本申請涉及大壩安全監(jiān)控領(lǐng)域，具體而言，涉及一種大壩變形量的預(yù)測方法、系統(tǒng)、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、由于大壩所處環(huán)境的復(fù)雜性以及長期的運行和受力作用，大壩在使用過程中可能會產(chǎn)生變形量，如位移、沉降等。這些變形量可能對大壩的結(jié)構(gòu)安全和穩(wěn)定性產(chǎn)生影響，因此準確預(yù)測大壩的變形量對于確保大壩的安全運行至關(guān)重要。

2、對于大壩變形量的預(yù)測，傳統(tǒng)的預(yù)測方法主要依賴于基于物理原理的數(shù)值模擬，然而由于大壩結(jié)構(gòu)的復(fù)雜性和參數(shù)眾多，這些方法通常需要大量的計算資源和時間，并且在實際應(yīng)用中存在一定的局限性?，F(xiàn)階段雖有將回歸分析和神經(jīng)網(wǎng)絡(luò)應(yīng)用到大壩變形量的預(yù)測中。但是，受制于這些方法本身，常常出現(xiàn)過擬合和特征選擇不確定性等問題。

技術(shù)實現(xiàn)思路

1、本申請的目的在于提供一種大壩變形量的預(yù)測方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，其能夠提高對大壩變形量進行時序預(yù)測的時效性和準確性。

2、本申請是這樣實現(xiàn)的：

3、第一方面，本申請?zhí)峁┮环N大壩變形量的預(yù)測方法，包括以下步驟：

4、獲取大壩監(jiān)測數(shù)據(jù)，上述大壩監(jiān)測數(shù)據(jù)包括目標變形量和多個輸入特征?；趌asso回歸算法對上述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘，得到各個輸入特征與目標變形量對應(yīng)的特征權(quán)重。基于各個輸入特征與目標變形量對應(yīng)的特征權(quán)重，對多個輸入特征進行排序和/或篩選，得到優(yōu)化的輸入特征。將優(yōu)化的輸入特征送入預(yù)置的lstm網(wǎng)絡(luò)的編碼器部分，lstm網(wǎng)絡(luò)的解碼器部分引入注意力機制，用以基于編碼器的輸出以及注意力機制的結(jié)果，對預(yù)測目標變形量進行時序預(yù)測。

5、進一步地，基于前述方案，上述基于lasso回歸算法對上述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘的步驟之前還包括：對上述大壩監(jiān)測數(shù)據(jù)進行歸一化處理，并對歸一化處理后的大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)增廣處理。

6、進一步地，基于前述方案，上述歸一化處理為減去均值并除以標準差；上述數(shù)據(jù)增廣處理包括添加隨機噪聲和/或采用smote過采樣。

7、進一步地，基于前述方案，上述基于lasso回歸算法對上述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘時包括，基于lasso回歸算法利用大壩圖片中目標像素點的地理定位對上述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘，上述大壩圖片是在同一空間位置對不同時間的大壩進行拍攝的圖片。

8、進一步地，基于前述方案，上述將優(yōu)化的輸入特征送入預(yù)置的lstm網(wǎng)絡(luò)的編碼器部分，lstm網(wǎng)絡(luò)的解碼器部分引入注意力機制，用以基于編碼器的輸出以及注意力機制的結(jié)果，對預(yù)測目標變形量進行時序預(yù)測的步驟包括：

9、將優(yōu)化的輸入特征送入多個lstm網(wǎng)絡(luò)的編碼器部分，以得到多個子模型輸出結(jié)果；其中，任一lstm網(wǎng)絡(luò)的初始參數(shù)不同，且任一lstm網(wǎng)絡(luò)的解碼器部分均引入有注意力機制；基于bagging集成學習算法將多個子模型輸出結(jié)果進行集成，得到最終的預(yù)測結(jié)果。

10、進一步地，基于前述方案，上述方法還包括：基于對預(yù)測目標變形量進行時序預(yù)測的處理結(jié)果，繪制目標變形量的真實值與預(yù)測值的對比曲線，以對大壩變形量的預(yù)測情況進行展示。

11、進一步地，基于前述方案，上述lstm網(wǎng)絡(luò)在訓練過程中采用有學習率調(diào)整策略，以根據(jù)訓練的輪數(shù)來動態(tài)調(diào)整學習率，以及使用平均絕對誤差、均方誤差或均方根誤差中的至少一種回歸指標來評估lstm網(wǎng)絡(luò)的預(yù)測效果。

12、第二方面，本申請?zhí)峁┮环N大壩變形量的預(yù)測系統(tǒng)，其包括：

13、數(shù)據(jù)獲取模塊，被配置為：獲取大壩監(jiān)測數(shù)據(jù)，上述大壩監(jiān)測數(shù)據(jù)包括目標變形量和多個輸入特征。數(shù)據(jù)挖掘模塊，被配置為：基于lasso回歸算法對上述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘，得到各個輸入特征與目標變形量對應(yīng)的特征權(quán)重。特征優(yōu)化模塊，被配置為：基于各個輸入特征與目標變形量對應(yīng)的特征權(quán)重，對多個輸入特征進行排序和/或篩選，得到優(yōu)化的輸入特征。形變預(yù)測模塊，被配置為：將優(yōu)化的輸入特征送入預(yù)置的lstm網(wǎng)絡(luò)的編碼器部分，lstm網(wǎng)絡(luò)的解碼器部分引入注意力機制，用以基于編碼器的輸出以及注意力機制的結(jié)果，對預(yù)測目標變形量進行時序預(yù)測。

