一种基坑变形预测方法和系统

技术领域

本发明涉及基坑变形预测技术领域，尤其涉及一种基坑变形预测方法和系统。

背景技术

随着城市化进程的加速和城市建设的不断扩展，深基坑工程变得越来越常见。这些工程通常包括地下基础、地铁站、隧道等。然而，由于复杂的地下条件和多种不确定因素，这些工程可能出现变形和安全问题。因此，监测和预测深基坑的变形变得至关重要，以减少事故风险、降低成本和确保人员安全。

目前，主要是通过回归分析、灰色理论、时序分析、人工神经网络等方法来预测深基坑的变形，但这些方法在不同程度上存在局限性，例如，回归分析难以处理动态数据，灰色理论对数据要求较高，神经网络容易受初始值的影响，降低了深基坑预测的精度。

发明内容

本发明提供了一种基坑变形预测方法和系统，解决了目前通过回归分析、灰色理论、时序分析、人工神经网络等方法来预测深基坑的变形，但这些方法在不同程度上存在局限性，例如，回归分析难以处理动态数据，灰色理论对数据要求较高，神经网络容易受初始值的影响，降低了深基坑预测的精度的技术问题。

本发明第一方面提供的一种基坑变形预测方法，包括：

当接收到训练数据集时，对所述训练数据集进行数据预处理，生成对应的训练特征数据；

采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，所述目标基坑预测模型包括特征输入层、主干网络和预测模块；

当接收到待预测基坑数据时，采用所述特征输入层对所述待预测基坑数据进行数据处理，生成数据特征图；

采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图；

采用所述预测模块对所述基坑特征图进行变形预测，判断所述待预测基坑数据是否变形。

可选地，所述采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型的步骤，包括：

采用所述训练特征数据对预设的初始基坑预测模型进行训练，输出对应的训练分数值；

计算所述训练分数值与预设的标准分数值之间的偏差值；

当所述偏差值小于预设标准损失值时，输出目标基坑预测模型。

可选地，所述主干网络包括依次连接的特征提取网络和BiLSTM网络，所述采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图的步骤，包括：

通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图，其中所述特征提取网络包括依次连接的归一化层、特征提取分支、特征融合层和ReLU激活层；

通过所述BiLSTM网络对所述初始基坑特征图进行进行预测处理，生成基坑特征图。

可选地，所述通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图的步骤，包括：

采用归一化层对所述数据特征图进行图像预处理，生成第一基坑特征图；

通过所述特征提取分支对所述第一基坑特征图像进行特征提取，生成第二基坑特征图，其中所述特征提取分支包括依次连接的1×1多通道标准卷积层、ReLU激活层、1×1多通道标准卷积层、ReLU激活层和Droupout层；

通过特征融合层对所述第一基坑特征图和所述第二基坑特征图进行特征融合，生成第三基坑特征图；

采用ReLU激活层对所述第三基坑特征图进行特征提取，生成初始基坑特征图。

可选地，所述预测模块包括缩放点积注意力层和全连接层，所述采用所述预测模块对所述基坑特征图进行变形预测，判断所述待预测基坑数据是否变形的步骤，包括：

采用所述缩放点积注意力层对所述基坑特征图进行特征提取，生成第一基坑分析特征图；

通过全连接层对所述第一基坑分析特征图进行特征标识，生成第二基坑分析特征图；

提取所述第二基坑分析特征图中的评价指标值；

判断所述评价指标值是否大于或等于预设的标准指标值；

当所述评价指标值大于或等于所述标准指标值，则判定所述待预测基坑数据变形。

可选地，述待预测基坑数据包括临近建筑物沉降数据、地下水位数据、锚杆轴力数据、冠梁顶水平位移数据、冠梁顶沉降数据、坡顶部水平位移数据、坡顶部沉降数据、地下管线沉降数据和地面沉降数据。

本发明第二方面提供的一种基坑变形预测系统，包括：

数据处理模块，用于当接收到训练数据集时，对所述训练数据集进行数据预处理，生成对应的训练特征数据；

训练模块，用于采用所述训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，所述目标基坑预测模型包括特征输入层、主干网络和预测模块；

