基于STAM−LSTM模型的地铁基坑多源监测数据预测方法OA

为提高地铁基坑开挖监测数据的预测精度,提出一种基于时空注意力机制与长短期记忆神经网络(spatial-temporal attention mechanism long short-term memory,STAM−LSTM)模型的地铁基坑多源监测数据预测方法。首先,以多源监测数据作为所提出模型的输入,采用时空注意力机制来捕捉不同数据源在时间和空间上的关键依赖关系;其次,通过在线学习策略实现了对模型的持续更新;最后,以徐州地铁3号线复兴南路站深基坑开挖为例进行预测,分别在模型结构、输入数据和训练方法3个层面上进行对比以证明所提出模型的有效性。研究结果表明:所提出的STAM−LSTM模型能够有效预测地铁基坑多源监测数据;消融实验表明STAM−LSTM模型在各类监测数据的各项预测指标上表现最优,证明了该模型在提取和整合时空特征方面的有效性;多源监测数据协同输入在绝大多数情况下显著优于单源输入,体现了模型捕捉不同类型监测数据间非线性关联的能力以及关联性强的协变量对基坑监测数据预测结果的重要影响;采用在线学习方式优于采用离线学习方式,引入实时数据有助于捕捉基坑监测数据中的新特征和新趋势,可以增强预测的准确性。