王思捷，黄 腾，周立俊，吴壮壮

（1.河海大学 地球科学与工程学院，江苏 南京 211100）

近年来，城市地下轨道交通飞速发展，缓解了地面交通占地大、人流多、易拥堵的状况。为了保障地铁安全运行，必须长期对地铁轨道实施变形监测工作，及时掌握地铁的健康状态，避免恶性事件的发生[1]。随着地铁线路的不断增加，传统的定期监测手段已不能满足要求，自动化、智能化监测方法成为地铁变形监测的主要研究方向[2]。时间序列分析[3]、自回归模型[4]、GM(1,1)模型[5]、卡尔曼滤波[6]、小波分析[7]、神经网络[8]等现有方法均取得了一定的成果，但奇异谱分析（SSA）方法在地铁变形监测方面的研究与应用还较少。

利用沉降监测的时间序列数据进行建模进而对未来一段时间内的沉降量进行预测是当前地铁沉降预测的主要方案；而当时间序列中含有噪声时，将大大降低模型的预测精度。SSA方法具有不受正弦波假定的约束、无需先验信息的优点，可从原序列中提取到尽可能多的可靠信息，从而达到去噪效果[9]。BP神经网络是一种自适应的预测模型，能对非线性序列在短期内实现很好的预报[10]。本文提出的SSA_BP神经网络模型，首先利用SSA方法的优越性对原始序列进行分解，提取其中的趋势项与周期成分，同时削弱噪声、提高信噪比；然后利用BP神经网络方法分别对趋势项与周期成分进行训练，构建预测模型；最后进行重构预测，得到的趋势值与周期值即为最终预测结果。

1 SSA方法

对一维时间序列X={xi|i=1,2,...,n}进行SSA，可分为构建轨迹矩阵、奇异值分解和序列重构3个主要步骤[11]。……