利用LSTM-AdaBoost-SFOA模型预测围岩位移

石中凯

您当前的位置：

首页 >

文章列表页 >

利用LSTM-AdaBoost-SFOA模型预测围岩位移

测绘工程案例 | 更新时间：2026-05-30

- 利用LSTM-AdaBoost-SFOA模型预测围岩位移
- 利用LSTM-AdaBoost-SFOA模型预测围岩位移
- 地理空间信息 2026年24卷第5期页码：116-120+131
- 作者机构：
  
  1. 浙江华东测绘与工程安全技术有限公司
  2. 中国电建集团华东勘测设计研究院有限公司
- 作者简介：
- 基金信息：
  
  浙江华东测绘与工程安全技术有限公司科研项目（ZKY2023-CA-02-02）
- DOI：
  中图分类号： TV743;TV698.11
- 纸质出版：2026
- 稿件说明：
移动端阅览
石中凯. 利用LSTM-AdaBoost-SFOA模型预测围岩位移[J]. 地理空间信息, 2026,24(5):116-120+131.

石中凯. 利用LSTM-AdaBoost-SFOA模型预测围岩位移[J]. 2026, 24(5): 116-120+131.
石中凯. 利用LSTM-AdaBoost-SFOA模型预测围岩位移[J]. 地理空间信息, 2026,24(5):116-120+131. DOI：

石中凯. 利用LSTM-AdaBoost-SFOA模型预测围岩位移[J]. 2026, 24(5): 116-120+131. DOI：

摘要

为提升抽水蓄能电站围岩位移变形预测精度并解决多尺度时序分解的鲁棒性问题，提出了一种融合LSTM-AdaBoost集成学习与海星优化算法（SFOA）的预测模型。以ZY抽水蓄能电站枢纽装机厂房围岩位移监测数据为研究对象，首先采用CEEMDAN算法将累积位移分解为趋势项、周期项和随机项，并结合多源监测数据的时频特征构建动态映射关系；再通过AdaBoost机制动态加权LSTM弱分类器，聚焦异常位移突跳信号，并利用SFOA算法对LSTM超参数进行全局寻优；最后通过分量叠加实现分项与累积位移预测。结果表明，模型趋势项、周期项、随机项和累积项的RMSE比基准LSTM平均降低73.8%（最高降幅79.0%）

MAPE降低78.7%

值提升16.2%（最高达22.7%）；相较于Bi-LSTM

RMSE和MAPE分别降低55.9%和57.0%。该模型可为地下洞室群安全预警与支护优化提供理论支撑。

Abstract

关键词

Keywords

references

陈凯.基于EMD-SVR的高挡墙护坡位移预测方法[J].地理空间信息,2024(11).

陈谦,冯源,陈嘉雯,徐旸.基于Bi-LSTM网络的时变综合负荷模型参数辨识[J].电力电子技术,2024(11).

董延东.利用改进水循环优化SVR的边坡变形预测[J].地理空间信息,2024(10).

崔靖奇,吴顺川,程海勇,王涛,姜关照,浦仕江,任子健.滇中引水软岩隧洞围岩位移时序预测[J].清华大学学报(自然科学版),2024(07).

张翌娜,江琦,张建伟,李香瑞.基于多影响因素联合的某抽水蓄能电站主厂房洞室围岩变形预测[J].水电能源科学,2024(03).

苏秀永,胡航,马向阳.变形监测网稳定性分析与数据维护的关键技术[J].地理空间信息,2023(09).

雷苏琪,魏伶芸,陶鹏杰,张敏.多源异构数据在水利监测信息化中的应用[J].地理空间信息,2023(04).

Changting Zhong,Gang Li,Zeng Meng,Haijiang Li,Ali Riza Yildiz,Seyedali Mirjalili.Starfish optimization algorithm (SFOA): a bio-inspired metaheuristic algorithm for global optimization compared with 100 optimizers[J].Neural Computing and Applications,2024.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

多尺度差异特征融合的高分辨率光学影像建筑变化检测

多源数据融合技术在广东省历史建筑精细测绘中的实践

地理空间边界约束的倾斜摄影三维模型增量更新方法

湖北省“多监合一”卫星遥感常态化监测探索与实践

基于无人机巡检的矿山边坡安全监测与预警