Page 32 - 2022年第53卷第4期

式中I 为比率。
（4）蚁狮重构陷阱。为了使捕捉新蚂蚁的机会增加，蚁狮需要通过改变自己的位置来适应被捕食
蚂蚁所在的位置，由下式表示：
t
Antlion = Ant i t f ( Ant i t ) > f ( Antlion j t ) （13）
j
t
式中Ant 为第 i 只蚂蚁在第 t 次迭代时的位置。
i
（5）精英化蚁狮。在每一次迭代的过程中，适应度最好的蚁狮所在的位置会被留下来当做精英蚁
狮，精英蚁狮在迭代过程中能影响蚂蚁的位置。可根据下式得到蚂蚁的位置：
t
R + R t
t
Ant = A E （14）
i
2
t
t
式中：R 是在第t 次迭代中根据轮盘赌机制选择蚁狮的随机游走策略；R 是第t 次迭代中围绕精英蚁
A
E
狮的随机游走策略。
ALO 算法具有调节参数少、收敛速度快、鲁棒性高等特点，该算法采用随机游走以及轮盘赌方
式等策略可有效避免陷入局部最优等问题。本文使用 ALO 算法优化 LSTM 模型超参数，可以快速找到
最优超参数的组合，避免手动调参带来的不便，提高模型训练效率。
2.2 特征注意力机制 特征注意力机制作为一种增强局部特征学习的思想，它不是一种固定的神经
网络结构 ［29］ 。引入特征注意力机制目的在于通过调整注意力权重，从输入向量的大量信息中快速提
取有效信息。由于特征注意力机制能够自适应地集中于特征的有效部分，因此被广泛应用于图像分
类 ［30］ 、神经机器翻译 ［29，31］ 、时间序列预测 ［32］ 等研究领域。本文中引入特征注意力量化渗压效应量与各
输入变量之间的关联关系。特征注意力机制的表达式如下：
e = tanh( W [X ，X ，...，X T ] + ) b （15）
t
a
2
1
exp( )
e
a = T t （16）
t
å exp( )
e
k
k = 1
式中：W 为注意机制的权值矩阵，表示需要强调的信息；e 为第一次加权计算结果；b为注意力机制
t
a
]
的偏置项；[X ，X ，⋯，X 为输入项；a 为输入项得到的最终权重。
1 2 T t
对于渗压预测模型，通常的手段是选用高精度的机器学习或深度学习模型进行预测，但是却忽
略了哪些影响因素对渗压效应量的影响程度最大。本文所提的渗压预测模型引入特征注意力机制计
算隐含层单元状态的特征权重，根据权重分配原则计算不同单元状态的特征权重参数来表征渗压效
应量与各个影响因子之间的相关关系，并通过 softmax 函数得到和为 1 的权重分布矩阵。
2.3 耦合 ALO-LSTM 和特征注意力机制的土石坝渗压预测模型建模流程 本文所提模型的建模流程
如图 2 所示，主要包括以下 4 个步骤：
（1）将获取的渗压监测数据和环境量监测数据进行异常数值检测、缺失值插补和归一化处理；
（2）对输入变量进行降维处理，并划分训练集和测试集；
（3）通过 LSTM 网络构建预测模型，其中输入层和输出层的神经元数量使用 ALO 优化算法来自动
寻优；
（4）通过特征注意力机制对输入变量赋予不同的权重量化渗压与影响因子的关联关系，并将输出
向量进行反归一化处理获得渗压最终预测结果。

3 案例研究

本研究选用澜沧江下游某砾石土心墙堆石坝工程的渗压计监测数据为研究对象，该工程坝顶高
程 821.5 m，建基面高程为 560 m，具有防洪、发电等综合效益。在本文中，选取渗压计 DB-C-P-01 处
监测点建立预测模型进行分析，建模序列选取 2014 年 7 月 15 日至 2018 年 7 月 31 日，取值频率为天。

— 406 —