一种融合滞后HST与可解释混合卷积注意力机制的大坝变形深度学习预测方法

本发明提出一种融合滞后HST与可解释混合卷积注意力机制的大坝变形深度学习预测方法，属于水工结构健康监测领域。所述HST模型将大坝变形影响因素划分为水位、空气温度和时间三类，并引入相位差分析与相关补偿技术，显著减少了模型参数量，由传统的9个周期项降至4个核心分量，提高了建模效率与精度。在此基础上，构建一种结合1D卷积、LSTM、2D卷积、多头自注意力机制和可解释性方法SHAP的混合深度学习模型，实现对大坝变形的高效预测。所述模型兼具长短期响应建模能力与长序列稳定性，且具备较强的可解释性，适用于复杂环境下的坝体结构健康评估与预警。