Page 79 - 水利学报2021年第52卷第1期

（2）超参数调试对深层网络的预测效果影响较大。以 LSTM 为例，通过试算和随机搜索算法，对
2
隐层数 n 、各隐层节点数 n 、学习率 l 和优化迭代次数 n 等超参数进行迭代优化，选取最优超参数组
h
n
r
i
(
合 n opt ,n n opt ,l r opt ,n i opt ) 。相较于 LSTM ，LSTM 需将时序问题转化为监督学习问题，故增加时间窗口长
h
2
1
度 w 这一超参数。
t
（3）多数效应量监测序列存在长期相关性（即记忆性），通常越接近待预测值的数据对外延精度的
影响越大，且过多的历史冗余数据会增加模型的复杂度 ［37］ 。在预设范围内，通过限定步长 l 改变 T 跨
r
m
度，循环训练得到不同的网络 LSTM ，m = 1，2， ，根据 V 多次评估选取精度较高的网络结构
1,2 a
best
LSTM ，其对应的有效记忆区间 T + V （区间长度设为 d ）即可满足预测 T 的要求。
1,2 r a e
（4）为避免 LSTM 因 T 数据量较少而出现过拟合等问题，一方面，控制网络深度和训练周期，
1，2 r
根据训练损失和 V 性能评估确定何时提早停止；另一方面，采用 L 正则化、Dropout、批标准化等方
a
2
法对模型参数进行约束，提高模型的泛化能力 ［38］ 。此外，添加正则项也有助于解决共线性问题。
best
（5）针对不同应用场景，将多步预测精度和逐步误差累积作为竞选指标，自动择优选用 LSTM
1
best
或 LSTM 进行外延预测，并利用全连接层进行维度变换（一维输出），以此实现最优化数学建模。
2
3.3 外延预测方法 直接多步预测（Direct Multi-step Prediction，DMP）能够一次返回多个时刻的预测
j
值 ŷ ( ) t ，是目前安全监控模型中最常用的外延方法。DMP 的学习、估计过程分别见下式：
j 1( 1,j 2,j I,j
)
y (t + 1 = f x (t + 1 )，x (t + 1 )，⋯，x (t + ) ) 1 + ε （9）
1(
1,j
j
2,j
I,j
)
ŷ (t + h = f x (t + h )，x (t + h )，⋯，x (t + ) ) h h = 1，2，⋯，H （10）
式中： f (×) 为预测模型，文中指代 LSTM ； ε 为学习误差； H 为外延步数。
1 2
j
与 DMP 不同，滚动单步预测（Rolling One-step Prediction，ROP）是将上一时刻预测值 ŷ ( ) t 作为
j
)
下一时刻预测值 ŷ (t + 1 的输入，利用动态更新间接实现多步预测，直至达到待预测步数 H 为止。
ROP 的学习、估计过程分别见下式：
j 2( j j j
)
y (t + 1 = f y ( ) t ，y (t - 1 )，，y (t - d + ) ) 1 + ε （11）
ì 2( j j )，，y (t - d +
j
ï f y ( ) t ，y (t - 1 ) ) 1 h = 1
2(
j ï j j j j
)
ŷ (t + h = í f ŷ (t + h - 1 )，，ŷ (t + 1 )，y ( ) t ，，y (t - d + ) ) h h = 2，3，，d （12）
ï
2(
j
j
j
ï f ŷ (t + h - 1 )，ŷ (t + h - 2 )，，ŷ (t + h - d ) ) h = d + 1，d + 2，，H
î
式中： f (×) 为预测模型，文中指代 LSTM ； d 为有效记忆区间长度。
2 1
对于一个稳定的预测模型，无需高频次学习更新，通过设定更新时间 t 即可完成周期性的模型迭
u
代。
综合上述三个方面的改进，以 LSTM 算法为基础的水工建筑物安全监控优化深度模型得以构建，
称为优化 LSTM 模型（Optimized LSTM，OLSTM）。
4 工程实例验证
基于上述模型方法，选取多组不同效应量实测数据作为典型应用场景，对 OLSTM 进行有效性和
准确性验证，旨在通过此实例说明 OLSTM 在多类型水工建筑物安全监控方面的优势。为此，以某混
凝土坝 IP4_01_X 方向变形监测数据（数据示于图 2，竖线以右为预测期）与某调水工程关键部位钢筋
计、测缝计、应变计和渗压计读数记录（数据示于图 3，竖线以右为预测期）为例，设定 3 种实际应用
场景，引入逐步回归统计模型（SRSM）和 SVM、反向传播神经网络（BPNN）等浅层模型与 OLSTM 深度
模型进行性能对比。仿真实验中需要注意以下几点：（1）确保各模型输入数据前端处理步骤（详见 3.1
— 75 —