CN117236518B

CN117236518B - 一种地铁沿线地质形变的预测方法

Info

Publication number: CN117236518B
Application number: CN202311489535.5A
Authority: CN
Inventors: 刁鑫鹏; 夏皖豫; 宋旭斌; 张晓岩; 路鑫; 孙全帅; 曾建; 李博; 赵阳; 安全驰; 高汉; 丁绍聪
Original assignee: China University of Mining and Technology Beijing CUMTB
Current assignee: China University of Mining and Technology Beijing CUMTB
Priority date: 2023-11-10
Filing date: 2023-11-10
Publication date: 2024-05-24
Anticipated expiration: 2043-11-10
Also published as: CN117236518A

Abstract

本发明提供了一种地铁沿线地质形变的预测方法，涉及形变预测技术领域，包括步骤：采集多景同轨不同条带的Sentinel‑1A影像数据并进行处理，反演获得地铁线路在形变周期内的沉降时序数据，分析地表沉降的时空演变特征及不均匀形变程度，将监测点与周围点间的互扰性作为影响特征输入，构建顾及相邻点变形关联性的多特征CNN‑LSTM‑Attention预测模型。本发明通过将PS‑InSAR监测结果和CNN‑LSTM‑Attention预测模型进行结合，获取模型的预测结果，能够有效实现对地铁沿线形变信息的识别、提取与预测，可为地铁沿线监测及安全预案制定提供数据与技术支撑。

Description

一种地铁沿线地质形变的预测方法

技术领域

本发明涉及形变预测技术领域，尤其涉及一种地铁沿线地质形变的预测方法。

背景技术

当前城市建设突飞猛进，地铁已成为城市的重要交通枢纽。但活跃的地下工程会破坏松散层的稳定性，造成局部整体下沉或道路、建筑物损坏。地面沉降已成为国内外主要城市修建地铁衍生出的最主要灾害，石家庄因其脆弱的地质构造和长期超采地下水的活动背景更易发生此类现象。因此，进行及时有效的地面沉降监测，分析沉降分布特征，构建变形预测模型，对预防地铁修建诱发次生灾害具有重要的现实意义。

地铁沿线形变监测方面，常规测量手段（精密水准、GPS等）具有监测精度高的优势，但其监测空间分辨率低，难以同时实现多条线路沿线地表长时间序列的精细化监测。合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar, InSAR）特别是时序InSAR技术（如PS、SBAS）的发展，使大范围精细化地表形变监测成为可能。采用IPTA技术用少量多源SAR数据获取了广州大坦沙地铁、香港大屿山青屿干线与深圳地铁4号线的形变信息，表明大型线状地物形变受自然和人类活动影响；采用PS-InSAR技术获取了河西地区2007-2016年沉降特征，综合考虑地铁沉降值、沉降速率等因素利用熵值法定量评估沉降对地铁结构损害的影响；利用COSMO-SkyMed数据获取了武汉市2012-2019年沉降信息，并分析了路线沉降因素。此外，众多学者亦将时序InSAR技术应用于线状设施的形变监测之中，验证了该技术在地铁形变监测中的可行性。

在面对沉降预测预警问题时，传统的理论分析和数值模拟方法，如有限单元法、有限差分法、有限体积法等，具有模型构建繁琐、计算量大，无法顾及形变机理及复杂影响因素的缺陷。深度学习算法通过强大学习能力，分析沉降影响因素特征，可有效过滤冗余数据、挖掘沉降的时序变化规律，实现地表沉降的精准预测。目前，深度学习算法已在各种沉降预测上得到广泛运用。如：以上海地铁二号线为研究对象，利用遗传算法和粒子群算法来优化BP神经网络模型进行沉降预测，验证了优化算法的收敛速率和预测效果优于传统BP神经网络；引入优化背景值的时变参数解决GM（1,1）模型拟合和预测精度不理想的问题，以呼和浩特至准格尔铁路工程的沉降观测点为例，验证了优化后模型的预测精度；以北京市地铁基坑工程为研究对象，利用小波分析对时序数据进行去噪处理后，通过实验验证了ARIMA模型较BP神经网络更适用于短期预测。

