基于信号分解与重构的基坑变形预测研究

作     者：李志伟 冼进业 祝敏刚 Li Zhiwei;Xian Jinye;Zhu Mingang

作者机构：广州市城市规划勘测设计研究院有限公司广东广州510060 广州市资源规划和海洋科技协同创新中心广东广州510060 广东省城市感知与监测预警企业重点实验室广东广州510060 广州市虚拟动力网络技术有限公司广东广州510060 中国电建集团城市规划设计研究院有限公司广东广州510060 

出 版 物：《市政技术》 (Journal of Municipal Technology)

年 卷 期：2025年第43卷第1期

页      面：144-150,158页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080104[工学-工程力学] 0815[工学-水利工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0801[工学-力学（可授工学、理学学位）] 

基　　金：广东省城市感知与监测预警企业重点实验室基金项目(2020B121202019) 

主　　题：基坑变形预测 GRU 自注意力机制 经验模态分解 

摘      要：提出了一种基于信号分解与重构的基坑变形预测方法。首先,运用经验模态分解(EMD)对基坑变形序列数据进行分解,得到数个本征模态函数(IMF),并获取不同频率的特征信号,将变形序列分解成趋势项与波动项。通过门控循环单元(GRU)结合自注意力机制,对波动项的序列数据进行建模,并对比筛选不同时长的输入数据,以确定最佳输入时长,从而提高预测精度。对于趋势项,采用多项式拟合方法进行预测,最终将趋势项与波动项的预测结果相加得到最终预测结果。以广州某基坑的监测数据为实验对象,对所提方法进行了验证。结果表明,当输入步长为5时,模型的MSE仅为0.92,R2为0.980,有效提升了预测的准确性。本研究可以为类似的基坑监测项目提供借鉴。