑物沉降預測研究

李海鵬 胡錦偉 王加志 黃志艷

摘要：本文提出一種用粒子群優(yōu)化算法來確定LSSVM參數(shù)的方法。該方法是在對LSSVM進行分析的基礎(chǔ)上，融合PSO的群搜索特征來提高LSSVM預測精度。文章最后采用昆明市某基坑周圍建筑物沉降數(shù)據(jù)對此模型進行了驗證，并與其他算法進行了對比分析，計算結(jié)果表明用該模型進行沉降預測相比其他算法具有較快的收斂速度和更高的預測精度。

Abstract： This paper presents a method of determining the parameters of LSSVM using particle swarm optimization algorithm. The method is based on the analysis of LSSVM， and combines PSO's group search features to improve LSSVM prediction accuracy. At last， the model is verified by the settlement data of buildings around a foundation pit in Kunming and compared with other algorithms. The calculation results show that the settlement prediction using this model has faster convergence speed and more High prediction accuracy.

關(guān)鍵詞：基坑開挖；沉降預測；PSO算法；LSSVM模型；參數(shù)優(yōu)化；預測精度

Key words： foundation pit excavation；settlement prediction；PSO algorithm；LSSVM model；parameter optimization；prediction accuracy

中圖分類號：TV551.4+2 文獻標識碼：A 文章編號：1006-4311（2018）14-0125-03

0 引言

由于基坑工程的特殊性導致了在基坑開挖引發(fā)周圍建筑物沉降的觀測時間短，因此基坑開挖引發(fā)周圍建筑物的沉降數(shù)據(jù)就是小樣本數(shù)據(jù)。本文利用一種基于粒子群優(yōu)化算法（PSO），對最小二乘支持向量機（LSSVM）供水量預測模型參數(shù)進行優(yōu)化。為了驗證模型的可靠性，本文采用某市實測基坑周圍建筑物沉降數(shù)據(jù)對比分析了PSO算法，遺傳算法，并對上述兩種模型和BPNN的預測精度進行定量分析。

3 實例分析

基于上述方法對昆明某基坑周圍建筑物豎向位移進行預測。該基坑最大開挖深度16m，支護形式為樁錨支護，場地形式較為復雜需對周圍環(huán)境建筑物進行豎向位移監(jiān)測。圖1為基坑及基坑周邊環(huán)境及測點布置平面圖。

本文以測點jk5、jk6的作為本文模型的研究數(shù)據(jù)，以前56個數(shù)據(jù)作為訓練樣本，以后7個數(shù)據(jù)作為測試樣本。筆者先將沉降數(shù)據(jù)進行相空間重構(gòu)，在進行相空間重構(gòu)時，采用了互信息法[14]和G-P法[15]求得測點jk5的τ=3，m=4測點jk6的τ=6，m=5其中τ為延遲時間，m嵌入維數(shù)。再依據(jù)BIC信息準則選取鄰近相點K=7。

本文應用了使用最廣泛的BP神經(jīng)網(wǎng)絡(luò)對基坑周圍建筑物沉降量進行預測。三種模型的預測效果如圖2，圖3所示。

由圖可知，這四種方法都能較好的把握基坑周圍建筑物沉降的總體趨勢，但對局部細節(jié)預測存在一定的差異。本文采用平均絕對誤差（MAPE）對預測結(jié)果進行分析，如表1、表2所示。PSO與LSSVM模型的預測精度最高，而單純的BP神經(jīng)網(wǎng)絡(luò)預測精度最低。本文提出的PSO算法尋優(yōu)速度最快，收斂所用的迭代次數(shù)最少，平均絕對誤差最小，充分顯示了該算法在沉降量預測方面上具有良好的信息收集能力和對全局最優(yōu)解的掌控能力。

