本文内容来源于《测绘通报》2024年第6期,审图号:GS京(2024)1024号
结合卷积神经网络和注意力机制的LSTM采空区地表沉降预测方法
高墨通1,2,3, 杨维芳1,2,3, 刘祖昱4, 曹小双1,2,3, 张瑞琪1,2,3, 侯宇豪1,2,3
1. 兰州交通大学测绘与地理信息学院, 甘肃 兰州 730070;2. 地理国情监测技术应用国家地方联合工程研究中心, 甘肃 兰州 730070;3. 甘肃省地理国情监测工程实验室, 甘肃 兰州 730070;4. 金川集团股份有限公司龙首矿, 甘肃 金昌 737100
基金项目:国家自然科学基金(42061076);兰州交通大学优秀平台(201806)
关键词:时间序列建模, 地表沉降预测, 深度学习, 注意力机制, 长短期记忆
引文格式:高墨通, 杨维芳, 刘祖昱, 等. 结合卷积神经网络和注意力机制的LSTM采空区地表沉降预测方法[J]. 测绘通报, 2024(6): 53-58.doi: 10.13474/j.cnki.11-2246.2024.0610.摘要
摘要 :为解决采空区地表塌陷区域时序预测中存在的监测点空间特征难以提取的问题,本文提出了一种可以提取监测点关键空间特征的CNN-Attention-LSTM组合神经网络模型。首先,增加作为特征输入的邻近监测点个数,使用卷积神经网络(CNN)提取由多个监测点构成的多维时间序列的空间特征;其次,将提取后的多维特征时序输入多层感知器(MLP)中计算注意力权重,并与特征输入作Hadamard积,实现特征输入的注意力权重分配;然后,利用长短期记忆神经网络(LSTM)进行回归预测;最后,通过全连接层,整合输出目标监测点的预测值。本文以龙首矿西二采区地表塌陷区域为例,给出其地表沉降监测数据预测结果,并与实际采集的数据作对比。结果表明,引入注意力机制的CNN-Attention-LSTM的组合模型比CNN-LSTM模型和LSTM模型精度更高,且增加有效特征输入能够显著提升CNN-Attention-LSTM模型的预测精度。
正文
作者简介作者简介:高墨通(1999—),男,硕士生,主要研究方向为基于深度学习的地表沉降预测模型。E-mail:[email protected]通信作者:杨维芳。E-mail:[email protected]
初审:杨瑞芳复审:宋启凡
终审:金 君
资讯