摘 "要： 為解決當前坡面泥石流預測中存在的多因素數(shù)建模問題，并提高預測的精確度，提出一種融合雙注意力機制、時間卷積神經(jīng)網(wǎng)絡和雙向門控循環(huán)單元（DA?TCN?BiGRU）的坡面泥石流風險預測方法。通過模擬平臺進行坡面泥石流模擬實驗，采集多類傳感器數(shù)據(jù)得到風險度大小，并以此表征所處的風險階段。實驗結果表明，所提模型短期預測的均方根誤差、平均百分比誤差和平均絕對百分比誤差分別為0.013 59、0.010 407和1.182 64，中期預測的均方根誤差、平均百分比誤差和平均絕對百分比誤差分別為0.019 01、0.015 17和1.729 46，優(yōu)于其他比較模型。

關鍵詞： 坡面泥石流； 風險預測； 雙注意力機制； 時間卷積神經(jīng)網(wǎng)絡； 雙向門控循環(huán)單元； 風險評估方法

中圖分類號： TN927?34； P642.23 " " " " " " " " " 文獻標識碼： A " " " " " " " " " "文章編號： 1004?373X（2024）06?0001?08

Research on slope debris flow prediction based on DA?TCN?BiGRU

WEI Kai， LI Qing， YAO Yi， ZHOU Rui

（National and Local Joint Engineering Laboratory of Disaster Monitoring Technology and Instrument， China Jiliang University， Hangzhou 310018， China）

Abstract： In order to improve the accuracy of slope debris flow prediction， a slope debris flow risk prediction method combining dual attention mechanism， temporal convolutional neural network， and bidirectional gated recurrent unit （DA?TCN?BiGRU） is proposed to address the multi?factor modeling problem in current slope debris flow prediction. By conducting slope debris flow simulation experiments on a simulation platform and collecting data from multiple sensors， the magnitude of risk is obtained， which represents the risk stage. The experimental results show that the short?term prediction of this model has a root mean square error， average percentage error， and average absolute percentage error of 0.013 59， 0.010 407， and 1.182 64， respectively. The mid?term prediction has a root mean square error， average percentage error， and average absolute percentage error of 0.019 01， 0.015 17， and 1.729 46， respectively， which outperforms other comparative models.

Keywords： slope debris flow; risk prediction; dual attention mechanism; temporal convolution neural network; bidirectional gated recurrent; risk evaluation method

0 "引 "言

坡面泥石流災害對人們生命安全造成了極大的威脅。目前，國內外研究者主要通過雨量預報泥石流發(fā)生的可能性，大多針對某一地區(qū)的降雨量臨界值來實現(xiàn)泥石流的預報[1]。疏杏勝等人基于對桓仁水庫流域歷史數(shù)據(jù)預測未來降雨數(shù)據(jù)，提出人工神經(jīng)網(wǎng)絡（ANN）、極限學習機（ELM）以及支持向量機（SVM）預測模型[2]，對桓仁水庫流域未來1～3天降雨進行多模式集成預報，驗證了基于機器學習模型的多模式降雨集成預報方法可行，能夠提高短期降雨預報的精度。唐旺等采用長短時記憶神經(jīng)網(wǎng)絡（LSTM）方法對短時降雨進行預測，并收集了研究區(qū)254條泥石流數(shù)據(jù)和日累計降雨數(shù)據(jù)，采用統(tǒng)計分類的方法劃定了泥石流的降水預警閾值，將預測值和閾值進行比對，進而給出預警等級和泥石流發(fā)生的可能性，形成一體化的預警方法[3]。P. Hewage等人基于時間卷積神經(jīng)網(wǎng)絡（TCN）和LSTM的結構，提出了一種新的輕量級天氣預測模型，它可用于對選定的細粒度地理位置進行長達9 h的天氣預報[4]。J. Hirschberg等利用瑞士阿爾卑斯山區(qū)域17年的降雨記錄和67次泥石流確定臨界降雨閾值，通過隨機森林模型（RF）進行預測，提高了數(shù)據(jù)中挖掘開發(fā)信息并用于提高預警性能的準確性[5]。