4 結(jié)論

本文采用昆明市某基坑周圍建筑物沉降的實測數(shù)據(jù)對多種模型預測結(jié)果進行對比分析，得出以下結(jié)論：

①采用PSO算法對LSSVM設(shè)計參數(shù)進行優(yōu)化，在LSSVM的參數(shù)尋優(yōu)上展現(xiàn)了其收斂速度快、結(jié)果準確等優(yōu)點，有效地解決了在非線性沉降量上難以建模的問題。

②利用本文方法對基坑開挖過程中對周圍建筑物的沉降進行預測，平均絕對值誤差為0.90%，與GA-LSSVM， BP算法相比，具有更高的預測精度。

③本文所使用的模型易于通過軟件實現(xiàn)，為其它相關(guān)研究的開展提供了嶄新的思路。

參考文獻：

[1]楊濤，李國維，樊琨.基于人工神經(jīng)網(wǎng)絡(luò)的公路軟基沉降預測模型[J].上海理工大學學報，2003（02）：117-120.

[2]劉思峰.灰色系統(tǒng)理論的產(chǎn)生與發(fā)展[J].南京航空航天大學學報，2004（02）：267-272.

[3]劉曉，曾祥虎，劉春宇.邊坡非線性位移的神經(jīng)網(wǎng)絡(luò)–時間序列分析[J].巖石力學與工程學報，2005（19）：101-106.

[4]李德江，花向紅，李濤等.基于支持向量機的建筑物沉降預測模型研究[J].測繪工程，2009（03）：29-31.

[5]吳清海，李惠芳.變權(quán)組合模型在沉降預測中的應用[J].測繪科學技術(shù)學報，2009（02）：118-120，124.

[6]曹凈，丁文云，趙黨書，等.基于LSSVM-ARMA模型的基坑變形時間序列預測[J].巖土力學，2014（S2）：579-586.

[7]郭樹榮，叢旭輝.基于灰色組合模型的基坑周邊建筑物沉降預測[J].建筑科學，2016（03）：89-93，99.

[8]VAPNIK V N. The nature of statistical learning theory[M]. New York： Springer， 1995.

[9]SUYKENS J AK， Van GESTEL T， BRABANTER D E. Least squares support vector machines[M]. Singapore：World Scientific， 2002.

[10]崔建明，劉建明，廖周宇.基于SVM算法的文本分類技術(shù)研究[J].計算機仿真，2013（02）：299-302，368.

[11]趙波，曹一家.電力系統(tǒng)無功優(yōu)化的多智能體粒子群優(yōu)化算法[J].中國電機工程學報，2005，25（5）：1-7.DOI：10，3321/j.issn：0258-8013.2005.05.001.

[12]唐雪琴，王侃，徐宗昌，等.基于MAPSO算法的小波神經(jīng)網(wǎng)絡(luò)訓練方法研究[J].系統(tǒng)仿真學報，2012，24（3）：104-108.

[13]何井運，鄭亮.基于混沌相空間重構(gòu)公路路堤沉降預測模型[J].交通標準化，2009（17）：18-22.

[14]李峰，宋建軍，董來啟，等.基于混沌神經(jīng)網(wǎng)絡(luò)理論的城市地面沉降量預測模型[J].工程地質(zhì)學報，2008（05）：715-720.

[15]呂小青，曹彪，曾敏，等.確定延遲時間互信息法的一種算法[J].計算物理，2006（02）：184-188.

[16]陳麗琳.基于多嵌入維數(shù)的時用水量LSSVM組合預測[J]. 機電工程，2012（07）：869-872.

[17]付強，李晨溪，張朝曦，等.關(guān)于G-P算法計算混沌關(guān)聯(lián)維的討論[J].解放軍理工大學學報（自然科學版），2014（3）：275-283.DOI：10.7666/j.issn.1009-3443.20130110001.

[18]GOKULAN B. P，SRINIVASAN D，Distributed geometric fuzzy multiagent urban traffic signal control[J]. IEEE Transactions on Intelligent Transportation Systems，2010，11 （3）： 714 -727.