wangshangshang09的博客

针对现有滑坡位移预测模型的不足，并结合研究区滑坡物理机制的动态演化特征，本文提出了**一种基于贝叶斯优化-时序卷积网络（Bayesian optimization-temporal convolutional networks, BO-TCN）**的新型预测模型。该模型能够对复杂的多变量时间序列数据集进行自动特征提取，在训练过程中有效避免未来数据泄漏。同时，它利用贝叶斯优化来寻找模型的最优超参数，从而提供额外的超参数调优过程解析。

现有预测方法通常依赖点采样数据，忽略了滑坡演化中的异质性。为此，我们提出将<font color="#ff0000">时空图卷积网络（STGCN）</font>与<font color="#ff0000">合成孔径雷达干涉测量（InSAR）</font>相结合，以捕捉滑坡事件的时空特征。STGCN 通过图神经网络（GNN）层处理空间特征，并利用门控循环单元（GRU）层分析时间动态，从而更精确地提取与滑坡相关的位移特征。

在本研究中，我们<font color="#ff0000">首次将时空图卷积网络（STGCN）</font>应用于深部煤炭能源开采诱发的 MS 事件的 TEL 预测。这是图卷积网络（GCN）首次在 MS 事件的时空预测中得到应用。我们基于 MS 传感器之间的距离构建了传感器网络的邻接矩阵，并利用 GCN 提取图的时空特征。该模型简单且通用。

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。

论文提出了一种结合**图卷积网络（GCN）** 和 **长短期记忆网络（LSTM）** 的混合模型（GCN-LSTM），用于预测滑坡引起的累积变形。

我们提出了一种名为 **Locally Aligned Convolutional Neural Network（LACNN）** 的模型，该模型能够**沿着地表在多个尺度上对齐**，以预测某个单点的滑坡发生概率。 为了验证我们的方法，我们创建了一个**标准化的地理参考数据集**，包含**多种异构特征**作为输入，并与多个基线模型（**线性回归、神经网络和普通卷积网络**）进行比较。我们使用 **负对数似然误差（log-likelihood error）** 和 **受试者工作特征曲线（ROC 曲线）

本文以Tangjiao 1#滑坡为例，基于图卷积网络构建了两个滑坡位移预测时空模型。首先，将监测系统转化为全连接图（FCG）并表示为邻接矩阵;其次，建立基于图卷积网络的T-GCN和A3T-GCN时空预测模型，预测唐角1#滑坡的位移;再次，利用MAE、MAPE和RMSE分析模型的预测性能，并与GRU模型进行比较。最后，讨论了所提模型的有效性。

本文将滑坡蠕变特性与非线性智能算法相结合，提出了一种基于生物生长模型（BG）、卷积神经网络（CNN）和长短期记忆网络（LSTM）相结合的动态智能滑坡位移预测方法。**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），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。**

目的：为了提高水中氨氮浓度的预测精度，本研究开发了一种基于图神经网络的新型模型，称为<font color="#ff0000">特征多级注意力时空图残差网络 （FMA-STGRN）</font>。模型组成：FMA-STGRN 模型利用气象因素和兴趣点数据等外部影响因素，以及水质监测站间氨氮浓度的时空关联信息，准确预测水中氨氮浓度。该模型由<font color="#ff0000">特征多级注意力模块</font>、<font color="#ff0000">空间图卷积模块</font>、<font c

本文提出了一种多关系时空图残差网络模型（MFA-MRSTGRN），通过整合动态图神经网络和多级特征注意力机制，突破传统滑坡位移预测方法的局限。该模型<font color="#ff0000">融合内部渗流因子和外部触发因素</font>，构建多源异构数据集，并采用四大核心模块：1. 多级特征注意力模块实现特征自适应加权，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. 最终通过特征融合实现精准预测。

本文开发了三种基于图卷积网络的深度学习模型（TGCN-LSTM、TGCN-GRU和Attention-TGCN），用于对黄连树滑坡的位移进行时空预测，通过构建全连接图捕捉监测点的空间关系，并利用模型同时考虑位移数据的时间和空间特征。实验表明，Attention-TGCN模型预测精度最高，最大R²达到0.85，且在考虑监测点移动后精度进一步提升。