綜合坡面泥石流方面預測的研究可知，僅根據(jù)降雨量往往不能得到坡面泥石流災害的完整預測信息，多傳感器的綜合預測方法與合適的預測模型是實現(xiàn)更加準確的坡面泥石流預測的有效途徑。同時坡面泥石流預測仍然存在相當大的挑戰(zhàn)，包括風險評估困難和多因素的非線性建模等[6]。面對以上挑戰(zhàn)，本文提出一種基于DA?TCN?BiGRU的坡面泥石流預測方法?？紤]注意力機制處理相同時刻數(shù)據(jù)之間的依賴性，時間卷積（TCN）的特征提取能力和在時間序列預測建模中的良好表現(xiàn)，以及雙向門控循環(huán)單元（BiGRU）的長期依賴關系的特點，建立DA?TCN?BiGRU坡面泥石流預測模型，自動提取坡面泥石流數(shù)據(jù)之間的預警特征和長期依賴關系，并通過坡面泥石流模擬實驗對預測模型進行驗證。

1 "DA?TCN?BiGRU模型

1.1 "時間卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（CNN）最常用于圖像處理，用于時序預測的CNN稱為時間卷積神經(jīng)網(wǎng)絡（TCN）。Bai Shaojie等人在2018年序列預測建模中成功使用卷積神經(jīng)網(wǎng)絡，采用了空洞卷積，使得CNN具有因果卷積的時間約束模型能夠捕獲更長的依賴關系[7]，TCN因此有更大的感受野。TCN的模型結構更簡單、更有效，并且很多學者已經(jīng)將TCN擴展到了多元時間序列預測領域[8]。

TCN是由多個殘差塊（Residual Block）[7]組成，每一個殘差塊中，卷積層的輸出將被添加到殘差塊的輸入中，并饋送到下一個殘差塊。為了調整殘差張量的寬度，添加了一個1×1卷積來完成此操作，此時TCN的感受野寬度是原來的基本因果層的2倍。因此，感受野大小r可以通過式（1）獲得。

[r=1+i=0n-12k-1bi=1+2k-1bn-1b-1] （1）

式中：k表示卷積核的大??；b表示膨脹基的大小，且兩者滿足k≥b。

殘差塊的數(shù)量n與輸入張量的長度l相關，計算公式如下：

[n=logbl-1b-12k-1+1] " " " "（2）

1×1卷積在殘差塊的輸入和輸出之間保持相同的長度，而膨脹的因果卷積保證輸出不會受到未來信息的影響[9]。

1.2 "雙向門控循環(huán)單元

門控循環(huán)單元（GRU）是LSTM神經(jīng)網(wǎng)絡的簡化，用于處理和預測序列數(shù)據(jù)[4]。GRU的結構如圖1所示，圖中rt和zt分別表示重置門和更新門。

門控循環(huán)單元（GRU）公式如下：

[rt=SigmoidWrht-1，xt] " " " "（3）

[zt=SigmoidWzht-1，xt] " " " "（4）

[ht=tanhWrt⊙ht-1，xt] " " " "（5）

[ht=1-zt⊙ht-1+zt⊙ht] " " " "（6）

式中：[rt]是GRU的重置門；[zt]是GRU的更新門；Sigmoid為激活函數(shù)；tanh表示雙曲正切激活函數(shù)；Wr、[Wz]、W分別為對應的權重矩陣。

在傳統(tǒng)的GRU中，每個時間步的輸出僅僅依賴于它之前的輸入和隱狀態(tài)，而雙向門控循環(huán)單元（BiGRU）則考慮了輸入序列中每個時間步之前和之后的輸入以及隱狀態(tài)信息[4]。BiGRU中正向GRU按照時間步從前向后計算，而反向GRU則按照時間步從后向前計算，最終將兩個方向的輸出拼接在一起作為整個序列的輸出。BiGRU具體結構如圖2所示。

BiGRU的公式和GRU類似，但需分別計算正向和反向GRU輸出，BiGRU的更新公式為：

[ht=GRUxt，ht-1] " " " " "（7）

[ht=GRUxt，ht+1] " " " " " （8）

[ht=[ht，ht]] " " " " " " " （9）

1.3 "注意力機制

注意力機制首先用于圖像任務，以實現(xiàn)對圖像重要特征的加權。注意力機制實際上就是得到權重矩陣，計算注意力權重的過程可以看作是鍵值對中的查詢[10]，具體步驟為：

