基于CEEMDAN-LSTM的桥梁变形时间序列预测研究

冯建强; 宋昆仑

您当前的位置：

首页 >

文章列表页 >

基于CEEMDAN-LSTM的桥梁变形时间序列预测研究

S技术应用 | 更新时间：2025-11-25

- 基于CEEMDAN-LSTM的桥梁变形时间序列预测研究
- 基于CEEMDAN-LSTM的桥梁变形时间序列预测研究
- 地理空间信息 2023年21卷第7期页码：40-43
- 作者机构：
  
  1. 南水北调中线信息科技有限公司
  2. 石家庄学院
- 作者简介：
- 基金信息：
  
  应用型高校地理信息科学专业“融合式”创新创业教育模式研究资助项目（202102204029）
- DOI：
  中图分类号： U446
- 纸质出版：2023
- 稿件说明：
移动端阅览
冯建强, 宋昆仑. 基于CEEMDAN-LSTM的桥梁变形时间序列预测研究[J]. 地理空间信息, 2023,21(7):40-43.

冯建强, 宋昆仑. 基于CEEMDAN-LSTM的桥梁变形时间序列预测研究[J]. 2023, 21(7): 40-43.
冯建强, 宋昆仑. 基于CEEMDAN-LSTM的桥梁变形时间序列预测研究[J]. 地理空间信息, 2023,21(7):40-43. DOI：

冯建强, 宋昆仑. 基于CEEMDAN-LSTM的桥梁变形时间序列预测研究[J]. 2023, 21(7): 40-43. DOI：

摘要

针对桥梁变形时间序列的高度复杂性和数据间的强相关性导致预测精度低的问题，在LSTM网络的基础上引入CEEMDAN分解算法，构建了一种基于CEEMDAN-LSTM的桥梁变形时间序列预测模型。首先利用CEEMDAN对桥梁变形时间序列进行分解，然后利用LSTM对分解得到的各子序列进行训练预测，最后叠加各子序列预测值得到模型的最终预测结果。利用某大桥南索塔X方向的变形时间序列数据对预测模型进行检验分析，并将预测结果与单一LSTM网络和EMD-LSTM模型的预测结果进行对比。结果表明，基于CEEMDAN-LSTM的桥梁变形时间序列预测模型精度高、实用性强。

Abstract

关键词

Keywords

references

曾豪.基于LSTM的环境污染时间序列预测模型的研究[D].华中科技大学,2019(01).

张旭.基于循环神经网络的时间序列预测方法研究[D].南京大学,2019(07).

成小林.基于经验模态分解的时间序列预测研究[D].大连理工大学,2018(02).

林勋.时间序列分析在建筑物变形监测中的应用[D].吉林大学,2005(03).

栾元重,梁耀东,董岳,翁丽媛,刘承旭.桥梁水平位移混沌特征识别与神经网络预测研究[J].大地测量与地球动力学,2021(01).

邓永春,徐跃,徐丹丹,贾雪,田先才.基于支持向量机的GNSS时间序列预测[J].全球定位系统,2019(02).

魏昱洲,许西宁.基于LSTM长短期记忆网络的超短期风速预测[J].电子测量与仪器学报,2019(02).

朱利明,卓静超,邢世玲.基于小波分解与CEEMDAN的桥梁SHM应变预测[A].第九届桥梁与隧道工程技术论坛,2019.

Hochreiter S,Schmidhuber J.Long short-term memory.[J].Neural computation,1997(8).

浏览量

337

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于CEEMDAN-IPSO-KELM模型的BDS卫星钟差预报

利用LSTM-Transformer的城市小区入住率预测——以济南市为例

基于模态分解的GNSS观测环境影响辨识研究

一种面向多光谱多分辨率影像的超分辨率重建网络

利用空间最短距离拟合模型重建点云缺失电力线