中国安全科学学报

作者：余子豪, 张亦海, 谭梦溪, 李江

单位：1 中国安全生产科学研究院, 北京 100012；2 中安国泰(北京)科技发展有限公司, 北京 102209

关键词：小波变换(WT),长短期记忆网络(LSTM),边坡位移预测,监测数据,预测模型

基金：应急管理部重点科技计划 2024 年度项目(2024EMST080802); 非煤露天矿山灾害防控国家矿山安全监察局重点实验室开放基金资助(FMLTKS202409)

为解决露天矿边坡位移监测数据中噪声干扰严重影响位移预测精度的问题,提出一种融合数据平滑与深度学习的组合预测模型。首先,采用小波变换(WT)去噪处理原始时间序列,以提取真实的变形趋势分量;然后,基于平滑后的高质量数据,调优长短期记忆网络(LSTM)的关键参数,构建优化LSTM预测模型,用于学习边坡位移复杂的长期依赖关系;最后,以内蒙某金属矿为例,利用提出的方法进行位移预测与验证。结果表明:与直接使用原始数据的单一LSTM基准模型相比,该优化组合模型的预测精度得到有效提升,其均方根误差(RMSE)降低86.3%,决定系数R2由0.51提升至0.76,证明其能有效提升预报的准确性与时效性。

来源：2025年第S2期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2025年第S2期