中国安全科学学报

作者：唐宇峰, 何俚秋, 熊清远, 熊娅伶, 石砚秋, 胡光忠

单位：1 四川轻化工大学 机械工程学院, 四川 宜宾 644005；2 四川远德安防检测设备有限公司, 四川 自贡 643000

关键词：粒子群优化算法(PSO),门控循环单元(GRU),在线学习(OL),动态模型重构(MRT),滑坡位移,实时预测

基金：四川省自然科学基金资助(2022NSFSC1154); 企业信息化与物联网测控技术四川省高校重点实验室开放基金资助(2023WYJ04); 企业信息化与物联网测控技术四川省高校重点实验室开放基金资助(2024WYJ01); 四川轻化工大学科研创新团队计划项目(SUSE652A004)

针对静态预测模型难以满足动态滑坡趋势的准确预测,而动态预测模型往往带来计算成本的增加,给实时预测带来困难的问题,提出一种基于粒子群优化算法(PSO)-门控循环单元(GRU)-在线学习(OL)-动态模型重构(MRT)的滑坡位移实时预测模型。首先,结合PSO和GRU建立静态滑坡预测模型;其次,在静态模型基础上融入OL策略,在获取最新监测数据后动态更新和实时预测模型;然后,结合预测精度评价进行小批量MRT,动态实时预测滑坡趋势;最后,以四川省王耳岩滑坡体为例对比分析多个相关模型。结果表明:OL和MRT法可显著提升预测精度,其中PSO-GRU-OL-MRT模型的平均绝对误差(MAE)、绝对百分比误差(MAPE)、均方根误差(RMSE)、拟合优度R2指标分别为0.795、3.53、1.40、0.954,平均每次预测时间为25.0 s,具有最高的预测精度;而GRU-OL-MRT模型4个指标分别为1.73、7.82、2.54、0.917,平均每次预测时间为0.496 s,在具有较高预测精度的前提下大幅减少了计算成本。

来源：2025年第12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12期