摘要：针对目前大坝渗压预测研究大多未区分影响因素对渗压不同特征成分贡献的差异，降低了模型的可解释性，且现有的预测模型大多采用单一算法，存在难以区分具有高度非线性和非稳态混合特征的渗流压力序列模式等问题，本文提出一种基于STL分解和集成学习策略的渗压可解释混合预测模型。该模型首先采用时间序列分解（seasonal-trend decomposition procedure based on loess，STL）将原始渗压时间序列分解为季节项、趋势项和余项，以避免现有模型在渗流压力预测中模式混淆的不足；然后，不同成分的变化特征可通过由多策略改进麻雀搜索算法（MSISSA）优化的核极限学习机（KELM）和卷积神经网络组合门控递归单元（CNN-GRU）组成的集成学习模型来识别；此外，还采用单次单因子法（OFAT）分析影响因素对渗流压力不同特征成分的贡献，从而改变输入因素的权重，成功提高了模型的可解释性。工程案例分析结果表明，在确保模型可解释性的同时，所提出的混合模型与基于单一算法的模型相比，预测精度平均提高了48.44%，与其它集成预测模型相比，预测精度平均提高了11.42%，验证了所提模型的有效性，为大坝渗流安全监控提供了新的建模方法。
文章目录
0 引言
1 研究框架
2 基于STL分解和集成学习的大坝渗压混合预测模型
2.1 STL分解
2.2 基于MSISSA-KELM和CNN-GRU的集成预测模型
2.2.1 多策略改进的麻雀搜索算法优化的核极限学习机模型（MSISSA-KELM）
2.2.2 CNN-GRU 模型
2.2.3 单次单因子（OFAT）分析
2.3 大坝渗压混合预测模型实现流程
3 案例分析
3.1 渗压数据STL分解
3.2 分解渗压序列的预测与分析
4 讨论
4.1 不同渗压分量预测模型的合理性分析
4.2 STL分解和集成学习策略有效性的比较分析
4.3 MSISSA-KELM模型有效性比较分析
4.4 CNN-GRU模型的有效性比较分析
5 结论
