【论文阅读-学习总结】- 第一周-优快云博客

本文链接：https://blog.youkuaiyun.com/wangshangshang09/article/details/146735718

【论文阅读-学习总结】- 第一周

本周共阅读了 7 篇论文，主要围绕时空预测模型展开，聚焦于图神经网络（GCN）、长短期记忆网络（LSTM）、门控循环单元（GRU）以及注意力机制等方法在滑坡预测中的应用。

文献1. TGCN-LSTM、TGCN-GRU 和 Attention-TGCN 链接

该研究开发了三种基于时间图卷积网络（TGCN）的深度学习模型：

TGCN-LSTM（时间图卷积网络+长短期记忆网络）
TGCN-GRU（时间图卷积网络+门控循环单元）
Attention-TGCN（在 TGCN-GRU 基础上引入注意力机制）

这些模型用于滑坡位移的时空预测，验证了注意力机制对模型性能的提升。

文献2. MFA-MRSTGRN 链接

提出了一种多级特征注意的多关系时空图残差网络（MFA-MRSTGRN），通过时空融合有效提升滑坡位移预测的精度。

文献3. FMA-STGRN 链接

开发了一种基于图神经网络的新型模型——特征多级注意力时空图残差网络（FMA-STGRN），用于预测水中氨氮浓度。该模型结合了多级特征注意力、空间域图卷积和时域残差分解模块。

文献4. Biological Growth Models + CNN-LSTM 链接

该研究结合了滑坡蠕变特性与深度学习，提出了一种基于：

生物生长模型（BG）——提取位移、速度、加速度等蠕变特征
CNN-LSTM——结合外部环境因素（降雨、库水位）进行动态预测

先用生物生长模型（BG）提取滑坡位移时序的蠕变特征（位移、速度、加速度等），（和# 【机器学习-08】特征工程的选择这一博文中新特征的生成相似），再将这些特征作为输入，结合外部环境因素（如降雨、库水位），输入到CNN-LSTM模型中进行动态预测。

文献5. T-GCN / A3T-GCN 链接

提出了两种基于 GCN 和 GRU 的模型：

T-GCN（时间图卷积网络）【GCN + GRU】
A3T-GCN（T-GCN + 注意力机制）

文献6. LACNN（局部对齐卷积神经网络）链接

该模型改进了传统 CNN，能够沿着地表在多个尺度上对齐，用于预测单点的滑坡发生概率。

文献7. GCN-LSTM 链接

该研究提出了一种结合图卷积网络（GCN） 与 长短期记忆网络（LSTM） 的混合模型（GCN-LSTM），用于滑坡累积变形预测。

论文对比分析

文献 1、5、7 具有相似性，均是GCN + 时间序列模型的组合：
- 文献 1：TGCN-LSTM、TGCN-GRU、Attention-TGCN（TGCN-GRU基础上+Attention）
- 文献 5：T-GCN【GCN+GRU】、A3T-GCN（T-GCN+注意力机制）
- 文献 7：GCN-LSTM
文献 2、3 关注多级特征注意力和时空融合预测，均包含特征消融实验：
- 文献 2（MFA-MRSTGRN）
  1. 多级特征注意力模块——特征自适应加权
  2. 时差分解模块——捕捉多粒度时序特征
  3. 空间多关系图卷积模块——解析监测点空间关联
  4. 特征融合——精准预测
- 文献 3（FMA-STGRN）
  1. 特征多级注意力——捕获特征相关性
  2. 空间域图卷积——建模站点间空间依赖
  3. 时域残差分解——提取时间依赖关系
  4. 特征融合——整合多模块信息进行预测

思考与启发

主流趋势：当前研究普遍采用 “时空特征融合 + 注意力机制” 以提升预测能力。
特征工程：特征工程（如 BG 模型）与深度学习的结合可能是应对边坡位移不同变化趋势的策略。
实验方法：7 篇文献均通过对比实验验证新方法的有效性，体现出准确性验证的重要性。

论文写作技巧学习

摘要写作（05 ）

开门见山，明确主题
背景介绍，问题定位
本文研究方法
具体做法，层层递进
实验效果与结论

引言写作

引言模式 1（01、02 ）

引出问题（话题）
研究现状（目前进展）
存在的问题与挑战
引出研究方法的基础
本文方法

引言模式 2（03 ）

引出问题（话题）
研究现状（目前进展）
现有问题与挑战
传统方法 vs. 机器学习方法（引出图神经网络）
本文方法（FMA-STGRN）

引言模式 3（05 ）

引出研究的重要性（为什么要研究滑坡预测？）
先描述问题背景，再引出解决方案
存在的问题与挑战-归纳总结，先总述后举例（“总-分”结构）
传统方法- 先肯定，再指出不足（“先肯定，后引出问题”结构）
新的方法 引出TCN背景，再具体举例（“背景-方法-问题”结构）
引出本文准备研究方法的基础
本研究方法

在这里插入图片描述

[1] Xi N,Zang ,Mingdong,Lin ,Ruoshen,等.Spatiotemporal prediction of landslide displacement using deep learning approaches based on monitored time-series displacement data: a case in the Huanglianshu landslide[J].Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards,2023,17(1):98-113.
[2] Wang Z, Fang X, Zhang W, et al. Multi-relation spatiotemporal graph residual network model with multi-level feature attention: a novel approach for landslide displacement prediction[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2024: S1674775524004785.
[3] Wang H, Zhang L, Zhao H, et al. Feature multi-level attention spatio-temporal graph residual network: a novel approach to ammonia nitrogen concentration prediction in water bodies by integrating external influences and spatio-temporal correlations[J]. Science of the Total Environment, 2024, 906: 167591.
[4] Wang Z, Fang X, Zhang W, et al. Dynamic intelligent prediction approach for landslide displacement based on biological growth models and CNN-LSTM[J]. Journal of Mountain Science, 2025, 22(1): 71-88.
[5] Sun Y, Liu T, Zhang C, et al. Spatiotemporal prediction of landslide displacement using graph convolutional network-based models: a case study of the tangjiao 1# landslide in chongqing, china[J]. Applied Sciences, 2024, 14(20): 9288.
[6] Hajimoradlou A, Roberti G, Poole D. Predicting landslides using locally aligned convolutional neural networks[C]//Proceedings of the Twenty-ninth International Joint Conference on Artificial Intelligence. 2020: 3342-3348.
[7] Khalili M A, Guerriero L, Pouralizadeh M, et al. Monitoring and prediction of landslide-related deformation based on the GCN-LSTM algorithm and SAR imagery[J]. Natural Hazards, 2023, 119(1): 39-68.