[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

说明书

本发明公开了拱坝位移监控技术领域的一种提高拱坝位移预测模型性能的组合建模方法；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，并采用融合拱坝多测点位移时变规律一致性程度尽可能大目标的改进参数优化法，分别建立用于拱坝位移预测的NN、ELM、SVM和RVM机器学习子模型，定义为第二类子模型；根据各子模型的评价指标和改进参数优化法，建立五型、四型、三型、二型组合模型，比较各组合模型和预测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，可有效减轻机器学习模型的过拟合程度，提高了拱坝位移预测模型的预测精度。

技术领域

本发明属于拱坝位移监控技术领域，具体涉及一种提高拱坝位移预测模型性能的组合建模方法。

背景技术

在大坝安全监控模型的建模方法方面，机器学习为处理海量监测数据提供了更为高效的解决方案，神经网络(NN)、极限学习机(ELM)、支持向量机(SVM)和关联向量机(RVM)等得到了广泛应用，但各方法在不同实际工程问题中的性能存在一定的差异性，单一建模方法无法顾及模型性能的全面性，而科学合理地将不同建模方法进行组合，可最大程度发挥各种建模方法的优势。

发明内容

为解决现有技术中的不足，本发明提供一种提高拱坝位移预测模型性能的组合建模方法，降低了机器学习模型的过拟合程度，提高了拱坝位移预测模型的预测精度。

为达到上述目的，本发明所采用的技术方案是：一种提高拱坝位移预测模型性能的组合建模方法，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。

进一步地，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：