基于季节与趋势模式的基坑顶部变形预测

提出一种通过粒子群算法(PSO)优化变分模态分解(VMD)控制参数,并结合回声状态网络(ESN)和自注意力机制的基坑顶部变形预测方法。首先,利用粒子群算法优化VMD的控制参数,将基坑顶部变形序列数据分解成不同的本征模态函数(IMF),根据不同频率特征,将变形序列分解成季节项、趋势项与随机项。将自注意力机制与回声状态网络结合,对重构后的长时间序列数据进行建模,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。以广州某基坑的变形监测数据为例,对所提方法进行验证。实验结果表明,在输入步长为3的情况下,模型的MSE(均方误差)为0.62,R2为0.986,有效提升了基坑顶部变形预测的准确性与稳定性。