电子技术杂志社

摘要：阐述一种基于图卷积神经网络“Graph Convolutional Network(GCN)”和Informer算法的GCNInformer预测模型。该模型首先根据监测点的位置信息构建带权邻接矩阵，并利用GCN提取每个时间序列数据的空间结构特征，然后通过Informer学习时间特征，融合时空信息后输入全连接层，最终得到预测结果。将该模型应用于案例的结构应力预测中，结果显示，通过比较单独使用Informer和Transformer模型，GCN-Informer模型在平均绝对误差“Mean Absolute Error(MAE)”、平均绝对百分比误差“Mean Absolute Percentage Error(MAPE)”和均方根误差“Root Mean Square Error(RMSE)”方面均表现出显著优势，分别降低了13.06%和38.10%、14.47%和36.51%、15.34%和36.60%。这一结果表明，考虑空间关联性的GCN-Informer模型在预测准确性方面有明显提升，为结构应力的预测提供参考。

关键词： 图卷积神经网络;Informer算法;应力预测;空间特征;

专辑： 信息科技;工程科技Ⅱ辑

专题： 建筑科学与工程;自动化技术

分类号： TP183;TU317