考虑注意力机制的新型深度学习模型预测滑坡位移

Landslide Displacement Prediction Based on a Deep Learning Model Considering the Attention Mechanism

摘要

现有的基于数据驱动的滑坡位移预测模型大多是基于时间序列数据的单点建模，不能考虑整个边坡的变形相关性和滑坡变形的全局建模.为了克服这一缺点，本研究提出了一种基于时空注意（spatial-temporal attention， STA）机制的深度学习模型，该模型将卷积神经网络（convolutional neural network， CNN）与长短时记忆（long short-term memory）神经网络相结合.通过CNN和卷积注意力模块提取滑坡位移的空间变形特征，利用时间注意机制和LSTM模型从外部因素的时间序列数据中捕获重要的历史信息.注意力机制输出的注意权重值可以揭示滑坡变形的时间‒空间特征.以三峡库区泡桐湾滑坡为例，对该模型的性能进行了验证.结果表明，STA-CNN-LSTM模型预测的均方根误差（RMSE）和平均绝对百分比误差（MAPE）与传统灰狼算法优化的支持向量机（GWO-SVM）模型相比分别下降了9.28%和13.88%.模型因子权重计算结果表明，在监测期内随着时间的推移，降雨对泡桐湾滑坡变形的影响逐渐增加，而库水位的影响逐渐减小.

关键词

滑坡 / 滑坡位移预测 / 深度学习 / 注意力机制 / 权重 / 三峡库区 / 工程地质

Key words

landslides / landslide displacement prediction / deep learning / attention mechanism / weight / Three Gorges reservoir / engineering geology

基金资助

国家自然科学基金项目(42307248;U23A2047;41972297)

河北省自然科学基金项目(D2022202005)