基于EEMD-LSTM-MLR的大坝变形组合预测模型
基于EEMD-LSTM-MLR的大坝变形组合预测模型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，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)实现其快捷且有效预测，最终通过分量重构，得到大坝变形的预测结果。通过工程实例分析，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，该组合预测模型的平均绝对误差(MAE)、平均百分误差(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新的思路。
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
页:
[1]