第一特征提取模块，用于当接收到待预测基坑数据时，采用所述特征输入层对所述待预测基坑数据进行数据处理，生成数据特征图；

第二特征提取模块，用于采用所述主干网络对所述数据特征图进行特征提取，生成基坑特征图；

分析模块，用于采用所述预测模块对所述基坑特征图进行变形预测，判断所述待预测基坑数据是否变形。

可选地，所述训练模块，包括：

第一训练子模块，用于采用所述训练特征数据对预设的初始基坑预测模型进行训练，输出对应的训练分数值；

第二训练子模块，用于计算所述训练分数值与预设的标准分数值之间的偏差值；

当所述偏差值小于预设标准损失值时，输出目标基坑预测模型。

可选地，述主干网络包括依次连接的特征提取网络和BiLSTM网络，所述第二特征提取模块，包括：

第一提取子模块，用于通过所述特征提取网络对所述数据特征图进行特征提取，生成初始基坑特征图，其中所述特征提取网络包括依次连接的归一化层、特征提取分支、特征融合层和ReLU激活层；

第二提取子模块，用于通过所述BiLSTM网络对所述初始基坑特征图进行进行预测处理，生成基坑特征图。

可选地，所述预测模块包括缩放点积注意力层和全连接层，所述分析模块，包括：

第三提取子模块，用于采用所述缩放点积注意力层对所述基坑特征图进行特征提取，生成第一基坑分析特征图；

标识子模块，用于通过全连接层对所述第一基坑分析特征图进行特征标识，生成第二基坑分析特征图；

提取子模块，用于提取所述第二基坑分析特征图中的评价指标值；

分析子模块，用于判断所述评价指标值是否大于或等于预设的标准指标值；

当所述评价指标值大于或等于所述标准指标值，则判定所述待预测基坑数据变形。

从以上技术方案可以看出，本发明具有以下优点：

当接收到训练数据集时，对训练数据集进行数据预处理，生成对应的训练特征数据，采用训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块，当接收到待预测基坑数据时，采用特征输入层对待预测基坑数据进行数据处理，生成数据特征图，采用主干网络对数据特征图进行特征提取，生成基坑特征图，采用预测模块对基坑特征图进行变形预测，判断待预测基坑数据是否变形。解决了现有基坑变形预测方法存在不同程度上存在局限性，降低了深基坑预测的精度的技术问题。本申请通过将接收的待预测基坑数据转换为多重维度特征图，并利用目标基坑预测模型对基坑数据进行预测，提高了基坑预测的精准度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的一种基坑变形预测方法的步骤流程图；

图2为本发明实施例二提供的一种基坑变形预测方法的步骤流程图；

图3为本发明实施例二提供的特征提取网络的结构示意图；

图4为本发明实施例二提供的BiLSTM网络的第一示意图；

图5为本发明实施例二提供的BiLSTM网络的第二示意图；

图6为本发明实施例三提供的一种基坑变形预测系统的结构框图。

具体实施方式

本发明实施例提供了一种基坑变形预测方法和系统，用于解决目前通过回归分析、灰色理论、时序分析、人工神经网络等方法来预测深基坑的变形，但这些方法在不同程度上存在局限性，例如，回归分析难以处理动态数据，灰色理论对数据要求较高，神经网络容易受初始值的影响，降低了深基坑预测的精度的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种基坑变形预测方法的步骤流程图。

本发明提供的一种基坑变形预测方法，包括：

步骤101、当接收到训练数据集时，对训练数据集进行数据预处理，生成对应的训练特征数据。

训练数据集，指的是基坑各个监测点的数据集。

在本发明实施例中，当接收到基坑各个监测点的数据集时，对数据集进行数据预处理，生成对应的训练特征数据。

需要说明的是，数据预处理包括缺失值处理、异常值检测和归一化处理，考虑到原始监测数据中存在部分数据缺失的情况，本申请采用线性插值法对缺失值进行填补，保证数据的完整性和连续性。异常值检测具体包括采用3σ准则对异常值进行检测和剔除，保证数据的准确性和稳定性，从而避免了原始监测数据中可能存在一些不符合实际情况的异常值。归一化处理具体包括采用标准化方法对数据进行归一化处理，使数据符合均值为0，方差为1的正态分布，保证数据的可比性和一致性，从而避免了监测数据在数值上相差较大。

步骤102、采用训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块。

在本发明实施例中，将训练特征数据对预设的初始基坑预测模型进行训练，将基坑预测值和基坑实测值比较，根据损失值调整初始基坑预测模型的参数，重复上述步骤直到损失值达到早停设定的阈值或达到设定的迭代次数，停止训练，输出目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块。

