本文内容來源于《測繪通報》2024年第6期，審圖号：GS京（2024）1024号
結合卷積神經網絡和注意力機制的LSTM采空區地表沉降預測方法
高墨通1,2,3, 楊維芳1,2,3, 劉祖昱4, 曹小雙1,2,3, 張瑞琪1,2,3, 侯宇豪1,2,3
1. 蘭州交通大學測繪與地理資訊學院, 甘肅 蘭州 730070;2. 地理國情監測技術應用國家地方聯合工程研究中心, 甘肅 蘭州 730070;3. 甘肅省地理國情監測工程實驗室, 甘肅 蘭州 730070;4. 金川集團股份有限公司龍首礦, 甘肅 金昌 737100
基金項目：國家自然科學基金(42061076);蘭州交通大學優秀平台(201806)
關鍵詞：時間序列模組化, 地表沉降預測, 深度學習, 注意力機制, 長短期記憶
引文格式：高墨通, 楊維芳, 劉祖昱, 等. 結合卷積神經網絡和注意力機制的LSTM采空區地表沉降預測方法[J]. 測繪通報, 2024(6): 53-58.doi: 10.13474/j.cnki.11-2246.2024.0610.摘要
摘要 ：為解決采空區地表塌陷區域時序預測中存在的監測點空間特征難以提取的問題,本文提出了一種可以提取監測點關鍵空間特征的CNN-Attention-LSTM組合神經網絡模型。首先,增加作為特征輸入的鄰近監測點個數,使用卷積神經網絡(CNN)提取由多個監測點構成的多元時間序列的空間特征;其次,将提取後的多元特征時序輸入多層感覺器(MLP)中計算注意力權重,并與特征輸入作Hadamard積,實作特征輸入的注意力權重配置設定;然後,利用長短期記憶神經網絡(LSTM)進行回歸預測;最後,通過全連接配接層,整合輸出目标監測點的預測值。本文以龍首礦西二采區地表塌陷區域為例,給出其地表沉降監測資料預測結果,并與實際采集的資料作對比。結果表明,引入注意力機制的CNN-Attention-LSTM的組合模型比CNN-LSTM模型和LSTM模型精度更高,且增加有效特征輸入能夠顯著提升CNN-Attention-LSTM模型的預測精度。
正文
作者簡介作者簡介：高墨通(1999—),男,碩士生,主要研究方向為基于深度學習的地表沉降預測模型。E-mail:[email protected]通信作者：楊維芳。E-mail:[email protected]
初審：楊瑞芳複審：宋啟凡
終審：金 君
資訊