摘要
准确预测致命建筑事故对于主动安全管理至关重要；然而，事故时间序列表现出强烈的非平稳性、非线性动态以及多尺度的时间模式，这些特征对传统模型构成了挑战。本研究提出了一种混合STL–BiGRU框架，该框架将Loess（STL）的季节性趋势分解技术与双向门控循环单元（BiGRU）网络相结合，以提供适用于建筑安全需求的鲁棒且易于解释的预测结果。STL首先将原始的月度事故序列（2012年1月至2024年12月，OSHA数据）分解为趋势、季节性和残差三个组成部分，从而降低模型的结构复杂度并缓解非平稳性问题。随后对每个组成部分分别训练独立的BiGRU模型以捕捉双向时间依赖性，并最终通过组合各部分的预测结果来得到最终预测。与门控循环单元（GRU）、长短期记忆网络（LSTM）、循环神经网络（RNN）、支持向量回归（SVR）、自回归积分移动平均模型（ARIMA）及其STL增强版本进行的比较实验表明，所提出的STL–BiGRU模型在短期和中期预测方面均表现出更优的性能。该模型实现了最低的误差水平，短期均方根误差（RMSE）为6.8522，中期RMSE为7.0568，并且在平均绝对误差（MAE）和平均绝对百分比误差（MAPE）上也表现出持续的改进。结果表明，多尺度分解与双向深度学习的结合提供了一种实用且具有前瞻性的工具，有助于监管机构和承包商预测高风险时段、优化资源分配，并通过有针对性的预防措施减少致命事故的发生。
