英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

附录A 译文

基于台风期间风速预测的桥梁交通控制长短期记忆网络(LSTM)

摘要

提出了一种针对强风作用下桥梁交通控制的短期风速预测框架。该框架主要关注于提高对台风期间交通控制时间框架的预测精度。为了实现该目标，新提出了两个概念：1）桥处风速的混合建模；2）采用时移数据校正(TSDC)方法。首先，混合模型考虑了两种可用的数据类型，一种来自桥梁的结构性健康监测系统，另一种来自区域专门气象中心(RSMC)。长短期记忆网络(LSTM)方法的训练特征是基于台风的最大持续风来选择的。其次，TSDC方法解释了桥面上的最大风速与所选特征的最大值或最小值之间的潮汐现象。基于平均绝对误差(MAE)的网格搜索方法确定了两个参数的最佳组合：输入数据长度和训练数据的时移长度。作为数值例子，以2020年的台风作为测试数据，证明通过混合建模和TSDC方法提高预测性能。

关键词：风速预测；台风；桥；交通管制机器学习；长短期记忆网络(LSTM)

1.介绍

大跨度桥梁一直对结构工程师很有吸引力，因为它增加了水平航行间隙，并降低了船舶与码头碰撞的风险。在过去的20年里，世界上最长的桥梁中9/10采用这个结构(Fairclough等人，2018年)。随着这类桥梁数量的增加，强风引发的事故给使用桥梁的车辆带来安全问题。这些事故的主要原因在韩国自西北太平洋地区最常遭受的台风，那些通常影响沿海地区危险的风，每年其中六到十被列为萨菲尔-辛普森飓风类4级或5级(Lin等人，2005)。例如，2018年台风经过日本时，斜拉桥上发生了风致车辆倾覆事故（半岛电视台英语频道，2018），韩国2020年光干桥也发生了类似事故(Kim等人，2020)。此外，这些类型的事故并不局限于特定地区，在过去十年中全球都有报道（Baker和Reynolds，1992；Kim和Kim，2019；Zhu等人，2012）。

针对这些问题，大多数桥梁采用已被广泛采用的基于桥梁瞬时风速的交通控制方法。例如，当桥梁上测量的风速超过一定阈值时，桥梁运营商通过限制车速或限制交通来确保驾驶安全，该阈值定义为临界风速(Kim等人，2016)。然而，实施交通管制措施通常需要几个小时，并且桥梁运营商难以及时应对不断变化的风速状况。准确预测台风期间的风速有助于有效地执行这些程序。

为了满足这一需求，在过去的几十年里，已经进行了许多关于风速预测的研究，这些研究可以分为几种方法。基于物理的方法利用基于具有特定初始和边界条件的水动力学和热力学方程的动态大气模型（Al-Deen等人，2006年；Lei等人，2009年）。基于统计学的方法的研究包括如Tryggvason等人(1976),Georgiou等人(1983),Fujii and Mitsuta(1992),Meng等人(1995),和Matsui(1998)（1995）和Matsui（1998）。这些方法利用台风参数的概率分布函数，基于梯度概念确定台风引起的地表风速。此外，蒙特卡罗方法的替代方法已被广泛应用，包括改进的兰金曲线、荷兰风廓和德玛利亚风廓(深度协会，1947；荷兰，1980；DeMaria，1987)。这些方法使用一些预先定义的气象输入变量来估计风速。随着信息技术和计算机科学的进步，机器学习(ML)作为这些分析方法的替代方法受到了广泛的关注。其中一种流行的基于机器学习的方法是支持向量机(SVMs)，正如Vapnik（1995）提出的那样，它采用了一个内核概念，用于将监控数据映射到高维空间(Burges，1998)。基于该方法，基于SVM的时间序列预测已广泛应用于气象领域(Blume等，2012)，最常用的是核函数：线性函数、多项式和径向基函数(RBF)，以及皮尔逊七世核(Ustun等人，2006；Chen和Xie，2007）。例如，Wei（2012,2015）提出了基于SVM的模型来预测热带气旋事件期间的每小时降水和风速。人工神经网络(ANN)模型也被提出，其中一些包括径向基函数(Maqsoodetal.，2005)，模糊逻辑（Burnham和Anderson,2002;Saacute;nchez,2008），多层每自回归、移动平均、自回归移动平均模型和自回归综合移动平均模型(Filik，2016)。基于空间相关的方法使用来自不同地点的测量值之间的空间关系（Alexiadis等人，1998年；Damousis等人，2004年；Focken等人，2002年）。蒙特卡罗方法最初由罗素（1971）提出，一直被电子加速器(MLP)(Alexiadis等人, 1998; More和Deo, 2003）和循环神经网络(RNN)（Kariniotakis等人，1996; Barbounis和Theocharis, 2006）。该方法的主要目的是通过使用所选择的特征来寻找系统输入和输出数据集之间的未知依赖关系，这可以通过训练预测模型来识别这些复杂的关系来实现算法(Zamani等人，2008年)。Li和Shi（2010）对应用自适应线性元素、反向传播和RBF等不同的ML算法进行了全面的比较研究，发现了在开发预测模型时考虑训练数据源的重要性。Li等人（2011）介绍了一种基于贝叶斯组合算法和各种类型的神经网络模型的两步风速预测方法。Wei（2014）提出了一种与MLP相结合的基于自适应网络的模糊推理系统，并讨论了台风轨迹和强度对中心山脉地形的影响。Kadhem等人（2017）开发了一个结合威布尔分布模型和人工神经网络分布模型的风速预测模型，并考虑了对季节风变化的依赖性。Wei等人（2018）开发了一个反向传播神经网络模型，并研究了西部台湾在特定地点和不同持续时间内的风速预测的准确性。基于深度学习的混合模型最近被引入，并在某些情况下实现了与单一方法类似或更好的预测。例如，Chen等人（2018）引入了一种两层非线性学习方法方法该预测模型在第一层有长短期记忆网络，在第二层是一个用极值优化算法优化参数的支持向量回归机。Chen（2019）还提出了一种双层非线性混合方法，采用极端机器学习、Elman神经网络和LSTM相结合，以提高预测精度和稳定性。

