基于融合自注意力机制的GRU边坡预测算法研究 |
| |
引用本文: | 贾学明,黄河,毛友平,周伟.基于融合自注意力机制的GRU边坡预测算法研究[J].无线互联科技,2023(19):117-120+124. |
| |
作者姓名: | 贾学明 黄河 毛友平 周伟 |
| |
作者单位: | 招商局重庆交通科研设计院有限公司 |
| |
摘 要: | 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。
|
关 键 词: | 边坡预测 自注意力机制 边坡监测 |
|
|