一种大坝变形量的预测方法、系统、设备及存储介质

本申请涉及大坝安全监控领域，具体而言，涉及一种大坝变形量的预测方法、系统、设备及存储介质。

背景技术：

1、由于大坝所处环境的复杂性以及长期的运行和受力作用，大坝在使用过程中可能会产生变形量，如位移、沉降等。这些变形量可能对大坝的结构安全和稳定性产生影响，因此准确预测大坝的变形量对于确保大坝的安全运行至关重要。

2、对于大坝变形量的预测，传统的预测方法主要依赖于基于物理原理的数值模拟，然而由于大坝结构的复杂性和参数众多，这些方法通常需要大量的计算资源和时间，并且在实际应用中存在一定的局限性。现阶段虽有将回归分析和神经网络应用到大坝变形量的预测中。但是，受制于这些方法本身，常常出现过拟合和特征选择不确定性等问题。

技术实现思路

1、本申请的目的在于提供一种大坝变形量的预测方法、系统、设备及存储介质，其能够提高对大坝变形量进行时序预测的时效性和准确性。

2、本申请是这样实现的：

3、第一方面，本申请提供一种大坝变形量的预测方法，包括以下步骤：

4、获取大坝监测数据，上述大坝监测数据包括目标变形量和多个输入特征。基于lasso回归算法对上述大坝监测数据进行数据挖掘，得到各个输入特征与目标变形量对应的特征权重。基于各个输入特征与目标变形量对应的特征权重，对多个输入特征进行排序和/或筛选，得到优化的输入特征。将优化的输入特征送入预置的lstm网络的编码器部分，lstm网络的解码器部分引入注意力机制，用以基于编码器的输出以及注意力机制的结果，对预测目标变形量进行时序预测。

5、进一步地，基于前述方案，上述基于lasso回归算法对上述大坝监测数据进行数据挖掘的步骤之前还包括：对上述大坝监测数据进行归一化处理，并对归一化处理后的大坝监测数据进行数据增广处理。

6、进一步地，基于前述方案，上述归一化处理为减去均值并除以标准差；上述数据增广处理包括添加随机噪声和/或采用smote过采样。

7、进一步地，基于前述方案，上述基于lasso回归算法对上述大坝监测数据进行数据挖掘时包括，基于lasso回归算法利用大坝图片中目标像素点的地理定位对上述大坝监测数据进行数据挖掘，上述大坝图片是在同一空间位置对不同时间的大坝进行拍摄的图片。

8、进一步地，基于前述方案，上述将优化的输入特征送入预置的lstm网络的编码器部分，lstm网络的解码器部分引入注意力机制，用以基于编码器的输出以及注意力机制的结果，对预测目标变形量进行时序预测的步骤包括：

9、将优化的输入特征送入多个lstm网络的编码器部分，以得到多个子模型输出结果；其中，任一lstm网络的初始参数不同，且任一lstm网络的解码器部分均引入有注意力机制；基于bagging集成学习算法将多个子模型输出结果进行集成，得到最终的预测结果。

10、进一步地，基于前述方案，上述方法还包括：基于对预测目标变形量进行时序预测的处理结果，绘制目标变形量的真实值与预测值的对比曲线，以对大坝变形量的预测情况进行展示。

11、进一步地，基于前述方案，上述lstm网络在训练过程中采用有学习率调整策略，以根据训练的轮数来动态调整学习率，以及使用平均绝对误差、均方误差或均方根误差中的至少一种回归指标来评估lstm网络的预测效果。

12、第二方面，本申请提供一种大坝变形量的预测系统，其包括：

13、数据获取模块，被配置为：获取大坝监测数据，上述大坝监测数据包括目标变形量和多个输入特征。数据挖掘模块，被配置为：基于lasso回归算法对上述大坝监测数据进行数据挖掘，得到各个输入特征与目标变形量对应的特征权重。特征优化模块，被配置为：基于各个输入特征与目标变形量对应的特征权重，对多个输入特征进行排序和/或筛选，得到优化的输入特征。形变预测模块，被配置为：将优化的输入特征送入预置的lstm网络的编码器部分，lstm网络的解码器部分引入注意力机制，用以基于编码器的输出以及注意力机制的结果，对预测目标变形量进行时序预测。

14、第三方面，本申请提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器；当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项所述的方法。

15、第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。

16、相对于现有技术，本申请至少具有如下优点或有益效果：

17、本申请提出了一种大坝变形量的预测方法，通过lasso回归算法可以对数据量小且变量较多的大坝监测数据进行有效的数据挖掘处理，防止后续预测过程中出现过拟合的情况。接着通过在lstm网络的解码器部分引入注意力机制，而优化的输入特征输入lstm网络的编码器部分，用以基于编码器的输出以及注意力机制的结果，对预测目标变形量进行时序预测。从而，lstm网络可以动态的调整对不同输入特征的关注程度，使其更具针对性地预测与目标变形量相关的重要特征，突出关键影响因素，以提高预测的准确性和稳定性。

技术特征：

1.一种大坝变形量的预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种大坝变形量的预测方法，其特征在于，所述基于lasso回归算法对所述大坝监测数据进行数据挖掘的步骤之前还包括：

3.如权利要求2所述的一种大坝变形量的预测方法，其特征在于，所述归一化处理为减去均值并除以标准差；所述数据增广处理包括添加随机噪声和/或采用smote过采样。

4.如权利要求1所述的一种大坝变形量的预测方法，其特征在于，所述基于lasso回归算法对所述大坝监测数据进行数据挖掘时包括，基于lasso回归算法利用大坝图片中目标像素点的地理定位对所述大坝监测数据进行数据挖掘，所述大坝图片是在同一空间位置对不同时间的大坝进行拍摄的图片。

5.如权利要求1所述的一种大坝变形量的预测方法，其特征在于，所述将优化的输入特征送入预置的lstm网络的编码器部分，lstm网络的解码器部分引入注意力机制，用以基于编码器的输出以及注意力机制的结果，对预测目标变形量进行时序预测的步骤包括：

6.如权利要求1所述的一种大坝变形量的预测方法，其特征在于，所述方法还包括：

7.如权利要求1所述的一种大坝变形量的预测方法，其特征在于，所述lstm网络在训练过程中采用有学习率调整策略，以根据训练的轮数来动态调整学习率，以及使用平均绝对误差、均方误差或均方根误差中的至少一种回归指标来评估lstm网络的预测效果。

8.一种大坝变形量的预测系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

技术总结本申请提出了一种大坝变形量的预测方法、系统、设备及存储介质，涉及大坝安全监控领域。该方法包括：获取大坝监测数据，大坝监测数据包括目标变形量和多个输入特征；基于Lasso回归算法对大坝监测数据进行数据挖掘，得到各个输入特征与目标变形量对应的特征权重；基于各个输入特征与目标变形量对应的特征权重，对多个输入特征进行排序和/或筛选，得到优化的输入特征；将优化的输入特征送入预置的LSTM网络的编码器部分，LSTM网络的解码器部分引入注意力机制，用以基于编码器的输出以及注意力机制的结果，对预测目标变形量进行时序预测。该方案能够提高对大坝变形量进行时序预测的时效性和准确性。技术研发人员：刘康,胡超,迟洪有,甘孝清,张启灵,胡蕾,杨胜梅,谭勇,李波,位需贝,陈丽,洪力旸,高晓峰,秦朋,田亚岭受保护的技术使用者：长江水利委员会长江科学院技术研发日：技术公布日：2024/9/9