典型文献
联合时序分解和深度学习的高土石坝变形预测
文献摘要：
针对高土石坝变形监测时间序列复杂的非线性、非平稳性等特点,提出了一种沉降变形预测的组合方法,可更好兼顾土石坝变形的长期发展趋势和波动特性.利用基于局部加权回归的季节性趋势分解法将变形监测历史数据分为趋势、周期和残差分量;采用长短期记忆神经网络模型分别学习趋势、周期和残差序列趋势特征并预测,汇总各分量预测结果得到大坝位移的预测值.为定量评价和比较预测结果,引入三个评价指标,并将预测结果与季节性差分自回归滑动平均模型、长短时记忆神经网络模型及其组合模型的预测结果进行对比分析.本文联合时序分解和深度学习的组合模型具有更高的预测精度和较好的稳定性,能够较好体现土石坝变形的长期趋势和随水位的波动特性.
文献关键词：
高土石坝;变形预测;组合模型;季节趋势分解;深度学习
中图分类号：
作者姓名：
侯伟亚;温彦锋;邓刚;张延亿;陈辉
作者机构：
中国水利水电科学研究院 流域水循环模拟与调控国家重点实验室,北京 100038
文献出处：
引用格式：
[1]侯伟亚;温彦锋;邓刚;张延亿;陈辉-.联合时序分解和深度学习的高土石坝变形预测)[J].水力发电学报,2022(03):123-132
A类：
B类：
时序分解,高土石坝,土石坝变形,变形监测,非平稳性,沉降变形预测,组合方法,长期发展,波动特性,局部加权回归,分解法,历史数据,长短期记忆神经网络模型,残差序列,趋势特征,大坝,定量评价,差分自回归滑动平均模型,长短时记忆神经网络,组合模型,文联,长期趋势,季节趋势分解
AB值：
0.261394
相似文献
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。