目前，应用InSAR技术和深度学习算法对地铁沉降进行时序监测和预测分析已有一定的研究成果，但也存在某些问题：①多数研究成果局限于对地表垂直方向或视线向的形变分析，而很少有将沉降和距离关联起来分析地铁形变的不均匀程度；②现有研究在进行形变预测时大多仅考虑了监测点位本身的时序变化，未顾及空间邻域特征，即忽略了周边测点对其产生的附加影响。

发明内容

本发明提供了一种地铁沿线地质形变的预测方法，目的是解决现有技术中局限于对地表垂直方向或视线向的形变分析，而很少有将沉降和距离关联起来分析地铁形变的不均匀程度的问题。

为了实现上述目的，本发明提供如下技术方案：一种地铁沿线地质形变的预测方法，包括步骤：

采集多景同轨不同条带的地铁Sentinel-1A影像数据；

利用时序PS-InSAR技术对所述地铁Sentinel-1A影像数据进行处理，反演获得多条地铁线路在周期内地表沉降时序数据；

构建顾及相邻点变形关联性的CNN-LSTM-Attention预测模型；

将所述地表沉降时序数据输入CNN-LSTM-Attention预测模型中，利用CNN提取高维特征，通过LSTM挖掘高维特征的时序规律，并通过注意力机制Attention处理特征重要度差异，最终提取铁路沿线的线路形变梯度分布特征；

通过所述线路形变梯度分布特征获得地铁沿线形变的预测结果。

优选的，所述利用时序PS-InSAR技术对所述地铁Sentinel-1A影像数据进行处理，包括如下步骤：

利用公共主影像算法将多景所述地铁Sentinel-1A影像数据中公共主影像与其余影像进行配准，获得N个干涉对；

使用差分干涉处理方法对N个干涉对进行处理，获得去平后的干涉图，以及获得斜距DEM和合成相位；

对所述去平后的干涉图进行PS点的优化选取，获得振幅离差指数分布，进行PS构网建模。

优选的，所述反演获得多条地铁线路在周期内地表沉降时序数据，包括如下步骤：

对所述PS构网获得的模型进行第一次反演操作，获得残余地形相位及形变速率；

基于所述残余地形相位及形变速率，对所述PS构网获得的模型进行第二次反演操作，获得最终的形变速率、相干系数和高度，并使用大气校正算法获得大气延迟相位的分离；

对所述最终的形变速率、相干系数和高度进行地理编码，获得最终的沉降时序数据。

优选的，对所述去平后的干涉图进行PS点的优化选取，包括如下步骤：

使用振幅离差法设置阈值获取PS点；

通过相位稳定性分析最小二乘估计法优化选取PS点。

优选的，在所述利用时序PS-InSAR技术对多景所述Sentinel-1A影像数据进行处理时，需设置相关参数进行处理，包括如下步骤：

设置时间基线、干涉处理过程中多视比、振幅离差指数阈值、线性速率和高程残差，并将空间基线设置为临界基线的45%；

利用设置了相关参数的时序PS-InSAR技术获取一定时间范围内的Sentinel-1A影像沉降信息；

并对研究区的不同条带数据的沉降结果进行拼接处理，具体表达式为：

式中，为两条带公共重叠区域的PS点数量；/>和/>为两个条带同名PS点的累计形变量值；/>即为两条带的整体偏差。

优选的，所述构建顾及相邻点变形关联性的CNN-LSTM-Attention预测模型，包括如下步骤：

利用卷积神经网络CNN作为预测模型的输入端，将输入的网络参数减少，并降低特征提取过程中数据重建的复杂度；

利用拥有记忆细胞的LSTM网络与卷积神经网络CNN结合，通过门结构增强细胞状态；

利用注意力机制对CNN与LSTM网络的输出以概率分配权值的方式进行处理。

优选的，所述利用拥有记忆细胞的LSTM网络与卷积神经网络CNN结合，通过门结构增强细胞状态，包括如下步骤：

通过遗忘门、输入门和输出门构建LSTM网络；

所述遗忘门计算公式如下：

所述输入门计算公式如下：

所述输出门计算公式如下：

通过所述遗忘门、输入门和输出门的输出获得细胞状态，具体表达式为：

其中，h是隐藏状态，表示的是短期记忆，是当前时刻隐藏状态，/>代表前一时刻隐藏状态；C是细胞状态，表示的是长期记忆，/>代表当前时刻记忆细胞状态，而/>则代表前一时刻细胞状态；/>代表遗忘门；x表示输入，/>代表当前时刻输入值；/>代表输入门，代表输出门；σ为Sigmoid激活函数；W_f、W_i、W_o和W_c分别指遗忘门、输入门、输出门和细胞状态的权重矩阵；b_f、b_i、b_o分别指遗忘门、输入门、输出门偏移量，Tanh为激活函数。

