一种基于改进长短时记忆深度学习模型的大坝渗流预测方法

本发明提出了一种基于改进的长短时记忆深度学习模型的大坝渗流预测方法。首先，通过主成分分析(PCA)法从水文特征、气象特征及其交互特征中挖掘出与大坝渗流强的五大主因素‑上游水位、下游水位、上下游水位差、温度及降雨量，并通过增加是否发生渗流标注信息，共同形成深度学习模型训练和测试所需的时序数据集。其次，构建改进的长短时记忆深度学习模型，该模型的创新点包括二进制与实数分层混合编码的网络模型参数精准初始化、协同精英锦标赛策略选择和动态综合适应度评估的改进精英遗传算法及基于改进精英遗传算法的网络反向传播过程参数学习方法。再次，基于构建的模型和数据集进行模型训练，并完成渗流预测。最后，在实际监测的数据上验证了该发明提出的方法在预测精度和泛化能力上均有较强的优势，为实现大坝渗流智能精准预测具有较强的理论价值。