[发明专利]一种提高拱坝位移预测模型性能的组合建模方法

权利要求书

1.一种提高拱坝位移预测模型性能的组合建模方法，其特征在于，包括：

采集拱坝位移和环境量监测数据，以监测数据中的位移因果分量为输入，拱坝实测位移为输出，建立用于拱坝位移预测的MLR子模型，定义为第一类子模型，并采用改进参数优化法分别建立用于拱坝位移预测的NN机器学习子模型、ELM机器学习子模型、SVM机器学习子模型和RVM机器学习子模型，定义为第二类子模型；

统计建立的用于拱坝位移预测的各子模型的评价指标，对评价指标中的预测MSE增比，按照其值的大小进行排序；

选取第二类子模型中预测MSE最小者所用机器学习方法分别建立五型、四型、三型和二型组合模型，其中五型组合模型的输入为五个子模型的输出，五型组合模型的输出为拱坝实测位移；

剔除五个子模型中预测MSE增比最大者，利用剩余四个子模型建立四型组合模型，其中四型组合模型的输入为剩余四个子模型的输出，四型组合模型的输出为拱坝实测位移；同理，分别建立三型组合模型和二型组合模型；

比较五型组合模型、四型组合模型、三型组合模型、二型组合模型和预测MSE增比最小的子模型的位移预测精度，将最优者作为最终的组合预测模型，用于拱坝位移的预测。

2.根据权利要求1所述的提高拱坝位移预测模型性能的组合建模方法，其特征在于，所述改进参数优化法是将机器学习模型参数优化中原拟合MSE最小目标，调整为拟合MSE尽可能小且拱坝多测点位移时变规律一致性程度尽可能大，其目的是避免仅依赖数学角度的约束条件，增加工程结构角度的约束条件，以减轻机器学习模型的过拟合程度；包括：

步骤A1：通过滑动窗口法提取位移时间序列的时变规律信息；对于给定测点i的位移时间序列δ_it，设定窗口长度和滑动步长分别为w和s，从δ_i1开始，由左到右提取滑动窗口中每个子序列的时变趋势，如下所示：

Δ_i,t＝δ_i,t+w-1-δ_i,t,1≤t≤T-w+1 (1)

其中，i为测点序号，t为监测时间，T为固定取样频率下位移测点的监测数据样本总数；

然后，定义如下所示的时变规律信息表征函数：

原位移时间序列δ_it的时变规律信息则可由包含-1、0、1的向量S_i来描述，对于两个长度相同的位移时间序列δ_it和δ_jt，两者的时变规律一致性程度CDT_ij可表示为：

其中，为S_i的转置向量，i和j为测点序号。

步骤A2：通过加权叠加法，计算拟建模位移测点与拱坝同一分区内其它所有位移测点的整体CDT_i；按照两测点之间时变规律一致性程度越高，相应权重越大的原则，融合权重ω_ij可定义为：

其中，N为同一分区内的同类位移测点总数；

进而，i测点与所在分区内所有测点位移时变规律的整体一致性程度定义为：

步骤A3：构建改进参数优化法中的目标函数；引入新的目标CDT，为保证拟合MSE尽可能小，而CDT尽可能大，要对CDT取倒数处理，即RC＝1/CDT，由于二者量纲不一致，还需分别进行归一化处理：

其中，MSE_max、MSE_min、RC_max和RC_min分别为参数优化范围内拟合MSE和RC的最大和最小值；

综上，改进参数优化法中的目标函数定义为：

其中，θ为多测点位移时变规律一致性目标CDT的权重；

步骤A4：利用改进参数优化法，优化第二类子模型的关键参数；其中，NN机器学习子模型和ELM机器学习子模型的关键参数为神经元数目，SVM机器学习子模型和RVM机器学习子模型的关键参数为惩罚因子和核函数参数。

3.根据权利要求2所述的提高拱坝位移预测模型性能的组合建模方法，其特征在于，步骤A2中拱坝同一分区是指根据拱坝坝体所有同类位移监测点的位移时间序列，按照常规的基于增量距离的聚类分区方法，将测点划分为不同的类别，然后用同一聚类中的所有测点计算时变规律的整体一致性程度。