14、第三方面，本申請?zhí)峁┮环N電子設(shè)備，其包括存儲器，用于存儲一個或多個程序；處理器；當上述一個或多個程序被上述處理器執(zhí)行時，實現(xiàn)如上述第一方面中任一項所述的方法。

15、第四方面，本申請?zhí)峁┮环N計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述第一方面中任一項所述的方法。

16、相對于現(xiàn)有技術(shù)，本申請至少具有如下優(yōu)點或有益效果：

17、本申請?zhí)岢隽艘环N大壩變形量的預(yù)測方法，通過lasso回歸算法可以對數(shù)據(jù)量小且變量較多的大壩監(jiān)測數(shù)據(jù)進行有效的數(shù)據(jù)挖掘處理，防止后續(xù)預(yù)測過程中出現(xiàn)過擬合的情況。接著通過在lstm網(wǎng)絡(luò)的解碼器部分引入注意力機制，而優(yōu)化的輸入特征輸入lstm網(wǎng)絡(luò)的編碼器部分，用以基于編碼器的輸出以及注意力機制的結(jié)果，對預(yù)測目標變形量進行時序預(yù)測。從而，lstm網(wǎng)絡(luò)可以動態(tài)的調(diào)整對不同輸入特征的關(guān)注程度，使其更具針對性地預(yù)測與目標變形量相關(guān)的重要特征，突出關(guān)鍵影響因素，以提高預(yù)測的準確性和穩(wěn)定性。

技術(shù)特征：

1.一種大壩變形量的預(yù)測方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的一種大壩變形量的預(yù)測方法，其特征在于，所述基于lasso回歸算法對所述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘的步驟之前還包括：

3.如權(quán)利要求2所述的一種大壩變形量的預(yù)測方法，其特征在于，所述歸一化處理為減去均值并除以標準差；所述數(shù)據(jù)增廣處理包括添加隨機噪聲和/或采用smote過采樣。

4.如權(quán)利要求1所述的一種大壩變形量的預(yù)測方法，其特征在于，所述基于lasso回歸算法對所述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘時包括，基于lasso回歸算法利用大壩圖片中目標像素點的地理定位對所述大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘，所述大壩圖片是在同一空間位置對不同時間的大壩進行拍攝的圖片。

5.如權(quán)利要求1所述的一種大壩變形量的預(yù)測方法，其特征在于，所述將優(yōu)化的輸入特征送入預(yù)置的lstm網(wǎng)絡(luò)的編碼器部分，lstm網(wǎng)絡(luò)的解碼器部分引入注意力機制，用以基于編碼器的輸出以及注意力機制的結(jié)果，對預(yù)測目標變形量進行時序預(yù)測的步驟包括：

6.如權(quán)利要求1所述的一種大壩變形量的預(yù)測方法，其特征在于，所述方法還包括：

7.如權(quán)利要求1所述的一種大壩變形量的預(yù)測方法，其特征在于，所述lstm網(wǎng)絡(luò)在訓練過程中采用有學習率調(diào)整策略，以根據(jù)訓練的輪數(shù)來動態(tài)調(diào)整學習率，以及使用平均絕對誤差、均方誤差或均方根誤差中的至少一種回歸指標來評估lstm網(wǎng)絡(luò)的預(yù)測效果。

8.一種大壩變形量的預(yù)測系統(tǒng)，其特征在于，包括：

9.一種電子設(shè)備，其特征在于，包括：

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7中任一項所述的方法。

技術(shù)總結(jié)
本申請?zhí)岢隽艘环N大壩變形量的預(yù)測方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，涉及大壩安全監(jiān)控領(lǐng)域。該方法包括：獲取大壩監(jiān)測數(shù)據(jù)，大壩監(jiān)測數(shù)據(jù)包括目標變形量和多個輸入特征；基于Lasso回歸算法對大壩監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘，得到各個輸入特征與目標變形量對應(yīng)的特征權(quán)重；基于各個輸入特征與目標變形量對應(yīng)的特征權(quán)重，對多個輸入特征進行排序和/或篩選，得到優(yōu)化的輸入特征；將優(yōu)化的輸入特征送入預(yù)置的LSTM網(wǎng)絡(luò)的編碼器部分，LSTM網(wǎng)絡(luò)的解碼器部分引入注意力機制，用以基于編碼器的輸出以及注意力機制的結(jié)果，對預(yù)測目標變形量進行時序預(yù)測。該方案能夠提高對大壩變形量進行時序預(yù)測的時效性和準確性。

技術(shù)研發(fā)人員：劉康,胡超,遲洪有,甘孝清,張啟靈,胡蕾,楊勝梅,譚勇,李波,位需貝,陳麗,洪力旸,高曉峰,秦朋,田亞嶺
受保護的技術(shù)使用者：長江水利委員會長江科學院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9