优选的，通过所述地表沉降时序数据中的不均匀地标形变分析地铁沿线的稳定性，具体表达式为：

其中，为i点形变梯度；/>为i点处的形变值；/>和/>分别为点i前后一点的形变值；/>为i前后点间的距离。

优选的，在所述CNN-LSTM-Attention预测模型中以站点P为中心检索周围其他监测点，并获取Pearson皮尔逊相关系数衡量临近点与站点P的相关性r，具体表达式为：

其中，、/>为两个变量，/>和/>为其均值，/>为样本数。

优选的，通过所述线路形变梯度分布特征获得地铁沿线形变的预测结果后，采用均方根误差RMSE、平均绝对百分比误差MAPE、平均绝对误差MAE作为评价模型预测性能的指标，具体表达式为：

其中，是真实值，/>是预测值，n是样本数。

本发明与现有技术相比具有以下有益效果：

本发明将PS-InSAR监测结果和CNN-LSTM-Attention预测模型进行结合，利用PS-InSAR技术获取一系列沉降时序数据，而利用预测模型进行沉降预测的关键是借助CNN提取高维特征，由LSTM挖掘时序规律，通过注意力机制处理被忽略的特征重要度差异，提取显著性特征，大大提高了本发明的模型的预测精度和优越性，能够有效实现对地铁沿线形变信息的识别、提取与预测，可为地铁沿线监测及安全预案制定提供数据与技术支撑。

附图说明

图1为本发明提供的研究区地理位置及地铁线路分布图；其中：（a）为研究区地理位置图，（b）为地铁线路分布图；

图2为本发明提供的地铁修建时间及空间基线图；

图3为本发明提供的基于注意力机制的CNN-LSTM模型结构图；

图4为本发明提供的集成PS-InSAR和预测模型的处理流程图；

图5为本发明提供的地铁沿线形变速率图；

图6为本发明提供的地铁沿线形变梯度图；

图7为本发明提供的评价指标结果图；其中，（a）为训练集，（b）为测试集；

图8为本发明提供的不同方法预测结果图；

图9为本发明提供的插值后不同方法预测结果图。

具体实施方式

下面结合附图，对本发明的具体实施方式做进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

为了理解和说明，下面详细说明本发明实施例的一种地铁沿线地质形变的预测方法。

具体实施方案如下：

城市地铁修建影响地表稳定，对地铁沿线地表进行沉降监测与预测具有迫切性。本发明基于时序PS-InSAR技术，利用同轨不同条带的31期Sentinel-1A影像数据，反演获得了石家庄市3条地铁线路在2017-3-14至2019-9-24期间地表沉降的时空演变特征，即变形速率及累计沉降信息，分析了沿线形变不均匀程度（线路形变梯度分布特征）；顾及空间邻域监测点的相互作用，构建了顾及相邻点变形关联性的CNN-LSTM-Attention模型，进行了多特征沉降时序预测，将监测点与周围点间的互扰性作为影响特征输入，并验证了模型的精度和可靠性。实验结果表明所构建模型具有更优的RMSE、MAPE和MAE值。PSInSAR结合网络模型能够有效实现对地铁沿线形变信息的识别、提取与预测，可为地铁沿线监测及安全预案制定提供数据与技术支撑。

研究区石家庄市，地理坐标为：113°30′～115°20′E，37°27′～38°47′N，如图1所示。区内分布着巨厚的第四系松散层，固结程度较低，地表沉降的风险大。目前，石家庄投入运营的三条地铁线（部分路段）已覆盖主城区和正定县南部，共设60座站点，线路总里程达78.2km。各线路修建时间及空间基线如图2所示。