这些研究试图通过在预测模型中引入基于ml的方法来克服分析方法的局限性，结果比使用传统回归和参数风表示方法的研究更准确。虽然这些研究显示出了有希望的结果，但在台风期间，将它们直接应用于大跨度桥梁的运行的局限性仍然存在。这是因为这些研究主要使用场地风速的历史作为主要的训练特征，由于模型简化的问题，导致了预测风速和实际风速之间的时移现象。不幸的是，台风引起的强风除了在桥梁现场的风速外，还可能受到环境因素的影响。当将多个特征结合到训练过程中时，在开发预测模型时，应仔细调查和考虑所选特征的时间序列趋势。例如，某一特定桥梁的风速趋势和台风的物理特性，即最大持续风速(最大持续风速)和台风的压力，在不同的时间点往往有最大值或最小值。因此，为了确保可靠的预测，更多的研究不仅要研究混合建模的适用性，即考虑SHM和卫星数据的多个训练特征，还要研究处理选定特征之间时移现象的新训练策略。

本研究通过将新的混合建模和时移数据校正(TSDC)方法引入到数据预处理阶段，提出了一个三步的短期风速预测框架。第一步是基于知识的特征选择，包括对过去台风的数据探索和根据台风最大持续风的特征进行训练特征选择。根据所选的训练特征，第二步设计模型结构来预测提前6小时的风速，即有足够的时间在台风即将到来之前为风引起的事故做好准备。采用基于长短期记忆(LSTM)的时间序列神经网络模型作为基本模型结构。最后一步是训练优化过程，为一个被研究的桥梁建立一个定制的预测模型。根据预先建立的交通限制准则，选取导致桥上风速发生重大变化的有影响的台风数据作为训练数据集，并在训练模型前使用TSDC方法进行调整。作为一个数值案例研究，将所开发的框架应用于2020年发生的台风。为了证明该方法的有效性，我们进行了一系列的比较研究，以阐明混合建模和TSDC方法对提高预测性能的贡献。

2.被调查过的桥梁和可用的数据

2.1.研究桥梁

广安桥位于韩国东南部地区，为双层悬索桥，如图1所示。该桥由一座悬索桥和临近的跨度组成，全长7.4公里。其布局和尺寸如图2所示。这座桥自2003年1月起就开始投入使用了。在2012年和2020年的台风期间，该桥上发生了几起车辆倾覆事故。Kim等人（2020年）发现，这些事故源于上、下甲板之间风速的显著增加，即所谓的风隧道效应，这说明了在台风易发地区，在这些桥梁上运行的车辆的脆弱性。在这方面，台风季节采用合理的交通控制策略保证海上大桥的安全运行(Kim和Kim，2016；Kim等人，2019,2020）

图 1.广安大桥的位置（釜山基础设施公司）

图 2.广安大桥的侧视图

2.2.监控数据

本研究采用了两种类型的监测数据源：1)SHM数据和2)RSMC数据。

首先，SHM系统自大桥首次开放以来就一直在运行。在桥塔顶部安装了风速计（RM-young05106），如图2所示。监测风速和方向的采样频率为100hz。RMSC通过轨道飞行器上的传感器提供台风数据，包括纬度、经度、中心压力、最大持续风速和6小时间隔内的半径。

