一种基于MSCNN-Attention-BiLSTM与ARIMA的滑坡位移预测方法

本发明公开了一种基于MSCNN‑Attention‑BiLSTM与ARIMA的滑坡位移预测方法，包括以下步骤：S1，数据分解；S2，降水时滞分析；S3，趋势项预测；S4，周期项预测；S5，总体融合；本发明，通过构建融合CEEMDAN分解、深度学习与时间序列建模的滑坡位移预测框架，实现对滑坡多尺度变形特征的精准建模，从而显著提升滑坡总体位移预测的精度与稳定性；通过引入CEEMDAN算法对滑坡位移数据进行分解，并结合MSCNN‑Attention‑BiLSTM模型与ARIMA模型对趋势项和周期项分别建模，实现了对多源时序特征的结构化提取、注意力加权与模块化预测，增强了位移预测的可解释性与鲁棒性。