(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210620446.9 (22)申请日 2022.06.02 (71)申请人 常州大学 地址 213164 江苏省常州市武进区滆湖中 路21号 (72)发明人 王少伟　徐丛　刘毅　顾昊　徐波　 胡坤　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 邵斌 (51)Int.Cl. G06F 30/13(2020.01) (54)发明名称 一种提高拱坝位移预测模型性能的组合建 模方法 (57)摘要 本发明公开了拱坝位移监控技术领域的一 种提高拱坝位移预测模型性能的组合建模方法； 包括采集拱坝位移和环境量监测数据， 以监测数 据中的位移因果分量为输入， 拱坝实测位移为输 出， 建立用于拱坝位移预测的MLR子模型， 定义为 第一类子模 型， 并采用融合拱坝 多测点位移时变 规律一致性程度尽可能大目标的改进参数优化 法， 分别建立用于 拱坝位移预测的NN、 ELM、 SV M和 RVM机器学习子模型， 定义为第二类子模型； 根据 各子模型的评价指标和改进参数优化法， 建立五 型、 四型、 三型、 二型组合模型， 比较各组合模型 和预测MSE增比最小的子模型的位移预测精度， 将最优者作为最终的组合预测模 型， 可有效减 轻 机器学习模 型的过拟合程度， 提高了拱坝位移预 测模型的预测精度。 权利要求书2页 说明书9页 附图4页 CN 115017582 A 2022.09.06 CN 115017582 A 1.一种提高拱坝位移预测模型性能的组合建模方法， 其特 征在于， 包括： 采集拱坝位移和环境量监测数据， 以监测数据中的位移因果分量为输入， 拱坝实测位 移为输出， 建立用于拱坝位移预测的MLR子模型， 定义为第一类子模型， 并采用改进参数优 化法分别建立用于拱坝位移预测的NN机器学习子模型、 ELM机器学习子模型、 SVM机器学习 子模型和RVM 机器学习子模型， 定义 为第二类子模型； 统计建立的用于拱坝位移预测的各子模型的评价指标， 对评价指标中的预测MSE增比， 按照其值的大小 进行排序； 选取第二类子模型中预测MSE最小者所用机器学习方法分别建立五型、 四型、 三型和二 型组合模型， 其中五型组合模型 的输入为五个子模型 的输出， 五型组合模型 的输出为拱坝 实测位移； 剔除五个子模型中预测MSE增比最大者， 利用剩余四个子模型建立四型组合模型， 其中 四型组合模型 的输入为剩余四个子模型 的输出， 四型组合模型的输出为拱坝实测位移； 同 理， 分别建立 三型组合模型和二型组合模型； 比较五型组合模型、 四型组合模型、 三型组合模型、 二型组合模型和预测MSE增比最小 的子模型的位移预测精度， 将最优者作为 最终的组合预测模型， 用于拱坝位移的预测。 2.根据权利要求1所述的提高拱坝位移预测模型性 能的组合建模方法， 其特征在于， 所 述改进参数优化法是将 机器学习模 型参数优化中原拟合MSE最小目标， 调整为拟合MS E尽可 能小且拱坝多测点位移时变规律一致性程度尽可能大， 其目的是避免仅依赖数学角度的约 束条件， 增 加工程结构角度的约束条件， 以减轻机器学习模型的过拟合 程度； 包括： 步骤A1： 通过滑动窗口法提取位移时间序列的时变规律信息； 对于给定测点i的位移时 间序列δit， 设定窗口长度和滑动步长分别为w和s， 从δi1开始， 由左到右提取滑动窗口中每 个子序列的时变趋势， 如下 所示： Δi,t＝ δi,t+w‑1‑δi,t,1≤t≤T ‑w+1          (1) 其中， i为测点序号， t为 监测时间， T为固定取样频率下位移测点的监测数据样本总数； 然后， 定义如下 所示的时变规 律信息表征函数： 原位移时间序列 δit的时变规律信息则可由包含 ‑1、 0、 1的向量Si来描述， 对于两个长度 相同的位移时间序列 δit和 δjt， 两者的时变规 律一致性程度CDTij可表示为： 其中， 为Si的转置向量， i和j为测点序号。 步骤A2： 通过加权叠加法， 计算拟建模位移测点与拱坝同一分区内其它所有位移测点 的整体CDTi； 按照两测点之间时变规律一致性程度越高， 相应权重越大的原则， 融合权重 ωij可定义为：权　利　要　求　书 1/2 页 2 CN 115017582 A 2其中， N为同一分区内的同类位移测点总数； 进而， i测点与所在分区内所有测点 位移时变规 律的整体一 致性程度定义 为： 步骤A3： 构 建改进参数优化法中的目标函数； 引入新的目标CDT， 为保证拟合MSE尽 可能 小， 而CDT尽可能大， 要对CDT取倒 数处理， 即RC＝1/CDT， 由于二者量纲不一致， 还需分别进 行归一化处理： 其中， MSEmax、 MSEmin、 RCmax和RCmin分别为参数优化范围内拟合MSE和RC的最大和最小值； 综上， 改进参数优化法中的目标函数定义 为： 其中， θ 为多测点 位移时变规 律一致性目标CDT的权 重； 步骤A4： 利用改进参数优化法， 优化第二类子模型的关键参数； 其中， NN机器学习子模 型和ELM机器学习子模型的关键参数为神经元数 目， SVM机器学习子模型和RVM机器学习子 模型的关键参数为 惩罚因子和核函数参数。 3.根据权利要求2所述的提高拱坝位移预测模型性 能的组合建模方法， 其特征在于， 步 骤A2中拱坝同一分区是指根据拱坝坝体所有同类位移监测点的位移时间序列， 按照常规的 基于增量距离的聚类分区方法， 将测点划分为不同的类别， 然后用同一聚类中的所有测点 计算时变规 律的整体一 致性程度。 4.根据权利要求2所述的提高拱坝位移预测模型性 能的组合建模方法， 其特征在于， 步 骤A2和步骤A3在 按照步骤A1提取拟建模测点位移时间序列的时变规律信息时， 步骤A2中所 用位移时间序列均为实测位移时间序列； 步骤A3中， 建模测点采用机器学习模型输出 的拟 合位移时间序列， 其它测点采用实测位移时间序列。 5.根据权利要求1所述的提高拱坝位移预测模型性 能的组合建模方法， 其特征在于， 所 述评价指标包括均方误差MSE、 最大误差的绝对值MAE、 复相关系 数R2、 预测MSE增比； 其中， MSE越小， 表明位移 监测值与模 型预测值之间的整体误差越小； MAE数值越小， 表明预测结果 越稳定； R2数值越接近1， 表明两者相关性越高； 预测MSE增比表征模型的过拟合程度， 数值 越大， 表明过拟合 程度越严重 。 6.根据权利要求1所述的提高拱坝位移预测模型性 能的组合建模方法， 其特征在于， 建 立五型组合模型、 四型组合模型、 三型组合模型、 二型组合模型时， 均采用改进参数优化法 来优化机器学习组合模型中的关键参数。权　利　要　求　书 2/2 页 3 CN 115017582 A 3