基于CNN-BiLSTM-Attention的箱梁离散点温度预测

关键词： Matlab ；温度预测 ； CNN-BiLSTM-Attention ； 气象 特征；模型评估

近几年来，随着大数据时代的来临和机器学习技术的不断普及，国内外学者开始借助于神经网络对温度场进行有针对性的时间序列预测，如 RNN 循环神经网络模型和 LSTM 长短时记忆网络模型等。如何更准确、更有效地对温度场进行时序预测和状态评估成为当下混凝土箱梁温度场研究炙手可热的话题。

当前的时序预测模型大多基于 RNN 循环神经网络模型和 LSTM 长短时记忆网络模型，但仅靠单一特征预测出的时序状态完成度和准确度都有待提高。 基于 LSTM 模型，引入卷积神经网络（ CNN ）捕捉时间序列中的空间特征，引入自注意力机制（ Attention ）对各特征进行权重分配，突出关键特征，从全局方面把控各个特征对输出值的依赖关系，从而提高模型整体的预测精度。

图 1 CNN-BiLSTM-Attention 模型结构图

【 模型信息 】 该混凝土箱梁桥经纬度为 106.18 ° E ， 30.91 ° N ，所处地域为亚热带季风气候。本次共布置 30 个测点。顶板测点 10 个，左右腹板测点 16 个，底板测点 4 个。截面温度测点布置如图 2 所 示。

图 2 测点布置 信息

【 气象参数选取 】 选取的气象数据包括：大气温度 T 、大气压强 P 、相对湿度 U 、风速 F 、露点温度 Td 以及太阳辐射强度 W 。上述气象参数均可通过气象网站获取。

表 1 气象参数采样频率和获取来源

【 相关性分析 】 生成各特征与输出测点温度之间的 person 相关系数矩阵。相关系数取值在 -1~1 之间，相关系数越接近 1 说明该特征与输出值之间有越强的正相关性，反之该特征与输出值之间有越强的负相关性。

图 3 特征值和测点温度之间的相关系数矩阵

【 预测结果对比 】 LSTM 、 BiLSTM 、 CNN- BiLSTM 和联合模型 CNN- BiLSTM-Attention 在相同参数下对测点温度的预测结果如下图所示，图中设置 95% 的上下置信区间曲线。

图 4 各模型下预测结果对比

由上图分析得知， CNN-BiLSTM 在长时预测上保持了不错的精度，决定系数 R 2 均能保持在 0.98 ，展现了模型在长短时上均有较强的预测能力， CNN-BiLSTM-Attention 无论各项指标均领先于 LSTM/BiLSTM 和 CNN-BiLSTM 时序模型。

【注】本次 参数 设置较为复杂， 核心代码功能在 文中并未展示 ，模型的每次训练结果也可能有所差异，需要更为细致的超参数优化和分析 。