如图4所示，下面对本发明提供的一种地铁沿线地质形变的预测方法进行说明，包括步骤：

S1：采集多景同轨不同条带的地铁Sentinel-1A影像数据。

本步骤中，为实现对石家庄3条地铁线路遥感影像的全面覆盖，本发明选取的实验数据为来自同轨不同条带的两景Sentinel-1A影像作为一期，成像时间为2017-3-14至2019-9-24（共计31期62景数据），影像地面分辨率为5m×20m。Sentinel-1A影像的轨道参数根据影像的成像时间下载，欧空局提供了哨兵影像的Precise Orbit Ephemerides（POD 精密定轨星历数据）。此外，为消除地形相位，外部DEM采用的是美国宇航局30m SRTM-DEM数据。

S2：利用时序PS-InSAR技术对多景地铁Sentinel-1A影像数据进行处理，反演获得多条地铁线路在周期内地表沉降时序数据，分析得到时空演变特征及不均匀形变程度。

其中，PS-InSAR技术的核心思想是根据振幅和相位信息在同一区域的SAR影像上寻找保持高相干性的永久散射体（即PS点），基于PS点建立模型，通过去除大气噪声、平地效应等残余相位，进而得到目标区域的形变信息。其主要步骤有：差分干涉处理、PS点识别、PS构网建模、残余地形相位及形变速率估计、大气延迟相位的分离等。PS-InSAR数据处理关键技术有公共主影像优化选取和PS点的优化选取。

本步骤中，利用时序PS-InSAR技术对多景地铁Sentinel-1A影像数据进行处理，包括步骤：

S21：利用公共主影像算法将多景Sentinel-1A地铁影像数据中公共主影像与其余影像进行配准，获得N个干涉对。

S22：使用差分干涉处理方法对N个干涉对进行处理，获得去平后的干涉图，以及获得斜距DEM和合成相位。

S23：利用振幅离差指数阈值法对去平后的干涉图进行PS点的优化选取，获得振幅离差指数分布，进行PS构网建模。

其中，公共主影像优化选取具体为：公共主影像要与其余影像进行配准，其选取原则要综合考虑时间基线、空间基线和多普勒质心频率的影响。具体表现为：主影像和其他辅影像干涉处理后生成的干涉图的时间基线整体相加之和、空间基线整体相加之和、多普勒质心频率差整体相加之和均最小。

PS点的优化选取具体为：PS-InSAR技术的关键是提取到足够多的后向散射系数高的PS点，PS点的选取直接影响到生成干涉图的质量。目前出现多种PS点优化选取的方法：时序相干性阈值法、相位离差指数阈值法以及振幅离差指数法等。但是以上方法受时空基线、大气延迟、地形误差等因素制约，计算复杂且耗时。因此，有学者提出先通过振幅离差法设置阈值获取PS点，再通过相位稳定性分析最小二乘估计法优化选取PS点。

在本步骤中，反演获得多条地铁线路在周期内地表沉降时序数据，进而获得沉降的时空演变特征及不均匀程度，包括如下步骤：

S24：对PS构网获得的模型进行第一次反演操作，获得残余地形相位及形变速率。

S25：基于残余地形相位及形变速率，对PS构网获得的模型进行第二次反演操作，获得最终的形变速率、相干系数和高度，并使用大气校正算法获得大气延迟相位的分离。

S26：对最终的形变速率、相干系数和高度进行地理编码，获得最终的沉降时序数据。

在本步骤中，在利用时序PS-InSAR技术对多景Sentinel-1A影像数据进行处理时，需设置相关参数进行处理，包括如下步骤：

S27：设置时间基线、干涉处理过程中多视比、振幅离差指数阈值、线性速率和高程残差，并将空间基线设置为临界基线的45%。

S28：利用设置了相关参数的时序PS-InSAR技术获取一定时间范围内的Sentinel-1A影像沉降信息。

S29：对研究区的不同条带数据的沉降结果进行拼接处理，具体表达式为：

S3：构建顾及相邻点变形关联性的CNN-LSTM-Attention预测模型。

本步骤中，人工神经网络模拟人脑对复杂信息的处理机制，拥有强大的非线性映射能力。具有代表性的卷积神经网络（CNN）以其局部连接和权值共享的特性，不但减少了网络参数，更降低了特征提取过程中数据重建的复杂度。单一的CNN不具备记忆能力，因而与拥有记忆细胞的LSTM网络相结合，通过门结构增强细胞状态。CNN-LSTM网络随机分配权值方式会导致忽略特征重要度差异，无法挖掘出长期时序数据的变化规律。本发明基于注意力机制，提高CNN-LSTM模型重要特征影响力，降低非重要特征影响力，以概率分配权值方式提高模型准确率。具体步骤为：

