HCM-PSO-GRU组合预测模型在大坝变形预测中的应用

摘要

鉴于传统统计模型未能充分挖掘各监测变量在空间和时间。上的相关性,构建了HCM-PSO-GRU组合预测模型预测混凝土坝变形,该模型利用基于Ward准则的系统聚类法(HCM)分析混凝土坝监测数据的空间聚集情况,对变形及温度进行分组作为模型变量,并基于粒子群算法(PSO算法)参数优化后的门限循环神经网络(GRU)在处理复杂时间序列数据问题的优势,对混凝土坝变形进行多步预测。对某混凝土重力拱坝变形的多步预测结果表明,HCM-PSO-GRU组合预测模型能准确地反映监测数据变化趋势,且模型的预测精度较高。