基于EEMD-LSTM-MLR的大坝变形组合预测模型

雩风三日

基于EEMD-LSTM-MLR的大坝变形组合预测模型
! H( L# l0 ~8 G7 f
  K* E% E" _9 w5 |/ M2 n4 V       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。
9 F- @8 p; r) y4 _/ b  D5 \. n
4 M3 j! Y6 Z( `8 X- P3 {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