English(EN) Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble

AI集成模型改进挡土墙变形预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-25 04:00

研究人员开发了一种新颖的集成框架，使用卷积长短期记忆（ConvLSTM）网络来改进挡土墙变形的长期预测。这种多分辨率方法集成了在不同时间输入尺度上训练的模型，有效缓解了误差累积。针对模拟数据和真实世界数据的验证证实，该集成模型在多步预测方面始终优于单个ConvLSTM模型，尤其是在提高稳定性和准确性方面，凸显了其在岩土工程AI预测中的优势。 AI

影响增强了AI驱动的岩土工程预测的稳定性和准确性，可能带来更安全的基础设施开发。

排序理由该集群包含一篇详细介绍新AI方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

Jihoon Kim

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jihoon Kim (Department of Civil,Environmental Engineering, Hongik University, Seoul, Republic of Korea), Heejung Youn (Department of Civil,Environmental Engineering, Hongik University, Seoul, Republic of Korea) · 2026-05-25 04:00

Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble

arXiv:2603.10453v2 Announce Type: replace Abstract: This study proposes a multi-resolution Convolutional Long Short-Term Memory (ConvLSTM) ensemble framework that leverages diverse temporal input resolutions to mitigate error accumulation and improve long-horizon forecasting of r…

报道来源 [1]

Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble

相关实体

相关话题