基于融合自注意力机制的GRU边坡预测算法研究

在对边坡进行准确性和可靠性评价时，传统的预测方法有效预测趋势时间短，且预测趋势与实际变化趋势差异较大。为提边坡形变监测中趋势预测值与实际变化趋势吻合度差的问题，文章提出了基于融合自注意机制的GRU边坡预测算法(Self-attention Gate Recurrent Unit, SA-GRU)。该算法：(1)对边坡监测历史数据进行预处理，从而降低数据集中的随机噪声，同时去除由设备问题产生的重复数据；(2)为了捕捉序列中的长期依赖关系，构建基于GRU的循环神经网络模型，并引入自注意机制以增强模型的关注能力。(3)将LSTM、GRU和SA-GRU 3种网络得到预测结果进行对比，发现融入了自注意力机制的GRU模型可以更好地理解序列中的时间关系，提高了预测的准确性。本算法对边坡形变趋势预测精度更高，在边坡稳定性的预测方面有更好的适用性。