基于多源特征融合与注意力机制的GNSS位移预测方法及系统

本发明属于空间信息处理与地质灾害预警，进一步涉及gnss时序形变数据深度学习预测技术，具体为一种基于多源特征融合与注意力机制的gnss位移预测方法及系统，可用于边坡滑坡、大坝、桥梁等工程结构形变监测预警。

背景技术：

1、随着全球卫星导航系统（gnss）的全面组网与高精度定位算法的日益成熟，利用空间位置技术赋能地质灾害（如山体滑坡）与重大基础设施（如大坝、桥梁）的安全监测预警已成为行业共识。在整个灾害防御与应急响应体系中，空间位移与位置状态是研判危险演化趋势最直观的核心指标。因此，对结构形变与位移趋势进行超前且精准的时间序列预测，是构筑灾害预警防线的核心环节。

2、近年来，以循环神经网络（rnn）及其变体长短期记忆网络（lstm）为代表的深度学习框架，凭借其处理时间序列数据的优势，被广泛应用于位移监测序列的动态演化建模中。然而，在面对高频gnss监测数据复杂多变的非平稳性与非线性特征时，现有的位移预测技术及系统仍存在以下显著缺陷与不足：

3、在多源监测数据的处理方面，现有技术容易陷入“维度灾难”并受多路径噪声干扰。现有的高精度定位解算通常输出包含三维坐标、速度分量及定位质量指标等数十个维度的异构数据。若将具有强空间共线性的冗余特征（如ecef坐标、大地坐标等）全量输入深度网络，不仅会极大增加模型的计算复杂度，导致“维度灾难”，还会将严重的环境多路径效应噪声引入预测模型中，干扰网络对真实微小形变趋势的判断。

4、在时序特征提取方面，现有循环神经网络存在全局上下文缺失与“预测滞后性”。传统的单向lstm网络仅能利用历史时刻的数据，忽略了时序信号演化趋势中蕴含的完整上下文关联。更为严重的是，在实际的rtk（实时动态）监测序列中，测站受外部环境突发干扰常出现高频突发性的位移跳变。传统lstm由于依赖“记忆门”的平滑传递机制，在面对此类突变极值信号时，无法实现关键信息的快速聚焦，导致预测曲线出现明显的相位滞后。

5、在模型优化策略方面，常规损失函数极易导致预测结果出现“幅值削减（amplitudeattenuation）”。现有的时间序列回归预测模型普遍采用均方误差（mse）作为损失函数。由于mse的梯度平滑效应，模型在优化过程中往往倾向于拟合序列的平均演化水平。在处理gnss高频监测数据时，这种全局平滑倾向导致模型在面临具有瞬时冲击特性的真实位移突变（波峰或波谷）时，预测幅值往往低于真实观测值，产生严重的“幅值塌陷”。这种极端形变敏感度的缺失，极易在实际工程部署中导致对地质灾害的漏报，带来严重的安全隐患。

6、因此，本领域迫切需要一种能够有效过滤多源高频噪声、敏锐捕捉突变信号，并能精准还原极端形变幅值的gnss高精度位移预测方法。

7、申请号为cn202610234278.8的专利申请中公开了一种基于实时监测数据的基坑支护强度自适应调节方法和系统。该方法通过实时采集基坑监测数据并进行标准化预处理，随后将其输入至预训练的单向lstm预测模型中，输出位移预测值序列，最后基于该预测值构建多目标优化模型以输出预应力调节量。该专利提出的基坑支护强度调节方法主要存在三大技术局限：首先，其采用的基础单向lstm模型缺乏双向全局上下文关联与突变特征权重聚焦能力，导致在处理剧烈跳变的时序数据时易出现预测相位滞后；其次，系统未针对极端形变优化底层损失函数，常规均方误差（mse）的梯度平滑效应会引发严重的预测“幅值削减”，极易导致高危极端位移场景下的安全预警漏报；最后，该方法缺乏对多源高维异构监测数据的深层物理空间降维与解耦处理，直接输入冗余特征不仅易引发“维度灾难”，还会引入环境多路径效应噪声，大幅降低了模型在复杂恶劣环境中的预测稳健性。申请号为cn202610131090.0的专利申请提出了一种基于物理信息神经网络（pinn）的桥梁预警方法，其核心在于将环境与载荷数据融合，并引入弹性力学与动力学方程残差及边界条件构建总损失函数，从而输出物理规律约束下的动态自适应预警区间以剥离环境干扰；然而，该方法在处理复杂高频监测数据时存在显著局限：首先，仅采用基础归一化而缺乏对多源高维冗余数据的深层空间降维与解耦，极易引入环境噪声并引发“维度灾难”；其次，网络缺乏双向时序特征提取与突变关键步的权重聚焦机制，面对车辆瞬时冲击极易产生预测相位滞后；再次，其损失函数未对极端形变引入偏离感知加权，物理方程本身的平滑特性会严重加剧突发高危响应时的“幅值削减”与漏报风险；最后，多源物理约束损失在联合训练时极易产生严重的“梯度冲突”，导致模型收敛极为困难且落地部署的调参成本极高。