1） 計算Q和K的相似度，可以通過求兩者的向量點積來得到。

2） 對權重進行歸一化，以獲得直接可用的權重。

3） 對權重和值進行加權求和，以獲得注意力值。

[αt=Softmax（QTK）=exp（QTK）jexp（QTK）] " "（10）

[α=tαtVt] " " " " " " （11）

[Q=WqiXt] " " " " " "（12）

[K=WkiXt] " " " " "（13）

[V=WviXt] " " " " " （14）

式中：[αt]是t時刻注意力權重；Softmax是激活函數(shù)；[α]是權重與變量的加權求和的結果；Q、K、V分別表示注意力機制的查詢、鍵值和值；[Wqi]、[Wki]、[Wvi]分別是對應的權重。

1.4 "DA?TCN?BiGRU模型架構

融合雙注意力機制、時間卷積神經(jīng)網(wǎng)絡和雙向門控循環(huán)單元模型（DA?TCN?BiGRU）的整體框架如圖3所示。

DA?TCN?BiGRU模型的輸入是一個由坡面泥石流時間序列數(shù)據(jù)組成的數(shù)據(jù)，輸入階段的注意力機制（I?Attn）的輸入為t時刻的n個傳感器數(shù)據(jù)和t-1時刻的隱含層，輸出為t時刻的注意力權重。I?Attn通過殘差塊框架經(jīng)過TCN，再通過Attention機制生成一個權重向量與TCN的輸出相乘，得出TCN輸出后的注意力機制（T?Attn）；之后經(jīng)過BiGRU層，輸出最終的預測值。

由于實際坡面泥石流實驗中，傳感器數(shù)據(jù)是以連續(xù)一串數(shù)組形式傳回給上位機，因此本模型的動態(tài)滑動預測采用滑動窗口實現(xiàn)，以此處理動態(tài)數(shù)據(jù)，如圖4所示。圖4中，輸入為Ti長度的6維傳感器數(shù)據(jù)，輸出為未來To時間步的坡面泥石流風險度，滑動窗口隨著時間步向前移動，同時輸出預測值。

2 "坡面泥石流模擬平臺及實驗數(shù)據(jù)

2.1 "坡面泥石流模擬實驗平臺

坡面泥石流是由水和固體物質組成的混相流體，其產(chǎn)生過程較復雜。陡峻的地形和固體物質的補給是坡面泥石流發(fā)生的內在因素，強降雨是產(chǎn)生坡面泥石流的外界誘發(fā)因素[11]。

坡面泥石流模擬平臺的構建是為了模擬真實的坡面泥石流，圖5為坡面泥石流模擬平臺實物圖。坡面泥石流模擬平臺的結構包括降雨模擬裝置、傳感器測量裝置和載土試驗箱。

在坡面泥石流模擬實驗平臺中安裝了6個傳感器，分別是翻斗式雨量計、地表位移傳感器、土壓力傳感器、剪切波速傳感器以及2個土壤含水率傳感器，傳感器的安裝位置如圖6所示。

2.2 "坡面泥石流實驗數(shù)據(jù)及分析

在坡面泥石流的整個模擬過程中，使用傳感器來監(jiān)測坡面泥石流過程，監(jiān)測量包括降雨量、淺層土壤含水率、深層土壤含水率、剪切波速、地表位移和土壓力。坡面泥石流模擬平臺將降雨工況設為前期降雨和強降雨擬定實驗工況：

前期降雨：采用10 mm/h雨強，共需降雨歷時60 min，分為2個階段，降1 h，停1 h。

強降雨：采用100 mm/h雨強，共需降雨歷時30 min，分為2個階段，降0.5 h，停1 h。

模擬降雨期間載土箱通過液壓升降桿保持在30°，監(jiān)測系統(tǒng)每隔1 s采集一次數(shù)據(jù)，實驗最終獲得20 000組數(shù)據(jù)，用于坡面泥石流數(shù)據(jù)建模。

根據(jù)得到的坡面泥石流數(shù)據(jù)集，繪制的坡面泥石流傳感器數(shù)據(jù)歸一化曲線如圖7所示。

分析坡面泥石流過程與不同傳感器數(shù)據(jù)之間的關系，得出如下結論：

1） 降雨量是坡面泥石流發(fā)生的誘發(fā)因素，它的變化直接影響土壤含水率的變化。

2） 隨著降雨的進行，地表水逐漸入滲到地下，深層含水率會逐漸提高。在整個坡面泥石流形成到滑流再到穩(wěn)定的過程中，淺層含水率的增長速率會逐漸減小，深層含水率的大小最后與淺層含水率相近。