S31：利用卷积神经网络CNN作为预测模型的输入端，将输入的网络参数减少，并降低特征提取过程中数据重建的复杂度。

S32：利用拥有记忆细胞的LSTM网络与卷积神经网络CNN结合，通过门结构增强细胞状态。

S321：通过遗忘门、输入门和输出门构建LSTM网络。

其中，遗忘门计算公式如下：

输入门计算公式如下：

S322：输出门计算公式如下：

通过遗忘门、输入门和输出门的输出获得细胞状态，具体表达式为：

其中，CNN（Convolutional Neural Networks）是神经网络的一种，主要由数据输入层、卷积层、池化层、全连接层和输出层5种网络层组成。卷积层（convolution）对原始数据进行特征提取，相当于信号处理的滤波器，第一层卷积层可能只能提取一些低级的特征如边缘、线条、角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。卷积后通常引入Relu激活函数，该函数具有稀疏性，计算量小，且收敛快，可使神经网络任意逼近非线性函数。池化层（pooling）压缩特征数据，简化网络复杂度，并提取主要特征。卷积操作提取的特征空间存在信息冗余会增加计算难度，而池化层可以不断减少数据空间和计算量，控制过拟合现象。

长短期记忆网络(Long Short Term Memory，LSTM)由循环神经网络(recurrentneural network，RNN)发展而来。相比对时间序列不敏感的CNN，RNN对输入的数据具有记忆性，但随着网络层数变深，梯度更新会以指数形式增加或衰减，即发生梯度爆炸和梯度消失，因此RNN只具备短期记忆。LSTM就是传统RNN的改善，引入门控制结构能更好地存储和访问信息，并依靠学习得到权值去控制依赖的长度，以此缓解梯度消失和爆炸的问题。LSTM由遗忘门、输入门和输出门组成。输入门决定加入哪些新的信息，此处选择Tanh作为激活函数。各个门的计算表达式如步骤S321所示。

S33：利用注意力机制对CNN与LSTM网络的输出以概率分配权值的方式进行处理，提高模型准确率。

在本步骤中，当前注意力机制大多是模拟认知神经学中的聚焦性注意力，在众多的输入信息中聚焦于对当前任务更为关键的信息，降低对其他信息的关注度，从而提取出对模型影响最大的特征，有效解决信息过载问题，最终提高模型精度和效率。

其中，基于注意力机制的CNN-LSTM构成CNN-LSTM-Attention模型，主要由数据输入层、CNN层、LSTM层、注意力层和输出层组成，图3是网络模型结构图。

S4：将地表沉降时序数据输入CNN-LSTM-Attention预测模型中，利用CNN提取高维特征，通过LSTM挖掘高维特征的时序规律，并通过注意力机制处理特征重要度差异，最终提取线路形变梯度分布特征，提高预测精度和效率。

本步骤中，将PS-InSAR监测结果和CNN-LSTM-Attention预测模型进行结合，利用PS-InSAR技术获取一系列沉降时序数据，而利用预测模型进行沉降预测的关键是借助CNN提取高维特征，由LSTM挖掘时序规律，通过注意力机制处理被忽略的特征重要度差异，提取显著性特征。预测模型由数据预处理、模型训练、模型测试与输出四部分组成。PS-InSAR集成预测模型流程，如图4所示。

具体为：

通过沉降时序数据中的不均匀地标形变分析地铁沿线的稳定性，具体表达式为：

基于一个站点P建立沉降预测模型（CNN-LSTM-Attention预测模型），以站点P为中心检索周围其他监测点，并获取Pearson皮尔逊相关系数衡量临近点与站点P的相关性r，具体表达式为：

其中，、/>为两个变量，/>和/>为其均值，/>为样本数。

S5：通过设置Pearson皮尔逊相关系数阈值获取作为影响特征输入的点，将其沉降时序数据输入预测模型后，获得地铁沿线形变的预测结果。

在本步骤中，通过线路形变梯度分布特征获得地铁沿线形变的预测结果后，采用均方根误差RMSE、平均绝对百分比误差MAPE、平均绝对误差MAE作为评价模型预测性能的指标，具体表达式为：