需要说明的是，初始基坑预测模型的损失函数为均方误差(MSE)：

其中，N为样本数量，L

值得一提的是，早停是一训练复杂的机器学习模型以避免过度拟合的正则化方法。它通过监视在单独的观试数据集上进行训练的模型的性能并在固定次数的训练迭代后测试数据集的性能未得到改善的情况下停止训练过程来工作。通过尝试自动选择拐点，在拐点处测试数据集的性能开始下降，而训练数据集的性能随着模型开始过拟合而继续提高，从而避免了过拟合。原理：①将数据分为训练集和验证集②每个epoch结束后：在验证集上获取测试结果，随着epoch的增加，如果在预先设定的阈值内，验证集上发现测试误差上升或停止不变，则停止训练；③将停止之后的权重作为网络的最终参数。

步骤103、当接收到待预测基坑数据时，采用特征输入层对待预测基坑数据进行数据处理，生成数据特征图。

待预测基坑数据，指的是一天内基坑各个监测点采集的数据，包括但不限于临近建筑物沉降数据、地下水位数据、锚杆轴力数据、冠梁顶水平位移数据、冠梁顶沉降数据、坡顶部水平位移数据、坡顶部沉降数据、地下管线沉降数据和地面沉降数据等。

在本发明实施例中，当接收到待预测基坑数据时，通过特征输入层将待预测基坑数据转换为数据特征图。

步骤104、采用主干网络对数据特征图进行特征提取，生成基坑特征图。

在本发明实施例中，通过主干网络提取数据特征图的特征，生成基坑特征图。

步骤105、采用预测模块对基坑特征图进行变形预测，判断待预测基坑数据是否变形。

在本发明实施例中，通过预测模块对基坑特征图进行变形预测，生成预测特征图，提取预测特征图中的评价指标，通过比较评价指标和标准指令，判断待预测基坑数据是否变形。

在本发明实施例中，当接收到训练数据集时，对训练数据集进行数据预处理，生成对应的训练特征数据，采用训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块，当接收到待预测基坑数据时，采用特征输入层对待预测基坑数据进行数据处理，生成数据特征图，采用主干网络对数据特征图进行特征提取，生成基坑特征图，采用预测模块对基坑特征图进行变形预测，判断待预测基坑数据是否变形。解决了现有基坑变形预测方法存在不同程度上存在局限性，降低了深基坑预测的精度的技术问题。本申请通过将接收的待预测基坑数据转换为多重维度特征图，并利用目标基坑预测模型对基坑数据进行预测，提高了基坑预测的精准度。

请参阅图2，图2为本发明实施例二提供的一种基坑变形预测方法的步骤流程图。

本发明提供的一种基坑变形预测方法，包括：

步骤201、当接收到训练数据集时，对训练数据集进行数据预处理，生成对应的训练特征数据。

在本发明实施例中，当接收到基坑各监测点的数据集(其中数据集包含207监测数据，监测数据包括临近建筑物沉降、地下水位、锚杆轴力、冠梁顶水平位移、冠梁顶沉降、坡顶部水平位移、坡顶部沉降、地下管线沉降、地面沉降九个基坑变形影响因素，103个特征的数据)时，对数据集进行数据预处理，生成对应的训练特征数据。

步骤202、采用训练特征数据对预设的初始基坑预测模型进行训练，输出对应的训练分数值。

训练分数值，指的是初始基坑预测模型对训练特征数据进行分析，得到的基坑预测值。

在本发明实施例中，采用训练特征数据对预设初始基坑预测模型进行训练，生成对应的基坑预测值。

需要说明的是，在对初始基坑预测模型进行训练前，对初始基坑预测模型的初始权值与阈值进行设置，并设置初始基坑预测模型的参数、层数和连接结构。

步骤203、计算训练分数值与预设的标准分数值之间的偏差值。

标准分数值，指的是实测基坑值。

在本发明实施例中，计算基坑预测值与实测基坑值之间的偏差值。

步骤204、当偏差值小于预设标准损失值时，输出目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块。

在本发明实施例中，当偏差值小于预设标准损失值时，输出目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块。当偏差值大于或等与预设标准损失值，通过Adam优化算法调整初始基坑预测模型的参数，并跳转执行采用训练特征数据对预设的初始基坑预测模型进行训练，输出对应的训练分数值的步骤。

