融合加性注意力机制的TCN-LSTM巷道变形预测模型

来源：黄金科学技术杂志2025年第5期北京时间：

作者：王龙飞, 陈俊智

单位：昆明理工大学国土资源工程学院，云南 昆明 650093

摘要：为提高矿山巷道位移变形预测精度，提出融合加性注意力机制的时间卷积网络—长短期记忆网络（TCN-LSTM）预测模型。该模型通过TCN提取时序数据局部特征，采用LSTM捕捉长期依赖规律，并引入加性注意力机制动态优化特征权重分配。基于云南自走铁矿3个中段监测点的位移监测数据进行预测，试验结果表明：相较于单一模型和组合模型，融合加性注意力机制的TCN-LSTM模型平均绝对误差（MAE）降低了28.79%~60.63%，均方根误差（RMSE）减少了27.52%~64.08%，对称平均绝对百分比误差（SMAPE）下降了28.70%~68.48%，校正决定系数（R 2 adj）稳定且高于0.97，预测误差均低于0.1 mm，证明该模型在预测精度和泛化能力方面具有显著优势，可为该矿山巷道安全监测提供技术支持。

关键词：时间卷积网络,长短期记忆网络,加性注意力机制,时间序列预测,矿山巷道,巷道变形预测,机器学习

基金资助：国家自然科学基金项目“山区岩坡工程诱发灾害机理及其监测预警研究”(U1602232)