Page 36 - 2022年第53卷第4期

精度较差，说明 LSTM 算法更能挖掘渗压监测数据的时序信息。LSTM 模型在 2018 年 4 月到 7 月期间
的精度要劣于其他模型，这是由于 LSTM 模型本身为深度学习模型需要大量数据支持，当数据量过少
时会出现模型过拟合的现象。LSTM-Attention 和本文模型的稳定性较高，由此可以看出加入注意力机
制可以加强对局部特征信息的挖掘。

图 7 4 种模型的预测结果对比

图 8 所示的是 4 种模型的预测性能指标统计结果。从图 8 可以看出，本文提出的模型具有更高的
预测精度，RMSE、MAE、MAPE 值分别为 0.28%、0.022 m、0.17 m。相比于 LSTM-Attention、LSTM
和 BP 三 种 模 型 ， 其 RMSE 分 别 提 高 62.67%、 91.36%和 93.32%； MAE 分 别 提 高 64.52%、 91.06%和
94.57%；MAPE 分别提高 62.5%、91.05%和 94.69%。

本文模型

LSTM-Attention

LSTM

BP

0.00 0.15 0.30 0.45 0.00 0.15 0.30 0.45 0 1 2 3

图 8 4 种模型的预测性能指标

5 结论

大坝渗压预测对大坝安全管控具有重要意义。本文综合考虑大坝渗压效应量存在的时序特性和
多因子影响特性，构建了耦合 ALO-LSTM 和特征注意力机制的土石坝渗压预测模型，得到了如下成果：
（1）针对目前输入向量构建复杂，且存在严重的多重共线性，采用 PCA 算法对影响因子进行降
维，将原始 11 维输入向量重构成 5 维向量，从而消除了原始输入向量中存在的多重共线性。
（2）提出了耦合 ALO-LSTM 和特征注意力机制的预测模型，通过 ALO 算法对 LSTM 的超参数进行
优化有效解决了人工调参困难的问题，并通过特征注意力机制计算各个主成分分量的权重，增强了
模型对输入向量的可解释性。
（3）以西南某土石坝为案例研究，预测结果显示渗压测点的水位分量占比最大，降雨分量次之，
符合工程实际。对比分析表明，本文所提模型相比于 LSTM-Attention、LSTM、BP 神经网络具有更高的
预测精度，其 RMSE、MAE、MAPE 值分别为 0.28%、0.022 m 和 0.17 m。

— 410 —