基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

作者：唐宇峰; 陈星红; 蔡宇; 杨泽林; 蒲顺哲; 杨超凡

来源：科学技术与工程, 2023, 23(29): 12753-12759.

• 时序分解
• 长短时记忆
• 注意力机制
• 位移预测
• 麻雀搜索算法

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足，提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先，通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项；其次，一方面采用高斯拟合方法对趋势项进行拟合预测，另一方面通过灰色关联度进行波动项相关影响因子筛选，并将注意力机制与LSTM相结合，建立了基于注意力机制及LSTM的波动项位移预测模型，同时利用SSA对该模型的超参数寻优；最后，将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证，并与反向传播(back propagation, BP)、LSTM、LSTM-Attention等模型进行对比，结果表明，该方法得到的均方根误差、平均绝对误差和确定系数分别0.742 mm、0.553 mm和0.994,所提方法能较大幅度提高尾矿坝位移变形的预测精度。

• 单位
  四川省安全科学技术研究院; 四川轻化工大学