摘要
文章针对沉管隧道沉降监测数据非线性、非平稳的特点,提出1种基于STL分解的GRU-ARIMA组合预测模型,可更好地兼顾沉管隧道沉降长期发展趋势和波动特征。利用STL分解将沉降监测数据分解为趋势分量、周期分量和噪音分量,采用GRU循环神经网络对趋势分量和噪音分量进行预测,周期分量采用ARIMA模型预测,将预测结果相加获得总的预测值。以车陂路-新滘东路隧道工程为例,选择代表性监测点J1、J2的沉降监测数据,划分训练集和测试集,通过对比测试集实测值和组合模型预测值以验证模型的合理性,同时与单一GRU循环神经网络预测值进行对比以验证组合模型的优势。结果表明:组合模型测试集预测结果与实测值相比较为吻合,能够用于实际工程中,同时相对于单一的GRU模型具有明显的优势。
作者
胡晓勇
郑万坤
HU Xiao-yong;ZHENG Wan-kun
出处
《建筑机械》
2025年第3期211-215,220,共6页
Construction Machinery
