第26卷第4期2023年8月扬州大学学报（自然科学版）JournalofYangzhouUniversity(NaturalScienceEdition)Vol.26No.4Aug.2023基于GCN-GRU组合模型的基坑周边管线沉降预测秦世伟*，陆俊宇（上海大学力学与工程科学学院，上海200444）摘要：为提高基坑变形预测结果的准确性，在传统的单点时间序列预测基础上，引入监测数据的空间特征对预测方法进行改进.基于图卷积神经网络（graphconvolutionalnetwork，GCN）和门控循环单元（gaterecurrentunit，GRU），构建一种能捕获数据时空关联性的变形预测模型GCN-GRU，并将其应用于上海某基坑周边管线沉降的变形预测.结果表明，相比于GRU时间序列预测模型，考虑了空间关联性的GCN-GRU模型在单步预测中的均方根误差（rootmeansquareerror，RMSE）和平均绝对百分比误差（meanabsolutepercentageerror，MAPE)分别降低了27.3%和25.0%，多步预测中的RMSE和MAPE降低了37.2%和37.3%，预测结果准确性较高.该方法可为同类基坑工程周边管线沉降变形预测提供参考.关键词：基坑工程；变形预测；空间特征；图卷积神经网络；门控循环单元中图分类号：TU753.1D0I:10.19411/j.1007-824x.2023.04.013文献标志码：A文章编号：1007-824X(2023)04-0073-06随着社会快速发展，地下深基坑工程项目日益增多.土体力学性质复杂且受力演化是高度非线性过程，故基坑工程中的围护体系所承受的压力存在较大不确定性[1-2}。一且工程支护结构发生严重变形，可能导致地下工程倒塌甚至人员伤亡；因此，对基坑工程支护结构、周边建（构)筑物及周围土体等变形程度进行准确预测具有重要意义.基于时间序列分析理论的变形预测方法大致分为三类：参数模型法、传统机器学习法和深度学习法3].参数模型法主要运用时间序列的历史数据进行统计分析，根据各变量之间线性关系建模，然后推测变形发展趋势，如历史平均法（historicalaverage，HA）、差分自回归移动平均模型（autore-gressiveintegratedmovingaverage，ARIMA）等，但以上方法没有考虑特征因子间的非线性关系，实际预测效果不佳.传统的机器学习方法，如隐马尔可夫模型（hiddenMarkovmodel，HMM）、随机森林模型、支持向量机模型（supportvectormachines，SVM)等，虽然能够描述序列非线性关系，但是高度依赖人为处理数据特征，且只能提取数据的浅层特征，多步预测的效果不佳.近年来，深度学习法在时间序列数据的预测上取得良好效果[4-5].深度神经网络是一种由多个感知机组成的非线性映射系统算法，具有...
