Page 35 - 2022年第53卷第4期

对两层的神经元个数 L 和 L 进行自动参数寻优，其中 ALO 算法种群规模设为 50，最大迭代次数设为
1 2
100，另外学习率设为 0.01，时间步长设为 6，最大批数设为 32。
在本文中，引入平均绝对百分比误差（MAPE）、均方根误差（RMSE）、平均绝对误差（MAE）来反
映模型的预测效果，以上三个指标参数越小，表明模型的预测效果越好：
n | A - F |
MAPE = 1 å | | i i | | （23）
n i = 1| A i |

n
RMSE = 1 å( A - F ) 2 （24）
n i i
i = 1
n
1 |
MAE = å| A - F （25）
n i i
i = 1
式中：n 为样本个数；A 为监测值；F 为预测值。
i
i
3.3.2 大坝渗压预测结果和影响机制分析 运用本文模型对坝体渗压计 DB-C-P-01 处监测点进行预
测，模型拟定测试集为 2017 年 9 月 18 日至 2018 年 7 月 31 日，预测结果如图 4 所示。
2
从图 4 中可以看出，预测值与实测值的拟合程度较高，其 R 达到了 0.98 以上。进一步地，测试集
的预测性能指标 MAPE、RMSE 和 MAE 分别为 0.28%、0.022 m、0.17 m。由此可见，本文所提模型的
精度较高。
通过特征注意力机制可以得到各个输入向量即主成分分量的影响程度占比，结果如图 5 所示。

图 4 测点 DB-C-P-01 实测值与预测值关系图 图 5 各主成分权重计算结果
从 图 5 可 以 看 出 ， F 占 比 最 大 ， 为 41.1% ，
1
F 占比最小，为 6.31%。主成分分量是通过原始 13.33%
2 48.62%
影响变量的线性变换得到的，所以可以通过主成 18.75%
分得分系数矩阵进行归一化计算得到各个分量的 19.35%
贡献率。各影响分量的权重如图 6 所示。
水位分量 温度分量
从图 6 中可以看出，该测点的渗压水位分量 降雨分量 时效分量
影响较大，占比达到 47.9%，其次是降雨分量，
占比达到 33.5%。温度分量和时效分量对坝体渗 图 6 各个影响分量的权重
压水位的影响程度较小，比重都在 10%以下。

4 模型对比分析

为验证本文所提模型的优越性，本文选择 BP 神经网络、LSTM 、LSTM-Attention 与本文所提模
型进行对比分析。图 7 显示了上述 4 个模型在 DB-C-P-01 测点的预测结果。从图 7 中可以看出，本文
所提模型预测结果更接近渗压实测值。相比于其他三种基于 LSTM 的预测模型，BP 神经网络的拟合

— 409 —