基于KAN-N-Beats的可解释性滑坡位移预测

作     者：刘慧婷 谢凯 田宏岭 贺建飚 张伟 

作者机构：长江大学电子信息与电气工程学院 中国科学院水利部成都山地灾害与环境研究所 中南大学计算机学院 中南大学电子信息学院 

出 版 物：《人民长江》 (Yangtze River)

年 卷 期：2025年

学科分类：081803[工学-地质工程] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：国家自然科学基金资助项目(62373372 62272485) 

主　　题：滑坡位移预测 可解释性 KAN-N-Beats模型 时序预测 深度学习 

摘      要：针对现有滑坡位移预测模型预测精度不高、泛化性差、模型复杂度高以及传统深度学习算法可解释性差的问题，本文基于KAN改进提出的N-Beats优化模型（KAN-N-Beats）使用KAN代替N-Beats中的全连接层，利用KAN采用自适应学习机制的特点，提高了预测精度以及泛化性能；N-Beats将预测任务分解为趋势和季节性成分，便于理解不同时间序列特征的提取，使得KAN-N-Beats模型预测结果具有可解释性，同时KAN通过稀疏性、可视化、剪枝、符号化及仿射拟合等多种手段，提高了模型的可解释性。利用N-Beats模型内部可分解的能力将滑坡位移分解后预测，不需要大量特征工程，减少了KAN-N-Beats模型复杂度，提高了预测效率。使用国家冰川冻土沙漠科学数据中心中三峡库区白水河滑坡和八字门滑坡的数据作为本文数据集，本文方法在白水河滑坡ZG118上的R2、RMSE结果分别为0.9887、5.0313。实验结果表明，本文提出的算法优于其他对比模型，在提高滑坡预测精度的同时且具有可解释性，有助于滑坡位移预测预警发展以及其他时间序列数据预测，在时序数据预测方面具有独创性。