3） 隨著土壤整個土層含水率發(fā)生變化，土壤抗剪強度也隨之發(fā)生變化。本文使用剪切波速表征土壤抗剪強度的大小，土壤含水率未達到臨界含水率時，土壤抗剪強度與剪切波速存在正相關的關系；反之，土壤抗剪強度與剪切波速存在負相關的關系[12]。在地表位移發(fā)生之前，剪切波速有明顯的上升趨勢，土壓力同樣增加，都可以作為坡面泥石流發(fā)生的前兆預警特征。

4） 當坡體進入滑流階段之前，土壤含水率達到飽和，不再出現(xiàn)明顯增加的趨勢；隨著強降雨的進行，土體進入滑流階段，呈現(xiàn)流動狀，地表位移急劇增加。

5） 進入穩(wěn)定階段后，土體背坡面徑流影響減小，土壤表面的沖刷和侵蝕作用減弱。

坡面泥石流風險預測模型的訓練過程是使用滑動窗口，關于DA?TCN?BiGRU方法，已在本文第1節(jié)中詳細闡述。

DA?TCN?BiGRU的輸入為過去時間步的5類傳感器數(shù)據(jù)，坡面泥石流風險預測的目的是預測未來時間步的坡面泥石流風險度。因此，預測模型的輸出為下一時間步坡面泥石流風險度大小。訓練集、驗證集與測試集數(shù)據(jù)的比例為6∶3∶1。訓練過程使用監(jiān)督學習的方法，并20次迭代訓練DA?TCN?BiGRU的模型參數(shù)。

3 "風險評估方法與模型測試

3.1 "風險評估方法

由坡面泥石流模擬實驗平臺得到的傳感器數(shù)據(jù)無法直接反映坡面泥石流過程的風險程度，因此需要對數(shù)據(jù)進行特征提取，得到綜合評價指標，即坡面泥石流風險度，坡面泥石流風險度表征坡面泥石流即將發(fā)生的風險程度。觀察剪切波速和土壓力數(shù)據(jù)可知，第一次地表位移發(fā)生之前，剪切波速有一段明顯上升的趨勢，之后每一次發(fā)生位移前，土壓力以及剪切波速都會有逐漸增大的預警特征，這點可以作為坡面泥石流風險度的重要特征。

對坡面泥石流傳感器數(shù)據(jù)進行風險評估的方法眾多，本文采用TOPSIS熵值法得到坡面泥石流風險度，流程如圖8所示。

TOPSIS熵值法處理傳感器數(shù)據(jù)的流程為：首先將坡面泥石流傳感器數(shù)據(jù)進行簡單的預處理，之后利用歸一化的數(shù)據(jù)計算權重[pij]、熵值[ej]，公式如下：

[pij=xiji=1Nxij] " " " "（15）

[ej=-1lnNi=1Npijlnpij， "ej∈[0，1]] " " "（16）

計算每個數(shù)據(jù)對應的信息熵，并計算信息效用值，公式如下：

[dj=1-ej] " " " " " "（17）

信息效用值就是差異系數(shù)，信息效用值越大，對應的信息量也就越多。

然后確定傳感器數(shù)據(jù)的權重大小，公式為：

[ωj=djj=1Ndj] " " " " （18）

再對數(shù)據(jù)進行歸一化和標準化，并構造加權矩陣，公式如下：

[zij=xiji=1Nx2ij] " " " " " " （19）

[z*ij=zij?wj] " " " " " "（20）

尋找最優(yōu)方案[z*+ij]和最劣方案[z*-ij]，并確定最優(yōu)距離[D+i]和最劣距離[D-i]，構造相似度Ci，公式如下：

[z*+ij=max（z+1，z+2，…，z+i）z*-ij=max（z-1，z-2，…，z-i）] " " " （21）

[D+i=j（z*ij-z*+ij）2D-i=j（z*ij-z*-ij）2] " " " " " " "（22）

[Ci=D-i（D+i+D-i）] " " " " " " " "（23）

最后按照相似度大小Ci進行排序，得到最終的坡面泥石流風險度大小。本文改進了最后的風險度大小，加大了土壓力和剪切波速的權重，改進后的風險度計算公式如下：

[Ri=λSi+（1-2λ）Ci] " " " " （24）

式中：[Si]表示第i個時間步的傳感器土壤應力和剪切波速的數(shù)據(jù)；[Ci]表示第i個時間步的原坡面泥石流風險度大??；[λ]表示加權的權重大小；[Ri]表示第i個時間步的改進后坡面泥石流風險度。具體權重大小可人為設定或根據(jù)智能優(yōu)化算法選取，此處人為設定[λ=0.3]。