需要说明的是，Adam优化算法是一种自适应学习率的优化算法，它结合了动量法和RMSProp算法。在训练过程中，Adam算法可以自适应地调整学习率，从而更加高效地优化神经网络的参数，Adam算法的核心思想是利用梯度的一阶矩估计(均值)和二阶估计(方差)来调整学习率具体而言，算法维护两个变量m和，分别表示梯度的一阶矩估计和二阶矩估计。在每一次迭代中，算法根据当前的梯度更新m和V的值，并计算相应的偏差校正估计。最后，算法使用校正后的一阶矩估计和二阶矩估计来更新模型的参数。Adam优化算法的更新规则如下：①m＝β

步骤205、当接收到待预测基坑数据时，采用特征输入层对待预测基坑数据进行数据处理，生成数据特征图。

需要说明的是，待预测基坑数据包括临近建筑物沉降数据、地下水位数据、锚杆轴力数据、冠梁顶水平位移数据、冠梁顶沉降数据、坡顶部水平位移数据、坡顶部沉降数据、地下管线沉降数据和地面沉降数据。

在本发明实施例中，当接收到待预测基坑数据(临近建筑物沉降数据、地下水位数据、锚杆轴力数据、冠梁顶水平位移数据、冠梁顶沉降数据、坡顶部水平位移数据、坡顶部沉降数据、地下管线沉降数据和地面沉降数据)时，采用特征输入层对待预测基坑数据进行数据处理，生成数据特征图。

需要说明的是，特征输入层对待预测基坑数据进行数据处理具体为：将每个时间点的数据看作一个图像，将每个监测点看作一个像素，将每个因素看作一个颜色通道。这里的颜色通道不是RGB中的红、绿、蓝三种颜色，而是Q临近建筑物沉降、W地下水位、M锚杆轴力、WY冠梁顶水平位移、S冠梁顶沉降、P坡顶部水平位移、C坡顶部沉降、G地下管线沉降、D地面沉降九个基坑变形影响因素。这里的颜色通道不是用一个字节的数据表示，而是用4字节的数据表示。所以，每个像素不是有3个颜色通道，而是有9个因素通道。每个像素不是占用3字节的数据，而是占用36字节的数据。这样，每个时间点就可以表示为一个103x103x36字节的图像，其中103x103是空间维度，36字节是每个像素的数据量。为了方便计算，输入层将这些字节数据转换为浮点数数据，并将其看作一个103x103x5的张量，其中103x103是空间维度，5是通道维度。输入数据维度为207x103x103x36，其中207是时间维度，103x103是空间维度，36是每个像素的字节数。这个维度表示了输入数据的原始格式，也就是一个207x3708的矩阵，其中3708是每个时间点的特征维度(9x103x4)。你可以将这个矩阵看作一个二维数组，每一行表示一个时间点的数据，每一列表示一个特征的数据。这个维度也可以用一个元组来表示，即(207,103,103,36)。这个元组的长度就是输入数据的阶数，也就是输入数据有多少个维度。这个例子中，输入数据的阶数是4，也就是说它有四个维度，分别是时间维度、空间维度、空间维度和字节维度。每个维度的大小就是元组中的数字，例如时间维度的大小是286，字节维度的大小是36。所以，输入数据的总大小就是207x103x103x36。

步骤206、采用主干网络对数据特征图进行特征提取，生成基坑特征图。

进一步地，主干网络包括依次连接的特征提取网络和BiLSTM网络，步骤206包括以下子步骤：

S11、通过特征提取网络对数据特征图进行特征提取，生成初始基坑特征图，其中特征提取网络包括依次连接的归一化层、特征提取分支、特征融合层和ReLU激活层。

进一步地，S11包括以下子步骤：

S111、采用归一化层对数据特征图进行图像预处理，生成第一基坑特征图。

在本发明实施例中，参阅图3所示，通过归一化层对数据特征图进行图像预处理，生成第一基坑特征图。

S112、通过特征提取分支对第一基坑特征图像进行特征提取，生成第二基坑特征图，其中特征提取分支包括依次连接的1×1多通道标准卷积层、ReLU激活层、1×1多通道标准卷积层、ReLU激活层和Droupout层。

在本发明实施例中，参阅图3可知，将第一基坑特征图像依次输入1×1多通道标准卷积层、ReLU激活层、1×1多通道标准卷积层、ReLU激活层和Droupout层进行特征提取，生成第二基坑特征图。

