基于EEMD-LSTM-MLR的大坝变形组合预测模型

• 作者: 马佳佳 苏怀智 王颖慧
• 来源期刊: 长江科学院院报
• 关键词: 大坝变形 组合预测模型 集合经验模态分解 长短期记忆神经网络 多元线性回归
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 工程安全与灾害防治|ENGINEERING SAFETY AND DISASTER PREVENTION
• 页码范围: 47-54
• 页数: 8页
• 分类号: TV698.1
• 语种: 中文
• DOI: 10.11988/ckyyb.20200705

摘要

大坝变形监测数据序列具有非平稳、非线性特征,是水压、温度和时效综合作用的结果.引入集合经验模态分解(EEMD)方法处理变形数据,在得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果;对于周期性变化的低频分量,借助多元线性回归(MLR)实现快捷且有效的预测;最终通过分量重构,得到大坝变形的预测结果.工程实例分析表明:EEMD方法避免了模态混叠现象,可以得到更为合理的多尺度变形分量;LSTM和MLR分别对高、低频分量具有良好的预测能力.将分量叠加重构的最终结果分别与多种单一预测算法、基于EMD的组合算法以及传统模型等预测效果比较表明,基于EEMD-LSTM-MLR的组合预测模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)及均方根误差(RMSE)均低于上述对比模型,有着更高的预测精度,为大坝变形预测提供了新的思路.