其中，是真实值，/>是预测值，n是样本数。

实施例：

一、检测结果与分析：

1、 InSAR形变解译。

利用PS-InSAR数据处理流程和方法，相关参数设置如下：①时间基线96天，空间基线为临界基线的45%；最长空间基线为110.15m，最长空间基线为504天；②干涉处理过程中多视比设置为5:1，振幅离差指数阈值设为0.75；③参数范围为线性速率为-40mm/year~40mm/year，高程残差为-250m~250m。采用以上参数获取两条带31期2017-3-14至2019-9-24期间Sentinel-1A影像沉降信息。如图1所示，由于研究区处在两条带重叠区，因此需将两组沉降结果进行拼接处理。本发明利用以下公式计算条带间整体形变偏差，将其中一条带的坐标参考基准统一到另一条带，以此统一坐标系统和参考基准，解决不同条带数据的拼接问题。计算表达式如步骤S29所示。本次共检测到研究区内PS点1527605个，其中平均速率标准差低于3.5mm/a的目标点占总数的85.6%。表明利用此监测结果进行地铁沿线地表的形变分析具有可靠性。

2、形变解译结果分析。

对地铁沿线500 m缓冲区内的地表形变进行分析得到地铁沿线形变速率，如图5所示。由形变结果和频数分布图可以看出：石家庄地区沉降呈不均匀分布，地面总体沉降相对稳定，部分区域呈现微小抬升。主要沉降区域位于1号线石家庄东站至福泽站，最大沉降速率达到约-20mm/a，出现在洨河大道站，其最大累积沉降量达-53mm；其他区域沉降速率主要为-10~+5mm/a，沉降较明显区域主要有长安公园站、谈固站、西仰陵站附近，最大沉降速率分别为-10 mm/a、-9 mm/a、-8mm/a。

3、地铁沿线稳定性分析

不均匀的地表形变能够有效反应地铁沿线的稳定性状态。为此，引入形变梯度的概念，它是指在某方向上地表形变变化率的大小，通常用来描述形变的空间均匀性，能够表征地铁沿线一定区间内形变速率或形变量变化快慢的程度。计算公式如步骤S4所示。

以2017/3-2019/9期间各线路的累积沉降量为基础，计算每条线路的形变梯度，并提取大于0.15mm/m的地铁中心线点绘制成图6。

基于地铁沿线地表形变梯度图可知：

1）1号线形变梯度最大值为0.18mm/m，出现在西庄站，该处形变速率仅为-2.0mm/a。形变速率较大的石家庄东站至福泽站路段中心线沉降变化均匀，没有明显坡度。

2）2号线形变梯度大于0.1mm/m的点基本上均匀分布在于整条线路上，最大形变梯度为0.69mm/m，出现在元村-石家庄站的区间且靠近石家庄站400m处；经调研，该位置在本次研究区间处于施工期。此外，该线路梯度值在0.3-0.5mm/m区间的点分布在柳辛庄站起90m、3.8km、4.7km、6.7km、7.1km、10.5km和13.2km处，为运营过程中需密切关注区段。

3）3号线形变梯度最大值为0.29mm/m，出现在市庄站，该点形变速率为-4.82mm/a。据调查，该站为一二期施工的衔接站，受到来自北段施工和首开段运营的共同影响。

经以上分析，以地表形变梯度为指标能够有效区分地铁线路的运营和施工区段，可以作为地铁建设和运营期线路稳定性的重要参考依据。

二、沉降预测模型建立。

解译结果显示，地表最大沉降速率出现在洨河大道站，研究并预测该站及其周边沉降情况至关重要，以下以此为例（定义为P点）建立沉降预测模型。

监测点形变原因不止受到外界环境因素和人为因素影响，还受到周围其他监测点影响，同时也对其他监测点产生影响。考虑到监测点之间的关联性以及地物间距离越近相关性越大的地理学第二定律，以P点为中心检索周围其他监测点。因为该地地表多为裸地、植被，形成的PS监测点数量较少，只在P点25m范围内检索到5个监测点，而其他距离较远的点不具备作为特征输入的条件。利用如步骤S4中公式计算的Pearson相关系数衡量临近点与P点的相关性。各监测点与P点的Pearson系数见表1。

