Page 43 - 2025年第56卷第7期

SSA-BiGRU 模型预测效果均优于其他 4 个模型，4 个测点的预测精度均高于 0.95，说明其具有良好的
鲁棒性。相比 LSTM 模型，BiGRU 模型的误差降低程度均超过 18%，在 UP13 测点表现显著，MAPE、
MAE 和 RMSE 分别降低了 88%、88.11%、88.71%。与 AM-LSTM 模型相比，AM-BiGRU 在各测点的预
测性能均有较大提升，RMSE 分别降低了 27.45%、61.93%、74.09%、89.87%。BiGRU 凭借其双向信息
捕捉能力和简化的模型结构，更全面地捕捉了数据中的时序依赖关系并降低了过拟合风险，表现出更
优的模型性能。此外，相较于 BiGRU 模型，AM-BiGRU 在 4 个测点的预测精度进一步提升，R 均高于
2
0.9，MAPE 分别降低了 7.79%、43.67%、39.19%、27.79%。这是由于 AM 的引入加强了模型对局部特
征的挖掘能力，更有效地捕捉了渗流数据中的关键信息，从而获得更准确的预测结果。

图 6 不同模型在 4 个测点上的预测效果对比

图 7 各测点不同模型的评价指标对比
同时可知，模型超参数的确定对模型性能具有显著影响。如 UP3 测点，AM-BiGRU 和 BiGRU 两个
模型在 2008/7/1—2008/11/1 的预测效果不理想，很大程度上是由于模型的超参数尚未达到最佳状态。
而 利 用 SSA 进 行 超 参 数 寻 优 的 AM-SSA-BiGRU 模 型 展 现 了 优 越 的 预 测 性 能 ， 其 R 比 AM-BiGRU、
2
BiGRU 模型分别提高了 8.8%、12.5%，实测值与预测值间的偏离程度也有所降低，MAPE 的降低程度
为 65.33%、68.03%，MAE 的降低程度为 65.51%、68.22%，RMSE 的降低程度为 64.05%、67.95%。
为进一步验证本文所建模型的噪声鲁棒性，分别向实测数据中添加均值为 0、标准差为 0.1 的高斯
噪声和噪声概率为 0.05 的椒盐噪声，对模型性能变化进行对比评估。图 8 为 AM-SSA-BiGRU 模型鲁棒
性检验结果；其中，左图为 UP3、UP6 测点原测点数据预测结果、增加噪声数据预测结果及实测值的
对比，右图为相应的模型指标结果对比。可以看出，本文所建模型在添加不同噪声的数据集上仍有较
高预测精度和较小预测误差，具有较好的鲁棒性和稳定性。

— 869 —