S113、通过特征融合层对第一基坑特征图和第二基坑特征图进行特征融合，生成第三基坑特征图。

在本发明实施例中，参阅图3可知，采用特征融合层将第一基坑特征图和第二基坑特征图进行特征融合，生成第三基坑特征图。

S114、采用ReLU激活层对第三基坑特征图进行特征提取，生成初始基坑特征图。

在本发明实施例中，通过ReLU激活层对第三基坑特征图进行特征提取，生成初始基坑特征图并将初始基坑特征图输入BiLSTM网络。

S12、通过BiLSTM网络对初始基坑特征图进行进行预测处理，生成基坑特征图。

在本发明实施例中，基于BiLSTM网络对初始基坑特征图进行进行预测，生成基坑特征图。

值得一提的是，参阅图4可知，BiLSTM网络分为2个独立的LSTM，输入序列分别以正序和逆序输入至2个LSTM神经网络进行特征提取，将2个输出向量(即提取后的特征向量)进行拼接后形成的词向量作为该词的最终特征表达。且LSTM神经网络在隐藏层h中增加了3个门控(gates)结构，分别是遗忘门(forgetgate)、输入门(inputgate)、输出门(outputgate)，同时新增了一个隐藏状态(cellstate)。LSTM隐藏层结构原理如下所示，f(t)、i(t)、0(t)分别表示时刻遗忘门、输入门、输出门的值，a(t)表示t时刻对h(t-1)和x(t)的初特征提取。具体的计算过程为：1、f(t)＝σ(Wfh

tanh(x)＝1-e

σ(x)＝1/1+e

遗忘门和输入门计算的结果作用于c(t-1)，构成t时刻的细胞状态c(t)，用公式表示为：

c(t)＝c(t-1)⊙f(t)+i(t)⊙a(t)；

其中，⊙为Hadamard积。最终t时刻的隐藏层状态h(t)由输出门o(t)和当前时刻的细胞状态c(t)求出：

ht)＝o(t)⊙tanh(ct))。

值得一提的是，参阅图5所示，BiLSTM网络对文本特征提取效率和性能要优于单个LSTM结构模型。BiLSTM中的2个LSTM神经网络参数是相互独立的，它们只共享word-embedding词向量列表。通过BiLSTM可以更好的捕捉双向的语义依赖。

步骤207、采用预测模块对基坑特征图进行变形预测，判断待预测基坑数据是否变形。

进一步地，步骤207包括以下子步骤：

S21、采用缩放点积注意力层对基坑特征图进行特征提取，生成第一基坑分析特征图。

在本发明实施例中，通过缩放点注意力层对基坑特征图进行特征提取，生成第一基坑分析特征图。

需要说明的是，缩放点注意力层中输入的基坑特征图首先被映射到查询向量Q、键向量K和值向量V，然后计算Q和K的点积，再对点积结果进行缩放，最后将缩放后的结果与V进行加权平均，得到第一基坑分析特征图。

其中，计算公式如下：

值得一提的是，缩放点注意力层内的分析步骤为：假设查询(query)和键(keys)是等长的，为dk。值(value)为dv，步骤一：将查询向量(query)和键向量(keys)作内积，求他们的余弦相似度(余弦相似度实际是内积的归一化)。其中，余弦相似度公式为：

a·b＝|a||b|cos(a,b)；

cos(a,b)＝(a·b)/|a||b|；

如果余弦相似度越大，则两个向量的相似度越高；如果余弦相似度为0，则两个向量正交没有相似度。步骤二：将步骤1中的值除以

S22、通过全连接层对第一基坑分析特征图进行特征标识，生成第二基坑分析特征图。

在本发明实施例中，采用全连接层对第一基坑分析特征图进行特征标识，生成第二基坑分析特征图。

S23、提取第二基坑分析特征图中的评价指标值。

在本发明实施例中，从第二基坑分析特征图中提取出对应的评价指标值。

S24、判断评价指标值是否大于或等于预设的标准指标值。

标准指标值，指的是基坑变形的临界值。

在本发明实施例中，判断评价指标值是否大于或等于预设的标准指标值。

S25、当评价指标值大于或等于标准指标值，则判定待预测基坑数据变形。

在本发明实施例中，当评价指标值大于或等于标准指标值，则判定待预测基坑数据变形。当评价指标值小于标准指标值，则判定待预测基坑数据未变形。

值得一提的是，参阅表1可知，目标基坑预测模型在相同的数据集与训练条件下，对预测值和真实值的拟合度和误差都优于其他基坑变形预测模型，表明该模型具有更高的准确性和稳定性。目标基坑预测模型利用基坑变形数据的空间和时间特征，并给予重要特征更高的权重，从而提高预测精度和泛化能力。目标基坑预测模型相较于LSTM模型(3层LSTM)l3模型在各性能上均提升明显，其中决定系数r2提升了14.6％，均方误差MSE降低了0.7％，平均绝对误差MAE降低了2.2％。这表明在模型中设置了缩放点注意力层加强了基坑监测点时间维度上的长期依赖，从而提高了基坑变形预测的精度。

