来源：期刊VIP网 时间：
作者：张晓军;黄昊冉;李明;谷艳昌;郭腾飞;陈斯煜;
单位：山西漳河水务集团有限公司;南京水利科学研究院大坝安全与管理研究所;水利部大坝安全管理中心;
摘要：针对传统统计模型预测精度波动大的问题，以及长短期记忆网络（long short-term memory network, LSTM）预测结果存在时滞性等问题，引入变分模态分解（variational mode decomposition, VMD）对统计模型预测残差进行分解，提出一种基于统计模型、VMD和LSTM网络并联构造的融合模型。该模型首先通过逐步回归模型（stepwise regression model, SRM）获取渗压预测值及残差序列；继而，为充分挖掘残差中的有效信息，采用VMD方法将残差序列自适应分解为多个模态分量；进而，利用LSTM对各分量进行训练后进行预测，得到残差修正值；最终，将SRM的预测值与残差修正值叠加，形成SRM-VMD-LSTM融合预测结果。工程实例表明：该融合模型不仅预测精度较SRM与SRM-LSTM模型明显提高，而且有效缓解了对比模型的时滞问题，在测值出现较大波动时仍展现出优异的动态跟踪能力与稳定性。
关键词：渗流压力预测;;融合模型;;变分模态分解;;LSTM神经网络;;土石坝
基金资助：国家自然科学基金项目(编号：51979175);; 南京水科院基本科研业务费挂帅攻关项目(编号：Y723008);南京水科院基本科研业务费科研创新团队建设项目(编号：Y722003)
