第３５卷第１期重庆邮电大学学报（自然科学版）Ｖｏｌ．３５Ｎｏ．１２０２３年２月ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｆｅｂ．２０２３ＤＯＩ：１０．３９７９／ｊ．ｉｓｓｎ．１６７３⁃８２５Ｘ．２０２１０８０２０２６９基于多特征融合的ＧｒａｐｈＨｅａｔ⁃ＣｈｅｂＮｅｔ隧道形变预测模型收稿日期：２０２１⁃０８⁃０２修订日期：２０２２⁃１０⁃３０通讯作者：龙林波ｌｏｎｇｌｂ＠ｅｄｕ．ｃｑｕｐｔ．ｃｎ基金项目：国家自然科学青年基金（６１９０２０４５）；重庆市技术创新与应用发展专项重点项目：安全监测智能预警系统研发及应用（ｃｓｔｃ２０１９ｊｓｃｘ⁃ｍｂｄｘＸ００３５）ＦｏｕｎｄａｔｉｏｎＩｔｅｍｓ：ＴｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６１９０２０４５）；ＴｈｅＳｐｅｃｉａｌｋｅｙｐｒｏｊｅｃｔｏｆＣｈｏｎｇｑｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｎｏｖａｔｉｏｎａｎｄａｐｐｌｉｃａｔｉｏｎｄｅｖｅｌｏｐｍｅｎｔ：ＴｈｅＲｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｓａｆｅｔｙｍｏｎｉｔｏｒｉｎｇｉｎｔｅｌｌｉｇｅｎｔｅａｒｌｙｗａｒｎｉｎｇｓｙｓｔｅｍ（ｃｓｔｃ２０１９ｊｓｃｘ－ｍｂｄｘＸ００３５）熊安萍，李梦凡，龙林波（重庆邮电大学计算机科学与技术学院，重庆４０００６５）摘要：对隧道的形变进行预测是隧道结构异常检测的内容之一。为了充分挖掘形变特征的时空关联性，针对隧道内衬多个断面的形变同时预测，提出一种基于多特征融合的ＧｒａｐｈＨｅａｔ⁃ＣｈｅｂＮｅｔ隧道形变预测模型。所提模型中利用ＧｒａｐｈＨｅａｔ和ＣｈｅｂＮｅｔ这２种图卷积网络（ｇｒａｐｈｃｏｎｖｏｌｕｔｉｏｎｎｅｔ，ＧＣＮ）分别提取特征信号的低频和高频部分，并获取形变特征的空间关联性，ＣｏｎｖＧＲＵｓ网络用于提取特征在时间上的关联性，通过三阶段融合方法保留挖掘的信息。为了解决实验数据在时间维度上不充足的问题，引入双层滑动窗口机制。此外，所提模型与其他模型或算法在不同数据集上实验比较，衡量一天和两天预测值的误差指标优于其他模型，而且对大部分节点预测的误差较低。说明模型受样本节点数影响较小，能较好地预测一天和两天的形变，模型学习特征与时空模式的能力较强，泛化...