表1 相关系数结果

计算结果显示，P1至P5与P点的r均大于0.8，表明具有强相关性，可作为多输入单输出的预测模型的影响特征。

1、预测参数

本发明将31组样本数据的前26组数据作为训练集，后5组作为测试集，输入历史系列长度和预测步长均为1。CNN-LSTM-Attention模型的输入为31×5的二维结构，故构建Conv2D二维卷积层，层数为两层，第一层Conv2D层卷积核个数为32个，大小为3×3；第二层Conv2D卷积核个数为64，大小为3×3。两个卷积层激活函数为relu函数，池化方式为二维全局平均池化。LSTM隐含层神经元个数为32个，采用Adam梯度下降法更新LSTM网络权重与偏置，最大迭代次数300次，初始学习率为0.001，下降因子0.25，最后为防止过拟合让部分神经元随机失活，从而设置Dropout层提高模型泛化能力，失活率为0.25。

为衡量CNN-LSTM-Attention多特征预测模型的预测效果，采用均方根误差RMSE(root mean square error)、平均绝对百分比误差MAPE（Mean Absolute PercentageError）、平均绝对误差MAE (mean absolute error)作为评价模型预测性能的指标。

2、实验结果及分析

为了评价模型的预测精度和拟合泛化能力，在此引入决定系数和RMSE两个评价指标判断模型是否过拟合。评价该回归模型优劣程度的结果如图7所示，其中，（a）为训练集，（b）为测试集，训练集和测试集的两个指标没有显著差距，可认为该模型拥有较好的泛化能力预测性能。

本发明将CNN-LSTM-Attention的预测结果分别与CNN-LSTM模型、LSTM模型和CNN模型对比，结果如图8所示。

本发明模型与其他模型的预测结果评价指标对比如表2所示，整体来看，CNN-LSTM-Attention模型的RMSE、MAPE和MAE都普遍小于CNN-LSTM、LSTM和CNN模型，相比之下，组合模型CNN-LSTM预测精度又优于两个单一模型LSTM和CNN模型。

表2 各预测结果评价指标

3、仿真试验及分析

为去除时间间隔不一致和数据离散性对模型预测结果带来的影响，进一步验证本发明所用模型的预测性能，利用数据增强（Data Augmentation）手段，让有限的数据产生更多的等价数据来人工扩展训练数据集，提高网络学习能力，便于拟合训练数据分布情况。采用三次样条插值法将原本间隔不等的31期数据转换成1次/3d的301期监测数据，前260期作为训练集，后51期作为测试集，进行仿真实验预测。将插值后的数据输入本发明提出的CNN-LSTM-Attention模型中，得到预测结果与其他模型对比结果及评价指标如表3及图9所示。

表3 各预测结果评价指标

从三次样条函数模拟出的P点和各个影响特征点的变形情况可以看出，插值后的数据不但收敛性和光滑性更好，还避免了时序预测精度受时间间隔不等的影响。从各模型预测结果和评价指标结果可以看出以下几点：

（1）引入注意力机制来按概率分配权值的CNN-LSTM模型（CNN-LSTM-Attention模型）较未引入注意力机制而随机分配权值的CNN-LSTM模型的RMSE、MAPE和MAE分别减少了0.16%、0.17%、0.137%。

（2）组合模型CNN-LSTM比两个单一模型LSTM和CNN的RMSE分别减少了0.117%、0.356%；MAPE分别减少了0.23%、1.52%；MAE分别减少了0.029%、0.257%。

（3）CNN拥有局部权值共享和平移不变性以更好提取特征，但因为缺乏记忆机制，所以不太适合处理序列数据，在数据量较少的情况下，CNN预测精度优于LSTM，随着数据量增多，CNN预测精度低于有长时记忆功能的LSTM的精度。

本发明具有以下结论：

（1）本发明利用PS-InSAR技术获取了石家庄3条地铁线路沿线地表同轨不同条带影像的形变结果，通过计算两组数据整体形变偏差，统一两条带的坐标参考基准，实现了两组数据的形变结果拼接。

（2）根据PS-InSAR解译结果，标定了几处明显的形变区域，并提取克里金插值后的地铁中心线累积形变值作形变梯度分析，发现1号线中心线沿线形变较稳定，3号线形变梯度较大点出现在市庄站，2号线全线发现多个梯度值较大的点，这些都是在地铁日常运营过程中需要重点监控和维护的地方。

