液压爬模是一种用于建筑施工的设备,对其进行压力预测将有助于在桥梁建设过程中监测工作状态与提供故障预警。为了获得更加精准的压力预测结果,提出一种基于长短期时间序列网络(LSTNet)的液压爬模压力预测模型。通过Spearman相关系数法筛选与液压爬模设备压力数据强相关的数据,减少不相关数据的干扰。利用LSTNet模型寻找液压爬模设备压力数据的长期和短期依赖,并引入线性的自适应回归层,结合神经网络的非线性部分,提高网络模型的预测精度。最后使用常泰长江大桥液压爬模项目采集的压力数据进行模型的训练,并与LSTM模型、LSTM-Attention模型和CNN-BiLSTM-Attention模型进行对比。结果表明在液压爬模的压力预测实验中,LSTNet模型展示了良好的拟合性和预测性能,相较其他3个模型的准确率更高。此外,LSTNet模型结合了线性与非线性特征提取能力,增强了时...