深度学习在大坝变形预测中的应用研究

摘要：

大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要.本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.3925、0.5737、1.2987;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R2系数分别为0.9323、0.8221、0.2477.从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索.

关键词：神经网络、LSTM、NAR、ARIMA

所属期刊栏目：43

分类号：P25;TB22(专业测绘)

在线出版日期：2020-04-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：201-203,207