圖9所示為坡面泥石流風險度曲線。對比坡面泥石流過程中的位移、土壓力、剪切波速以及改進前后的坡面泥石流風險度可知：改進前的坡面泥石流風險度更大程度上反映的是坡面泥石流位移量的變化情況，當位移量增大時，風險度迅速增加；改進后的坡面泥石流風險度加大了土壓力和剪切波速的因素，不僅反映位移量的改變情況，也具有前兆預警特征。原因是剪切波速和土壓力具有預警先兆，剛開始發(fā)生位移變化的前一段時刻，剪切波速具有明顯上升的趨勢；之后每次位移變化前，土壓力增大，反映了坡面泥石流即將發(fā)生較大滑流的特征。改進后的坡面泥石流突出了具有先兆預警特征的傳感器數(shù)據(jù)，能提前反映坡面泥石流即將遇到的風險情況。

3.2 "模型性能對比實驗

為測試DA?TCN?BiGRU模型的性能，對比GRU、BiGRU、TCN、TCN?BiGRU和自注意力機制時間卷積和雙向門控循環(huán)單元（ATCN?BiGRU）。評價性能好壞的指標為平均絕對誤差（MAE）、均方根誤差（RMSE）和平均絕對百分比誤差（MAPE），具體公式如下：

[MAE=1Ni=1Nyi-yi] " " " " " " （25）

[RMSE=1Ni=1N（yi-yi）2] " " nbsp; "（26）

[MAPE=1Ni=1Nyi-yiyi×100%] " " " "（27）

模型運行環(huán)境為：R5?5600G CPU，Windows 11，NVIDIA GeForce GTX 3060 GPU，16 GB內存，Python 3.6，Keras 2.6.0，TensorFlow 2.6.0。模型測試分為兩類滑動窗口，分別是100?10和100?50，分別反映不同的輸入數(shù)據(jù)長度與預測長度。DA?TCN?BiGRU模型的參數(shù)設置為：濾波器filters=32，批次大小batch size=128，卷積核大小kernel size=8，單元數(shù)gru_units =16。其中注意力機制的激活函數(shù)為Softmax，TCN模型的參數(shù)設置為：濾波器filters=32，批次大小batch size=128，卷積核大小kernel size=8。LSTM、GRU、BiLSTM和BiGRU模型的參數(shù)設置為：單元數(shù)為16，深度為32層，激活函數(shù)為ReLU，優(yōu)化算法為Adam，初始學習率為0.001，后續(xù)會根據(jù)損失函數(shù)調整學習率。為防止過擬合，均采用正則化dropout=0.2。不同的模型分別測試20次，統(tǒng)計每個模型性能指標的平均值，性能對比統(tǒng)計的結果如表1所示。

表1表明：當滑動窗口為100?10時，DA?TCN?BiGRU的RMSE、MAE和MAPE指標較低，相較于GRU分別下降了82.01%、75.71%和76.46%，相較于BiGRU分別下降了65.43%、51.42%和52.88%，相較于TCN?BiGRU分別下降了36.64%、37.34%和37.25%，相較于ATCN?BiGRU分別下降了13.05%、10.59%和10.23%；當滑動窗口設置為100?50時，DA?TCN?BiGRU的RMSE、MAE和MAPE指標相較于GRU分別下降了74.77%、71.03%和72.25%，相較于BiGRU分別下降了66.91%、56.92%和58.28%，相較于TCN分別下降了57.13%、46.81%和50.97%，相較于TCN?BiGRU分別下降了20.13%、24.11%和24.31%，相較于ATCN?BiGRU分別下降了7.14%、10.08%和11.39%。

