利用Prophet-PSO-LSTM模型预测地表沉降

郑建雷; 陈淼新

您当前的位置：

首页 >

文章列表页 >

利用Prophet-PSO-LSTM模型预测地表沉降

3S技术应用 | 更新时间：2026-08-16

- 利用Prophet-PSO-LSTM模型预测地表沉降
- 利用Prophet-PSO-LSTM模型预测地表沉降
- 地理空间信息 2026年24卷第7期页码：81-85
- 作者机构：
  
  中水珠江规划勘测设计有限公司
- 作者简介：
- 基金信息：
- DOI：
  中图分类号： P642.26;P204
- 纸质出版：2026
- 稿件说明：
移动端阅览
郑建雷, 陈淼新. 利用Prophet-PSO-LSTM模型预测地表沉降[J]. 地理空间信息, 2026,24(7):81-85.

郑建雷, 陈淼新. 利用Prophet-PSO-LSTM模型预测地表沉降[J]. 2026, 24(7): 81-85.
郑建雷, 陈淼新. 利用Prophet-PSO-LSTM模型预测地表沉降[J]. 地理空间信息, 2026,24(7):81-85. DOI：

郑建雷, 陈淼新. 利用Prophet-PSO-LSTM模型预测地表沉降[J]. 2026, 24(7): 81-85. DOI：

摘要

针对复杂地质条件或工程活动影响下的地表沉降，单一模型预测往往难以充分挖掘沉降数据时序信息，导致预测精度受限。将粒子群优化算法（PSO）用于长短记忆神经网络（LSTM）模型的超参数优化，并结合Prophet时间序列模型提出了Prophet-PSO-LSTM模型。利用某地表沉降监测数据对该组合模型进行了验证。结果表明，Prophet-PSO-LSTM模型的MAE、RMSE和MAPE均优于Prophet模型、PSO-LSTM模型和Prophet-LSTM模型，说明其在充分挖掘沉降数据时序信息方面具有较大的优势。

Abstract

关键词

Keywords

references

State Key Laboratory of Coal Mine Disaster Dynamics and Control, College of Resources and Environmental Science,Chongqing University,Chongqing Research Institute of China Coal Technology and Engineering Group Crop,National Key Laboratory of Gas Disaster Detecting, Preventing and Emergency Controlling,Chongqing Research Institute of China Coal Technology and Engineering Group Crop,National Key Laboratory of Gas Disaster Detecting, Preventing and Emergency Controlling,Chongqing Research Institute of China Coal Technology and Engineering Group Crop,National Key Laboratory of Gas Disaster Detecting, Preventing and Emergency Controlling,Chongqing Research Institute of China Coal Technology and Engineering Group Crop,National Key Laboratory of Gas Disaster Detecting, Preventing and Emergency Controlling,State Key Laboratory of Coal Mine Disaster Dynamics and Control, College of Resources and Environmental Science,Chongqing University.Ground Subsidence and Surface Cracks Evolution from Shallow-Buried Close-Distance Multi-seam Mining: A Case Study in Bulianta Coal Mine[J].Rock Mechanics and Rock Engineering,2019.

Sean J. Taylor,Benjamin Letham.Forecasting at Scale[J].The American Statistician,2018.

Hochreiter S,Schmidhuber J.Long short-term memory.[J].Neural computation,1997.

骆忠,蒙六清,金鑫,李清林,李珂.综合多因素的矿山地表沉降安全性预测[J].采矿技术,2024(06).

王本浩,王延霞,项学泳,胡洪.结合DS-InSAR和LSTM的矿区地面沉降监测与预测[J].测绘通报,2024(11).

刘天翼,艾星星,张九丹.基于MLR-DE-LSTM的大坝变形串联组合预测模型[J].中国农村水利水电,2025(02).

郭明辰,张润润,闻余华.基于PSO-LSTM模型的平原河网汛期水位预测[J].水利水电科技进展,2024(06).

李益敏,计培琨,杨雪,李媛婷,冯显杰,向倩英.基于PS-InSAR技术的地表形变监测与驱动力分析[J].地理空间信息,2024(09).

郝泽嘉,施玉群,成博超,何金平.基于PSO-LSTM的大坝变形组合预测模型[J].长江科学院院报,2025(05).

张凯选,袁浩.基于多源数据的GNSS高程预测[J].大地测量与地球动力学,2024(12).

石卓,史东华,姚成,孟涵,张锦堂.基于径流模数的LSTM模型在无资料嵌套流域的应用[J].河海大学学报(自然科学版),2024(03).

徐嘉远,邹磊,夏军,陈鑫池,李敏欣.TVGM-LSTM耦合模型及其径流模拟效果分析[J].水资源保护,2023(06).

陈媛媛,赵秉琨,王慧,郑加柱,高业何敏.基于LSTM模型的时序InSAR地表形变预测[J].人民长江,2024(03).

杜红兵,邢梦柯,赵德超.Prophet-LSTM组合模型在运输航空征候预测中的应用[J].安全与环境学报,2024(05).

田烨,谭伟丽,王国庆,袁星.LSTM变体模型在径流预测中的性能及其可解释性[J].水资源保护,2023(03).

陈亦轩,李筱艳,陈松.基于Peck公式的隧道盾构施工引起的地表沉降预测研究[J].安全与环境工程,2023(02).

俞晓军,葛文,吴春节.基于IGOWLA算子的组合预测方法及应用研究[J].地理空间信息,2022(12).

张子龙,潘秋景,仉文岗,黄阜.基于物理信息神经网络的盾构隧道诱发地表沉降预测[J].工程力学,2024(04).

黄心裕,唐军,王晓宇.基于Prophet算法的海南近海波浪长时段时序分析与预测[J].海洋学报,2022(04).

王文辉,何毅,张立峰,陈有东,唐源蔚,邱丽莎,张新秀.基于PS-InSAR和GeoDetector的兰州主城区地表变形监测与驱动力分析[J].兰州大学学报(自然科学版),2021(03).

王琰,吕航,谷复光.多元线性回归方法在地面沉降量预测中的解析及应用[J].安全与环境工程,2021(03).

刘青豪,张永红,邓敏,吴宏安,康永辉,魏钜杰.大范围地表沉降时序深度学习预测法[J].测绘学报,2021(03).

李威,鲁铁定,贺小星,钱文龙.基于Prophet-RF模型的GNSS高程坐标时间序列预测分析[J].大地测量与地球动力学,2021(02).

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

基于时序InSAR的南水北调中线暗埋段地表沉降分析

组合模型在隧道结构沉降预测中的应用研究

基于改进指数平滑神经网络模型的大坝沉降预测

上海市高程基准近五年变化分析

建筑沉降监测与组合预测模型研究