典型文献
耦合ALO-LSTM和特征注意力机制的土石坝渗压预测模型
文献摘要：
现有土石坝渗压预测模型缺乏对渗压效应量中各影响因子影响程度的定量分析,难以探究渗压效应量变化的内在影响机制.针对此问题,本文从时间维度和特征维度两个层面出发,提出一种耦合ALO-LSTM和特征注意力机制的土石坝渗压预测模型.该模型首先采用主成分分析方法对各个影响因子进行降维处理;然后,提出基于蚁狮优化算法(Ant Lion Optimizer,ALO)的长短时记忆网络(Long Short-Term Memory,LSTM),利用ALO中的随机游走以及轮盘赌等策略优化LSTM中的神经元数量,以捕捉渗压数据在时间维度上的深层信息;进一步地,在特征维度上引入特征注意力机制计算各影响因子对渗压效应量的贡献率,以自适应挖掘渗压效应量变化的内在原因.案例分析表明,本文所提模型具有较高的精度,其在测试样本上的MAPE、RMSE和MAE分别为0.28％、0.022 m和0.17 m;此外,水位分量对渗压效应量的贡献率最大,为47.9％;其次是降雨、温度和时效分量,其贡献率分别为33.5％、9.8％和8.8％.
文献关键词：
渗压预测;长短时记忆网络;特征注意力机制;蚁狮优化算法;主成分分析
中图分类号：
作者姓名：
王晓玲;李克;张宗亮;余红玲;孔令学;陈文龙
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;中国电建集团昆明勘测设计研究院有限公司,云南 昆明 650051
文献出处：
引用格式：
[1]王晓玲;李克;张宗亮;余红玲;孔令学;陈文龙-.耦合ALO-LSTM和特征注意力机制的土石坝渗压预测模型)[J].水利学报,2022(04):403-412
A类：
渗压预测
B类：
ALO,特征注意力机制,土石坝,效应量,时间维度,主成分分析方法,降维处理,蚁狮优化算法,Ant,Lion,Optimizer,长短时记忆网络,Long,Short,Term,Memory,随机游走,轮盘赌,策略优化,内在原因,MAPE,RMSE,MAE,时效分量
AB值：
0.221095
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。
