基于MLR-DE-LSTM的大坝变形串联组合预测模型

TV698.1; 为了解决单一模型在大坝变形预测中可能带来的信息损失问题,将差分进化算法(DE)用于长短期记忆神经网络(LSTM)模型的参数优化,并结合多元线性回归(MLR)模型建立MLR-DE-LSTM串联组合模型.基于某重力坝的水平位移原型监测数据,对该模型进行了验证.结果表明,DE算法可以有效提高LSTM模型的预测精度,LSTM模型可以有效挖掘MLR模型尚未完全解释的信息.相较于单一模型,组合模型在预测位移数据时具有更高的准确度和稳定性,组合模型在充分利用数据信息方面具有更大优势.研究结果为提高大坝变形预测精度提供了参考价值....

Full description

Saved in:
Bibliographic Details
Published in中国农村水利水电 no. 2; pp. 207 - 212
Main Authors 刘天翼, 艾星星, 张九丹
Format Journal Article
LanguageChinese
Published 南水北调东线智能水务(北京)有限公司,北京 100000%扬州大学水利科学与工程学院,江苏 扬州 225100%中国南水北调集团中线有限公司天津分公司,天津 300380 15.02.2025
Subjects
长短期记忆神经网络
combinatorial model
组合模型
dam deformation
大坝变形
differential evolutionary algorithm
short-and long-term memory neural networks
差分进化算法
多元线性回归
multiple linear regression
Online AccessGet full text
ISSN1007-2284
DOI10.12396/znsd.240737

Cover

More Information
Summary:TV698.1; 为了解决单一模型在大坝变形预测中可能带来的信息损失问题,将差分进化算法(DE)用于长短期记忆神经网络(LSTM)模型的参数优化,并结合多元线性回归(MLR)模型建立MLR-DE-LSTM串联组合模型.基于某重力坝的水平位移原型监测数据,对该模型进行了验证.结果表明,DE算法可以有效提高LSTM模型的预测精度,LSTM模型可以有效挖掘MLR模型尚未完全解释的信息.相较于单一模型,组合模型在预测位移数据时具有更高的准确度和稳定性,组合模型在充分利用数据信息方面具有更大优势.研究结果为提高大坝变形预测精度提供了参考价值.
ISSN:1007-2284
DOI:10.12396/znsd.240737