Page 49 - 2024年第55卷第9期

作用，移除任一个因子均会导致性能降低。（２）物理意义。时效分量可体现大坝变形的长期趋势性变
化特征，综合反映坝体混凝土和岩基徐变、黏弹性变形、岩基地质构造压缩变形及自生体积变形等。
其在蓄水期由于水位升高较快而发展较快，可能是由于受水位剧烈波动的影响导致发生蠕变变形、可
恢复徐变等 ［２７］ ，而后随着运行年限的增加逐渐放缓。本文所选数据序列处于稳定运行期，时效变形随
着时间的发展已趋于收敛，因此就变形物理意义及模型性能而言，最终未选择时效分量。
３．４ 不同时间窗步数比选 超参数的设定对 ＢｉＬＳＴＭ模型的构建十分关键，合适的学习率可以提高模
型学习速度与精度，避免无法有效提取数据特征及无法收敛的问题。全连接层可综合所有信息、提取
全范围特征，并将输出转化为指定维数，故在最终输出中设为 １。输入层维数为经特征选择后筛选出
的特征集维数。由于大坝变形数据序列具有滞后性与周期性，故需要设置输入层时间窗步数 ｆ来综合
考虑大坝变形规律，本文分别以 １、３、５、７为时间窗步数建立模型进行滚动预测并进行对比以确定最
佳时间窗步数，学习率均为 ０．０１，以 ＭＳＥ作为损失函数进行编译。预测对比结果如图 ６所示。由误差指
标可知，当时间窗步数为 ５时具有更好的预测精度和稳定性，相较于对照模型，其均方根差（ＲＭＳＥ）分
别改善了 １３．５７％、４．４５％、９．７５％；由图 ６（ｂ）可知本文模型残差均较小且基本集中在 ０附近。

图 ６ 不同时间步组合下预测对比结果

３．５ 预测结果
３．５．１ 与组合方法比较 为分析比较本文构建的大坝变形预测模型的性能，将本文模型（Ｐｒｏｐｏｓｅｄ）、
ＢｉＬＳＴＭ、递归特征选择 ＢｉＬＳＴＭ（简称 ＲＦＥＣＶ － ＢｉＬＳＴＭ）、ＧＷＯ优化分解降噪 ＢｉＬＳＴＭ（简称 ＧＴＣ － ＢｉＬ
ＳＴＭ）与阈值分解降噪 ＢｉＬＳＴＭ（简称 ＴＣＲ － ＢｉＬＳＴＭ）进行对比，其中 ＢｉＬＳＴＭ 与 ＧＴＣ － ＢｉＬＳＴＭ 输入原始
因子集，ＲＦＥＣＶ － ＢｉＬＳＴＭ与 ＴＣＲ － ＢｉＬＳＴＭ输入经特征选择筛选后的特征子集。预测对比结果如图 ７与
表 ３所示。由对比结果可知，本文模型相较于其他组合方法，其 ＲＭＳＥ分别改善了 ４３．９２％、１５．９７％、
２７．０８％、１１．９４％。原始 ＢｉＬＳＴＭ虽然可以捕捉局部时间特征，但由于长时序数据的季节性、波动性等
特征与其自身循环性质，导致其并不能有效提取输入数据的信息特征，预测性能将会降低；ＲＦＥＣＶ －
ＢｉＬＳＴＭ相较原始 ＢｉＬＳＴＭ预测精度明显提高，表明经过特征选择后可以最大限度的提取出反映变形规
律的最优特征集合；ＧＴＣ － ＢｉＬＳＴＭ相较原始 ＢｉＬＳＴＭ 预测精度同样明显提高，表明噪声信号的存在将
会降低模型对于时序数据真实特征的学习效果；ＴＣＲ － ＢｉＬＳＴＭ相较原始 ＢｉＬＳＴＭ 预测精度的提高最为
显著，但与本文模型仍有差距，表明经 ＧＷＯ参数寻优后，不仅解决了参数标定问题，而且可以有效
保证信号分解、降噪的优良效果。
３．５．２ 与对照预测模型比较 为分析本文所建模型预测功能的普适性与有效性，选择广泛用于各领域
且效果较好的集成学习 Ｓｔａｃｋｉｎｇ、随机森林（ＲＦ）、随机梯度下降（ＳＧＤ）、支持向量机（ＳＶＲ）及极端梯
度提升（ＸＧＢｏｏｓｔ）等算法建立大坝变形预测的对照模型，同时采用本文模型与对照模型针对相同时段
ＰＬ９ － ３、ＰＬ１９ － ２、ＰＬ５ － ２三个测点所得监测位移序列进行预测模型的检验，针对各测点所建模型的预
测对比结果、残差分布箱型图与评价指标雷达图如图 ８—１０所示。由图 ８与图 １０可知，基于本文方法
构建的各测点变形预测模型的预测值均与实测值的变化规律保持一致，且由评价指标可以看出本文模

５
— １ ０ ４ —