典型文献
基于时序分解与机器学习的渡槽变形预测
文献摘要：
南水北调工程中渡槽的安全监测对保证其长距离输水的稳定具有重要的意义.为解决目前渡槽变形预测中原型观测资料挖掘不充分的问题和进一步提升预测的精度,本文提出了一种基于时序分解和机器学习的渡槽变形预测方法.该方法首先使用奇异谱分析法将渡槽变形监测数据分解为周期分量、趋势分量和剩余分量三部分,使用核极限学习机对周期分量和趋势分量进行预测,使用长短期记忆网络结合相空间重构理论建立剩余分量的预测模型,将预测结果叠加,建立渡槽变形组合预测模型.以双洎河支渡槽的变形监测数据为例,验证了该模型的性能.结果表明,所提出的组合预测模型具有较高的精度,并且具有一定的鲁棒性,为渡槽的安全监测提供了新的技术方法.
文献关键词：
渡槽;变形预测;时间序列分解;奇异谱分析;核极限学习机;长短期记忆网络
中图分类号：
作者姓名：
赵鹏远;王仁超;马钰明
作者机构：
天津大学 水利工程仿真与安全国家重点实验室,天津 300072
文献出处：
引用格式：
[1]赵鹏远;王仁超;马钰明-.基于时序分解与机器学习的渡槽变形预测)[J].水力发电学报,2022(02):102-112
A类：
奇异谱分析法
B类：
时序分解,渡槽,变形预测,南水北调工程,安全监测,长距离输水,解决目前,原型观测,观测资料,变形监测数据,数据分解,三部分,核极限学习机,长短期记忆网络,相空间重构,组合预测模型,双洎河,时间序列分解
AB值：
0.229591
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