表1

在本发明实施例中，当接收到训练数据集时，对训练数据集进行数据预处理，生成对应的训练特征数据，采用训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块，当接收到待预测基坑数据时，采用特征输入层对待预测基坑数据进行数据处理，生成数据特征图，采用主干网络对数据特征图进行特征提取，生成基坑特征图，采用预测模块对基坑特征图进行变形预测，判断待预测基坑数据是否变形。解决了现有基坑变形预测方法存在不同程度上存在局限性，降低了深基坑预测的精度的技术问题。本申请通过将接收的待预测基坑数据转换为多重维度特征图，并利用目标基坑预测模型对基坑数据进行预测，提高了基坑预测的精准度。

请参阅图6，图6为本发明实施例三提供的一种基坑变形预测系统的结构框图。

本发明提供的一种基坑变形预测系统，包括：

数据处理模块301，用于当接收到训练数据集时，对训练数据集进行数据预处理，生成对应的训练特征数据；

训练模块302，用于采用训练特征数据对预设的初始基坑预测模型进行训练，生成目标基坑预测模型，其中，目标基坑预测模型包括特征输入层、主干网络和预测模块；

第一特征提取模块303，用于当接收到待预测基坑数据时，采用特征输入层对待预测基坑数据进行数据处理，生成数据特征图；

第二特征提取模块304，用于采用主干网络对数据特征图进行特征提取，生成基坑特征图；

分析模块305，用于采用预测模块对基坑特征图进行变形预测，判断待预测基坑数据是否变形。

进一步地，训练模块302，包括：

第一训练子模块，用于采用训练特征数据对预设的初始基坑预测模型进行训练，输出对应的训练分数值；

第二训练子模块，用于计算训练分数值与预设的标准分数值之间的偏差值；

当偏差值小于预设标准损失值时，输出目标基坑预测模型。

进一步地，主干网络包括依次连接的特征提取网络和BiLSTM网络，第二特征提取模块304，包括：

第一提取子模块，用于通过特征提取网络对数据特征图进行特征提取，生成初始基坑特征图，其中特征提取网络包括依次连接的归一化层、特征提取分支、特征融合层和ReLU激活层；

第二提取子模块，用于通过BiLSTM网络对初始基坑特征图进行进行预测处理，生成基坑特征图。

进一步地，预测模块包括缩放点积注意力层和全连接层，分析模块，包括：

第三提取子模块，用于采用缩放点积注意力层对基坑特征图进行特征提取，生成第一基坑分析特征图；

标识子模块，用于通过全连接层对第一基坑分析特征图进行特征标识，生成第二基坑分析特征图；

提取子模块，用于提取第二基坑分析特征图中的评价指标值；

分析子模块，用于判断评价指标值是否大于或等于预设的标准指标值；

当评价指标值大于或等于标准指标值，则判定待预测基坑数据变形。

进一步地，第一提取子模块，包括：

预测处理单元，用于采用归一化层对数据特征图进行图像预处理，生成第一基坑特征图；

第一特征提取单元，用于通过特征提取分支对第一基坑特征图像进行特征提取，生成第二基坑特征图，其中特征提取分支包括依次连接的1×1多通道标准卷积层、ReLU激活层、1×1多通道标准卷积层、ReLU激活层和Droupout层；

特征融合单元，用于通过特征融合层对第一基坑特征图和第二基坑特征图进行特征融合，生成第三基坑特征图；

第二特征提取单元，用于采用ReLU激活层对第三基坑特征图进行特征提取，生成初始基坑特征图。

进一步地，待预测基坑数据包括临近建筑物沉降数据、地下水位数据、锚杆轴力数据、冠梁顶水平位移数据、冠梁顶沉降数据、坡顶部水平位移数据、坡顶部沉降数据、地下管线沉降数据和地面沉降数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。