融合自注意力机制的PSO-LSTM地下管线沉降预测方法

摘要

【目的】地下管线沉降是矩形顶管隧道施工过程中的关键参数。传统的预测方法往往依赖于经验模型和统计分析，难以准确地预测复杂隧道结构的沉降。【方法】针对这一挑战，提出一种融合自注意力（Self-Attention）机制基于粒子群优化（particle swarm optimization,PSO）算法及长短期记忆（long short-term memory,LSTM）神经网络的地下管线沉降预测方法。首先，引入自注意力机制，通过自适应地为不同时间步赋予不同的权重，增强LSTM神经网络对关键时间节点的关注，捕捉时间序列中的重要信息。然后，利用PSO算法优化LSTM神经网络的超参数，确保LSTM神经网络能够以最优的结构处理输入数据，提取输入数据中的时序特征，捕捉长短期依赖关系。最后，通过LSTM神经网络的全连接层输出地表沉降的预测值。为了验证该算法的优越性和鲁棒性，利用长沙市轨道交通6号线工程的实测数据构建地下管线沉降数据集，针对LSTM、LSTM-Self-Attention及PSO-LSTM-Self-Attention模型对不同位置顶管沉降的预测情况展开对比分析。【结果】融合自注意力机制的PSO-LSTM地下管线沉降预测模型的均方误差、均方根误差、平均绝对误差及决定系数四个指标均为最优。【结论】融合自注意力机制的PSO-LSTM模型具有更优的地下管线沉降预测性能。

关键词

地下管线沉降预测 / 深度学习 / 长短期记忆神经网络 / 自注意力机制 / 粒子群优化算法