基于ICEEMDAN与Attention-LSTM的矿山边坡位移预测

摘要

为了提高矿山边坡位移预测的精度，提出了1种基于改进自适应噪声完备集合经验模态分解（ICEEMDAN）、最小二乘拟合与融入注意力机制的长短时记忆网络的矿山边坡位移预测模型.首先，针对矿山边坡位移监测数据的时序性、非线性等特点，引入改进的模态分解方法将累积位移进行时频分解，获得趋势项、周期项和随机项，有效降低了数据复杂度.其次，针对趋势项预测，采用最小二乘拟合方法建立三次多项式回归预测模型；针对周期项预测，引入注意力机制区分不同时刻位移数据的重要程度，有效捕捉了长时间位移序列内部的依赖关系.最终，通过整合趋势项和周期项预测结果，获得矿山边坡累积位移的预测结果.以西藏巨龙铜矿边坡为例，测试了该模型的性能.结果表明，提出的边坡位移预测模型的均方根误差和平均绝对百分比误差分别为5.99 mm和5.94%，与传统长短时记忆网络模型相比，分别下降了51.30%和55.17%，预测精度显著提高.

关键词

位移预测 / 露天矿 / 滑坡 / 长短时记忆网络 / 注意力机制