基于地基微变监测雷达数据的BiTCN-LSTM矿山滑坡短期位移预测方法

来源：信号处理杂志 2026年第3期北京时间：

作者：黄平平, 谭维贤, 吴辉, 乞耀龙

摘要：滑坡位移预测是矿山灾害预警的关键。然而，滑坡位移时间序列具有显著的非线性特性，单一预测模型难以精准捕捉，导致预测精度受限。为充分挖掘位移时间序列中的特征信息，提高预测的稳定性与准确性，本研究结合时间序列分解与深度学习方法，提出了一种基于地基微变监测雷达时间序列的矿山滑坡短期位移预测模型。首先，从雷达图像中提取滑坡位移时间序列并采用滤波算法对原始位移数据进行降噪处理；其次，利用变分模态分解（Variational Mode Decomposition， VMD）将位移时间序列分解为基准项和波动项；最后，针对不同分量的时序特性，分别采用自回归移动平均（Autoregressive Integrated Moving Average， ARIMA）模型预测基准项位移，双向时间卷积网络-长短期记忆网络（Bidirectional Temporal Convolutional Network-Long Short-Term Memory， BiTCN-LSTM）组合模型预测波动项位移，叠加各分量预测结果获得总位移预测值。以某露天矿山两个不同变形特征的监测点为例，对该模型进行了验证，并与已有模型进行了比较。结果表明：VMD能够有效分离位移序列的不同频率分量，简化预测复杂度。BiTCN-LSTM组合模型通过整合双向时间卷积网络（Bidirectional Temporal Convolutional Network， BiTCN）的局部特征提取能力和长短期记忆网络（Long Short-Term Memory， LSTM）的长期依赖学习能力，显著提升了波动项位移的预测精度。与单一BiTCN和LSTM模型相比，所提模型的均方根误差和平均绝对误差降低了20%~60%，拟合系数达到0.98以上，且预测误差主要集中在0~0.5%范围内，表现出良好的稳定性和泛化能力。本研究为滑坡位移预测提供了一种有效方法，为矿山滑坡预测预警提供了新途径。

关键词：滑坡位移预测, 地基微变监测雷达, 深度学习, 变分模态分解