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

       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。
: v7 M7 t/ n1 ~8 r& k! h. m
. _& J2 J7 ^; ^- w7 c' W% W9 n' x  ~' u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