摘要： 露天矿边坡的变形监测是保障安全生产的关键环节，但监测数据在复杂采掘工况下常伴有周期性波动、阶跃性突跳及样本缺失等复合干扰；此外，传统预测方法普遍忽略各监测点间因共同地质构造产生的隐性时空关联，导致预测模型结果受限。因此，提出一种考虑监测点时空关联性的信号重构与预测新框架。该框架将监测网络构建为时空图模型，其节点代表监测点，可学习的边权重则表征监测点间的动态时空关联；通过交替优化算法，协同实现边坡位移/形变信号的精确重构（含降噪与缺失值插补）及图边权重的自适应学习；将重构后的信号与数据驱动学习到的动态图边权重共同输入一个预训练增强的时空图神经网络中，以提升位移/形变预测精度。以新疆疆纳矿业兴盛露天煤矿内外排土场3个月的实测数据进行验证，结果表明：基于全球导航卫星系统监测的排土场边坡北方向（X方向）位移在周期性、突变型复合噪声及样本缺失干扰下，位移信号重构均方根误差低至0.458 8 mm；未来4 d变形预测的平均绝对误差、均方根误差及平均绝对百分比误差分别为1.378 6，2.319 3 mm及68.63%。通过协同优化信号重构与图结构学习，从含噪、缺失数据中提炼蕴含真实关联的动态拓扑作为预测先验，为露天矿山边坡智能预警提供了数据驱动的新方法。

关键词: 露天开采, 边坡位移/形变重构, 图信号处理, 时空图神经网络, 边坡位移/形变预测

中图分类号: 

• TD 824