Volume 3,Issue 7
基于多源数据融合的 CNN-LSTM 滑坡位移预测模型
针对目前滑坡位移预测模型存在数据单一、鲁棒性不高不足的问题，提出一种基于多源数据和 CNN-LSTM 滑坡位移预测方法。首先以华北地区某铁路沿线滑坡作为研究区，并获取2018—2023年1月 Sentinel-1 InSAR( 月度 )、GNSS 位移 (1h)、降雨 (1h) 和孔压 (1h) 数据进行监测，采用线性插值的方式将其统一到1h 时间步上，进一步进行 Z-score 标准化对齐得到具有全部特征的协同输入序列。其次建立 CNN-LSTM 时空耦合模型：利用 1D-CNN 层从多源监测数据中学习空间信息，用 LSTM 学习滑坡演化的时序相关性，上述两部分特征在输出层融合来预测下一时刻的位移，并且利用 Huber 损失 (δ = 1.0) 来代替 MSE 进行训练，从而增加对于离群点或者突变值的鲁棒性。使用其中70% 的数据作为训练集，即大约7000个样本；将剩下的30% 用作测试集，即大约3000个样本，分别比较 SVR和单独 LSTM 的结果。最终发现本文方法得到的 MAE 只有 1.87 mm，RMSE = 2.34 mm，R² = 0.968，均高于 SVR 和 LSTM 模型 ( 差异达显著性水平，p < 0.05)。本文方法结构简单、易实现，可用于滑坡预警可靠的预测模型。
[1] 刘航源 , 陈伟涛 , 李远耀 , 等 . 基于 EEMD-CNN-LSTM 的新型综合模型在滑坡位移预测中的应用 [J]. 地质力学学报 , 2024, 30(4): 633–646.
[2]Meng S Q, Shi Z M, Peng M, et al. Landslide displacement prediction with step-like curve based on CNN-BiGRU-Attention hybrid model[J]. Engineering Applications of Artificial Intelligence, 2024, 108078.
[3]Nan X C, Liu J F, Zhang Y X, et al. Dynamic prediction of landslide displacement based on multi-source time series[J]. Pearl River, 2023, 44(4): 54–62.
[4] 田斌 , 葛友铖 , 梁冰 , 等 . 基于 CNN-LSTM 混合模型的工频磁扰动信号预测 [J]. 自动化与仪表 , 2021(011):036.
[5] 胡佳超 . 基于 CNN-LSTM-Attention 的滑坡深部位移预测研究 [D]. 东华理工大学,2025.DOI:10.27145/d.cnki.ghddc.2025.000235.
[6] 陈攀 . 基于 CNN-LSTM 神经网络的软土地质条件下的路基沉降预测研究 [J]. 交通世界 ,2025,(10):81-83+87.DOI:10.16248/j.cnki.11-3723/u.2025.10.047.
[7] 李梅 , 宁德军 , 郭佳程 . 基于注意力机制的 CNN-LSTM 模型及其应用 [J]. 计算机工程与应用 ,2019,55(13):20-27.
[8] 王朝阳 , 李丽敏 , 温宗周 , 等 . 基于时间序列和 CNN-LSTM 的滑坡位移动态预测 [J]. 国外电子测量技术,2022,41(03):1-8.DOI:10.19652/j.cnki.femt.2103321.
[9]Hossein H ,Asghar A A ,Mahdi P , et al.Landslide susceptibility mapping using deep learning models in Ardabil province, Iran[J].Stochastic Environmental Research and Risk Assessment,2022,36(12):4287-4310.DOI:10.1007/S00477-022-02263-6.
[10] 王晶晶 . 基于深度学习的泸定县滑坡隐患识别与易发性评估方法研究 [D]. 中国地质大学,2023.DOI:10.27492/d.cnki.gzdzu.2023.000233.