技术实现思路

1、本发明目的在于针对上述现有技术的不足，提出一种基于多源特征融合与注意力机制的gnss位移预测方法及系统。用于解决现有技术在处理高频动态gnss监测数据时存在的维度冗余干扰、处理突变信号产生预测相位滞后、以及由于常规损失函数平滑效应导致的极端形变“幅值削减”等问题。通过主成分分析（pca）对冗余特征降维以过滤环境噪声，结合双向长短期记忆网络（bilstm）与自注意力机制（attention）实现对突发关键时间步的动态权重聚焦，并设计了加权均方误差（wmse）损失函数从算法底层攻克极值塌陷难题。

2、为实现上述目的，本发明技术方案包括如下：

3、一种基于多源特征融合与注意力机制的gnss位移预测方法，包括以下步骤：

4、（1）获取gnss高精度定位观测原始数据，提取并划分为待预测目标位移特征、核心定位质量指标特征及冗余辅助特征；

5、（2）利用主成分分析pca对冗余辅助特征进行深层物理空间降维与解耦，并提取第一主成分，随后将其与待预测目标位移特征、核心定位质量指标特征进行水平拼接，构建复合特征向量；

6、（3）对复合特征向量进行数据标准化预处理以消除量纲差异，随后采用滑动窗口算法构造带有历史时序上下文的三维张量样本，并按照时间顺序划分为模型训练集、验证集与测试集；

7、（4）构建深度位移预测网络模型pca-attention-bilstm，依次包括核心推理层、自注意力机制层和全连接输出层；其中核心推理层采用两层深度堆叠的双向长短期记忆网络bilstm，自注意力机制层接收bilstm各个时间步的输出特征，生成统一的上下文表征；全连接输出层由随机失活层dropout和全连接层dense构成，用于将上下文特征向量进行高维映射并进一步还原得到位移预测值；

8、（5）构建基于双向偏离感知的加权均方误差wmse损失函数，利用训练集与验证集，采用自适应矩估计adam优化算法对深度位移预测网络模型pca-attention-bilstm进行迭代优化，得到训练完成的位移预测模型；

9、（6）使用测试集对训练完成的位移预测模型进行测试，采用均方根误差、平均绝对误差、决定系数及最大绝对误差作为评价指标，评估模型的预测性能。

10、同时，本发明还提出一种用于实现上述方法的gnss位移预测系统，包括：特征提取与降维模块、数据构建模块、模型构建与训练模块以及位移预测与评价模块；

11、所述特征提取与降维模块，用于接收gnss高精度定位观测原始数据，对其分类后运用主成分分析pca提取核心主成分消除维度冗余，得到复合特征向量并输出至数据构建模块；

12、所述数据构建模块，用于将提取的复合特征向量进行水平拼接、标准化缩放，并采用滑动窗口算法构造具有历史时序约束的三维张量样本集；将该样本集划分为训练集与测试集后传输至模型构建与训练模块；

13、所述模型构建与训练模块，用于构建包含深度双向长短期记忆网络bilstm与自注意力机制层myattention的预测网络，提取训练集样本的双向时序特征、自注意力机制动态聚焦极值时间步；并利用基于双向偏离感知的加权均方误差wmse损失函数进行自适应优化训练，再将训练好的预测模型传输至位移预测与评价模块；

14、所述位移预测与评价模块，用于将实时高频数据输入训练好的预测模型进行在线推理预测形变，将网络输出结果经反归一化处理后还原为物理位移预测值，并利用包括rmse、mae、r^2、maxe的统计学指标评估模型预警稳健性。

15、本发明与现有技术相比，具有以下优点：

16、第一、由于本发明采用基于主成分分析（pca）的多源特征解耦策略结合先验环境约束，提取包含强共线性的冗余坐标及速度特征的第一主成分（pc1），并将其与目标位移特征、定位解算质量指标在数据与处理层进行水平拼接，使得高维度的辅助数据被有效降维压缩，同时为预测网络引入了实时的观测环境与解算可靠性约束，从而极大地降低了模型的计算复杂度以避免维度灾难，并使模型能够精准区分真实物理形变与由信号劣化引起的伪波动误差，显著增强了复杂环境下高频监测模型的鲁棒性与泛化能力。

17、第二、由于本发明采用堆叠的两层双向长短期记忆网络（bilstm）架构作为核心推理层，其正向隐含层按时间顺序提取位移增长趋势，反向隐含层从序列末端向前学习形变回溯特征，使得模型能够从完整的双向时间窗口视角跨越较长时间步长捕捉形变的全局上下文依赖，从而极大增强了多源复合特征输入下模型对复杂非线性位移演化模式的拟合精度，显著提升了对微小形变轨迹及复杂动态响应的识别与预警能力。

18、第三、由于本发明采用面向极值感知的双向偏离感知wmse加权损失函数，通过设定动态阈值，在反向传播时对偏离基准零点的瞬态极值冲击点施加高额的惩罚权重系数，使得神经网络梯度优化的重心被强制向位移波峰与波谷区域倾斜，从而从算法底层有效克服了常规损失函数因全局平滑倾向导致的突变时刻幅值削减问题，大幅降低了极值跳变处的最大绝对误差（maxe），提升了预警系统对极端瞬态形变的响应灵敏度能力。