對比不同預測長度的模型性能，可知預測長度越短，性能指標越小，預測效果越佳。當預測長度較長時，注意力機制捕獲長時間依賴特性愈發(fā)凸顯。對比ATCN?BiGRU和DA?TCN?BiGRU模型，DA?TCN?BiGRU中雙注意力機制可以最大程度上降低信息損失，進一步提高模型的準確性。

為更加直觀地展現(xiàn)出坡面泥石流風險預測的實際誤差情況，繪制出不同模型的誤差絕對值曲線，如圖10、圖11所示。

圖10和圖11直觀展現(xiàn)了模型預測2 000個時間步時坡面泥石流風險度的誤差情況。在窗口100?10中，誤差從高到低分別為GRU、BiGRU、TCN、TCN?BiGRU、ATCN?BiGRU和DA?TCN?BiGRU；在窗口100?50中，誤差從高到低分別為GRU、BiGRU、TCN、TCN?BiGRU、ATCN?BiGRU和DA?TCN?BiGRU。

圖10和圖11結果表明，DA?TCN?BiGRU模型的誤差最低，預測效果較好。對比兩種窗口可知：預測長度越長時，模型的誤差越大，預測難度越大；有注意力機制的ATCN?BiGRU和DA?TCN?BiGRU效果較佳，其中DA?TCN?BiGRU的預測精度較高。

4 "結 "語

坡面泥石流風險預測是巖土工程、計算機科學等學科的交叉研究領域。本文進行了坡面泥石流模擬實驗，通過實驗得到5類傳感器數(shù)據(jù)，經(jīng)過改進后TOPSIS熵值法得到客觀的坡面泥石流風險度，表征坡面泥石流發(fā)生的風險情況。為了提高預測準確度，將TCN?BiGRU引入坡面泥石流風險預測領域，并融合雙注意力機制，考慮了重要信息對預測的影響，有效提取了傳感器數(shù)據(jù)的特征。由對比實驗結果可知，DA?TCN?BiGRU模型在坡面泥石流風險預測方面具有有效性和可行性。

注：本文通訊作者為李青。

參考文獻

[1] 王子寒，張彪，景曉昆，等.土工格室防治坡面型泥石流啟動機理研究[J].自然災害學報，2022，31（5）：140?149.

[2] 疏杏勝，王子茹，李福威，等.基于機器學習模型的短期降雨多模式集成預報[J].南水北調與水利科技，2020，18（1）：42?50.

[3] 唐旺，馬尚昌，陳銳.基于LSTM的川西北地區(qū)降雨型泥石流預警方法[J].桂林理工大學學報，2020，40（4）：719?725.

[4] HEWAGE P， BEHERA A， TROVATI M， et al. Temporal con?volutional neural （TCN） network for an effective weather forecasting using time?series data from the local weather station [J]. Soft computing， 2020， 24（21）： 16453?16482.

[5] HIRSCHBERG J， BADOUX A， MCARDELL B W， et al. Limita?tions of rainfall thresholds for debris?flow prediction in an Alpine catchment [EB/OL]. [2022?12?11]. https：//www.xueshufan.com/publication/3164977424.

[6] 熊江，唐川，陳明.泥石流早期識別與監(jiān)測預警研究進展探討[J].自然災害學報，2021，30（1）：165?173.

[7] BAI S， KOLTER J Z， KOLTUN V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling [EB/OL]. [2023?01?14]. https：//blog.csdn.net/LawenceRay/article/details/89789231.

[8] XU Y， HU C， WU Q， et al. Application of temporal convolu?tional network for flood forecasting [J]. Hydrology research， 2021， 52（6）： 1455?68.

[9] WAN R， MEI S， WANG J， et al. Multivariate temporal convolu?tional network： a deep neural networks approach for multivariate time series forecasting [J]. Electronics， 2019， 8（8）： 876.

[10] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need [C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. California： ACM， 2017： 6000?6010.

[11] 余國安.兩類泥石流形成機制的再討論[J].自然災害學報，2022，31（1）：238?250.

[12] 吳鑫，李青.基于剪切波波速的土體抗剪強度測量裝置研制[J].科技通報，2022，38（1）：73?76.

[13] REN Yajie， ZHAO Dong， LUO Dan， et al. Global?local temporal convolutional network for traffic flow prediction [J]. IEEE transcation on intelligent transportation systems， 2022， 23（2）： 1578?1584.