基于FCM-XGBoost的大坝变形预测模型

变形是评价大坝是否安全的重要指标之一。随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂。引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形测点根据变化规律的相似性进行分区,然后针对每个分区建立XGBoost变形预测模型。以拱坝垂线径向变形监测资料为例,验证了聚类结果的可靠性,并将XGBoost变形预测模型结果与随机森林模型结果对比。结果表明,XGBoost模型在数据预处理、建模时间及预测精度上,都体现出更大的优势。     

考虑残差的小波G-Verhulst-ARIMA大坝变形组合预测模型及应用

鉴于传统的统计模型未考虑变形中的随机扰动和混沌现象,借助小波分析、灰色Verhulst模型（G Verhulst）〖JP〗和差分自回归移动平均模型（ARIMA）分析统计模型的残差,以充分挖掘变形观测资料中的数据特性。首先利用小波分析对残差序列去噪,提取出不同频率的信号,然后分别用G Verhulst模型和ARIMA模型进行建模预测,最后将统计模型预测值和残差预测值叠加,建立了一种考虑残差的小波G Verhulst ARIMA大坝变形组合预测模型。实例应用结果表明,与不考虑残差的组合模型及使用GM（1,1）模型（EGM）代替G Verhulst模型的组合模型相比,该模型拟合和预测时的均方误差均小于其他两组模型,有效提高了预测精度,为建立大坝安全监控模型提供了新思路。