图 3.台风路线从 RSMC 数据库中获得

图3为2003年至2019年在北太平洋西部和中国南海的台风路径。

在此期间报告了400多个台风事件。台风通常发展在最靠近赤道的副热带高压脊的一侧。他们中的一些向极地移动，越过山脊轴，然后再次向北和东北弯曲，影响了韩国和日本(JTWC，2006)。

图 4.组合的监控数据集

我们收集了2003年至2019年这17年的两种数据。为了将单独的原始数据转换为组合形式，我们对所有收集到的数据进行预处理，间隔1小时均匀间隔，如图4所示。

图 5.短期风速预测框架示意图

3.短期风速预测框架

图5概述了桥梁上短期风速的预测框架。第一阶段是基于台风最大持续风特征的基于知识的特征选择过程。在第二阶段，根据所选择的特征来设计预测模型结构。第三阶段是训练优化过程，包括有影响的台风选择、时延分析和使用TSDC方法来寻找优选的参数值组合。在最后一个阶段，将所开发的模型应用于测试台风事件，并从现场适用性方面讨论其性能，这将在第4节中详细介绍。

3.1.基于知识的特征选择

特征选择是ML中的核心概念之一，它涉及到选择相关特征子集的过程(Cai等人，2018)。这个过程旨在使模型更容易解释，更泛化。因此，研究台风诱发强风速的影响因素是提高预报性能的关键。根据以往的研究，最大持续风力是台风强度的一个很好的指标；这通常发生在台风眼壁的内半径，是空气开始上升到对流层顶部的点，并有最强的近地表风（Blanchard和Hsu,2005年）。

图 6.桥梁风速的时间史和相应的选定特征：(a)NARI（007/2007）、(b)CHABA（2016 年 9 月）和(c)（2019 年 9 月）

例如，我们调查了过去发生的三起台风事件，以探讨台风的物理性质与桥上发生的强风之间的关系。其物理性质包括桥梁与台风中心之间的距离、压力和最大持续风速。图6显示了所选特征与相应测量的桥梁风速的时间史，这清楚地表明，当距离和压力达到最低点时，往往会出现强风速，最大持续风速在其最高点。为了采用基于序列的神经网络作为预测模型，本研究假设神经网络可以对所选特征的特定时间序列趋势进行训练。

3.2.模型设计

本研究采用基于序列的神经网络模型-长短期记忆网络(LSTM)一asa模型结构。由于该算法对时间序列数据的学习能力，已被应用于各种研究领域。LSTM引进了新特征从复发性神经网络(RNN)中的门控细胞（Hochreiter和Schmidhuber，1997年）。增加了三种程序，即输入、输出和忘记，这个额外的控制系统使LSTM能够调节进出模型的信号流，以存储随着时间积累的关键信息。因此，LSTM的这一特性可以用于学习强风与相应的环境条件之间的复杂非线性表示。

基于所确定的强风特性，所开发的模型使用了塔架顶部的风速、最大持续风速、压力和台风与桥梁之间的距离作为训练特征。该模型由三个LSTM层组成。选择一个平均绝对误差 表 1.模型设计参数

(MAE)来估计一个损失函数，以便在每个训练阶段后使用梯度下降来更新网络。然后，使用RMSprop优化器(De等人，2018年)更新神经网络，其中所有进程都由Python和谷歌应变流执行(Abadi等人，2016年)。具体情况见表1，如图7所示。

图 7.用于强风预测的神经网络模型结构

3.3.培训优化

3.3.1.影响台风选择

根据以往研究中的风速阈值，选择了显著提高了广安大桥风速的有影响力的台风。Kim等人（2019年）通过风洞测试和对平坦地面的车辆模拟分析，在平均10分钟的时间跨度内确定了拖车的临界风速为14-15m/s。Guo和Xu (2006)还从一组数值车辆模拟中观察到，在平均风速为15-20m/s时，高侧车辆在60-100km/h的桥上发生倾覆事故。Baker和Reynolds (1992)建议，通过调查1990年1月25日发生的实际风致事故，当3秒阵风风速大于20m/s时，应限制交通运动。根据Simu和Scalan（1996）Kim等人的研究，该阵风速度对应的10分钟平均风速为14-15m/s。（2021）估计，以80km/h的10分钟平均风速计算，高侧车辆的临界风速为16-17m/s

根据在文献中发现的结果，我们选择了10分钟的平均速度为14个m/s作为识别有影响的台风的阈值。根据Simu和Scalan（1996）的说法，考虑到已开发框架中使用的数据类型，该阈值按小时平均风速转换为13.3m/s。此外，该阈值对应于甲板高度46.2m的高度，因此必须转换为主塔顶部风

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[603467]，资料为PDF文档或Word文档，PDF文档可免费转换为Word