融合空间关联性的特高拱坝位移概率性预测模型

摘要

基于机器学习语言建模时,传统方法仅以拟合均方误差(mean square error,MSE)最小为单一优化目标,容易引起过拟合问题。对此,基于关联向量机(relevance vector machine,RVM),建立了融合变形空间关联性的双优化目标约束下的概率性预测模型。利用形状相似度(shape similarity index,SSI)对拱坝变形的空间关联性进行量化,并将单测点MSE和区域变形SSI相融合,共同作为RVM模型的训练优化目标,以期实现MSE尽可能小,而SSI尽可能大。以锦屏一级拱坝为例,预测均方根误差和最大误差的平均降幅分别为31.2%和24.8%,使用多核函数之后,模型预测性能进一步提升;RVM模型的预测置信带宽明显小于多元回归模型,平均降幅为75.1%,这表明双目标RVM模型可有效提升特高拱坝位移预测的精度和稳定性,并降低不确定性。