针对大坝位移时间序列预测的精细调优非线性自回归循环神经网络模型 Vuka?in ?irovi?, Vesna Rankovi?, Nikola Milivojevi?, Vladimir Milivojevi? 以及 Brankica Majki?-Dursun

《Machine Learning and Knowledge Extraction》：Fine-Tuned Nonlinear Autoregressive Recurrent Neural Network Model for Dam Displacement Time Series Prediction Vuka?in ?irovi?, Vesna Rankovi?, Nikola Milivojevi?, Vladimir Milivojevi? and Brankica Majki?-Dursun

　　

摘要

水坝监测数据属于非线性且非平稳的时间序列。大多数现有的基于数据的水坝位移模型都是针对每个测量点单独开发的，忽略了水坝是由多个相互连接的部件组成的复杂整体这一事实。无论水坝类型如何，水坝上的所有点都受到相同的外部环境影响。为了解决不同点位移时间序列之间的相关性，本文提出了一种基于长短期记忆网络（LSTM）的精细调整深度学习非线性自回归（NAR）模型，用于预测水坝的切向位移，并提出了一种新的方法来生成训练基础模型的数据。该模型针对三个测量点进行了开发，并使用超过十二年的实验数据进行了测试。与未经精细调整的模型相比，所提出的方法在训练集上的平均均方误差（MSE）降低了80.68%，在测试集上降低了65.79%；平均绝对误差（MAE）分别降低了51.05%和52.62%。此外，所提出的模型在水坝位移预测方面的性能优于随机森林（RF）、支持向量回归（SVR）和多层感知器（MLP）模型。