（3）本发明选取沉降最大的洨河大道站沉降点作为预测目标，考虑到沉降影响因素除了人为和自然影响因素，还有相邻点之间的变形关联性，选取该点周围5个强相关性的点作为影响特征输入，建立CNN-LSTM-Attention多维预测模型，并将预测结果与CNN-LSTM、LSTM和CNN相比较，得出该模型的精度最高。

（4）为了进一步验证本发明模型的预测精度和优越性，将原始数据插值成高频等距的时序数据，四种模型的预测误差较插值前均有所降低，其中CNN-LSTM-Attention模型精度最高。

以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims

1.一种地铁沿线地质形变的预测方法，其特征在于，包括步骤：

采集多景同轨不同条带的地铁Sentinel-1A影像数据；

通过所述地表沉降时序数据中的不均匀地表形变分析地铁沿线的稳定性，具体表达式为：

其中，grad_i为i点形变梯度；D_i为i点处的形变值；D_i+1和D_i-1分别为点i前后一点的形变值；S_i+1,i-1为i前后点间的距离；

构建顾及相邻点变形关联性的CNN-LSTM-Attention预测模型；

在所述CNN-LSTM-Attention预测模型中以站点P为中心检索周围其他监测点，并获取Pearson皮尔逊相关系数衡量临近点与站点P的相关性r，具体表达式为：

其中，X_i、Y_i为两个变量，和/>为其均值，n为样本数；

通过所述线路形变梯度分布特征获得地铁沿线形变的预测结果；

其中，所述利用时序PS-InSAR技术对所述地铁Sentinel-1A影像数据进行处理，包括如下步骤：

对所述去平后的干涉图进行PS点的优化选取，获得振幅离差指数分布，进行PS构网建模；

其中，所述反演获得多条地铁线路在周期内地表沉降时序数据，包括如下步骤：

2.如权利要求1所述的一种地铁沿线地质形变的预测方法，其特征在于，对所述去平后的干涉图进行PS点的优化选取，包括如下步骤：

使用振幅离差法设置阈值获取PS点；

通过相位稳定性分析最小二乘估计法优化选取PS点。

3.如权利要求1所述的一种地铁沿线地质形变的预测方法，其特征在于，在所述利用时序PS-InSAR技术对所述地铁Sentinel-1A影像数据进行处理时，需设置相关参数进行处理，包括如下步骤：

设置时间基线、干涉处理过程中多视比、振幅离差指数阈值、线性速率和高程残差，并将空间基线设置为临界基线的45％；

对研究区的不同条带数据的沉降结果进行拼接处理，具体表达式为：

式中，N_i为两条带公共重叠区域的PS点数量；d_j和d'_j为两个条带同名PS点的累计形变量值；Δd_i即为两条带的整体偏差。

4.如权利要求1所述的一种地铁沿线地质形变的预测方法，其特征在于，所述构建顾及相邻点变形关联性的CNN-LSTM-Attention预测模型，包括如下步骤：

5.如权利要求4所述的一种地铁沿线地质形变的预测方法，其特征在于，所述利用拥有记忆细胞的LSTM网络与卷积神经网络CNN结合，通过门结构增强细胞状态，包括如下步骤：

通过遗忘门、输入门和输出门构建LSTM网络；

所述遗忘门计算公式如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

所述输入门计算公式如下：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

所述输出门计算公式如下：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*Tanh(C_t)

其中，h是隐藏状态，表示的是短期记忆，h_t是当前时刻隐藏状态，h_t-1代表前一时刻隐藏状态；C是细胞状态，表示的是长期记忆，C_t代表当前时刻记忆细胞状态，而C_t-1则代表前一时刻细胞状态；f_t代表遗忘门；x表示输入，x_t代表当前时刻输入值；i_t代表输入门，o_t代表输出门；σ为Sigmoid激活函数；W_f、W_i、W_o和W_c分别指遗忘门、输入门、输出门和细胞状态的权重矩阵；b_f、b_i、b_o分别指遗忘门、输入门、输出门偏移量，Tanh为激活函数。

6.如权利要求1所述的一种地铁沿线地质形变的预测方法，其特征在于，通过所述线路形变梯度分布特征获得地铁沿线形变的预测结果后，采用均方根误差RMSE、平均绝对百分比误差MAPE、平均绝对误差MAE作为评价模型预测性能的指标，具体表达式为：

其中，y_i是真实值，是预测值，n是样本数。