背景技术：
1、大坝是水资源管理的基础设施，具有防洪、灌溉、供水等功能。然而，溃坝会给库区造成财产损失和人员伤亡。因此，为了保证大坝的安全运行，监测大坝变形数据至关重要。用于大坝变形预测的常用统计模型有多元线性回归(mlr)和逐步回归(sr)。这些方法以其简单、可解释和快速的结果在实际水利工程中得到了广泛的应用。然而，大坝是一个复杂的动力系统，其变形值综合反映了大坝的工作状态。因此，由于各种结构和环境因素的影响，大坝具有非线性、不确定性和时滞性。然而，传统的统计模型本质上是线性回归，不适合建立高维关系。这大大降低了统计模型的预测精度和稳健性。
2、随着人工智能算法的不断进步，研究人员逐渐将机器学习与大坝变形预测模型相结合。在许多情况下，与数学统计模型相比，使用机器学习算法构建的预测模型具有显著提高的性能和鲁棒性。然而，大坝变形是一个实时的动态过程，受时间和环境因素的影响。通常，基于机器学习的模型不依赖于时间。因此，将大坝变形预测视为静态回归问题忽略了模型构建过程中时间的影响。深度学习的发展极大地弥补了传统机器学习的不足。与基于机器学习的模型相比，具有多网络层的深度学习方法提高了预测精度和非线性映射能力。此外，递归神经网络(rnn)和长短期记忆(lstm)网络可以熟练地处理多变量时间序列问题。rnn可以在预测过程中传输从目标序列中提取的时间信息。同时，lstm及其变体网络模型通过细粒度门控机制引入了额外的操作，纠正了梯度消失问题。此外，lstm网络可以充分捕捉数据中的非线性趋势、相关性和时间特征。近年来，研究人员将lstm应用于大坝变形预测取得了满意的结果。
3、然而，使用单一lstm模型会导致几个主要问题，包括收敛速度慢，学习效率低，并且容易陷入局部最优。此外，尽管lstm网络擅长提取与时间相关的相关性，但它们无法解释包含多个影响因素的长期大坝位移序列。lstm网络通常将所有输入序列转换为定长向量。这损害了向量表示在多个时间步骤中倾向于特定时间节点的有效性，特别是当时间序列具有不一致和不规则间隔的特征时。为了缓解这一问题，在基于lstm的模型中加入了注意机制。这种机制模拟了人类大脑视觉注意力的分布，能够自适应地从大量的输入特征中选择更相关的信息。它使用注意权重来强调序列中不同时间步骤的重要性。lai等使用包含自注意机制的lstm网络构建了一个预测模型。该复合模型在预测精度上优于独立lstm模型。结果表明，自注意机制有效地提高了lstm模型处理长期监测数据的性能。
4、如前所述，大坝变形受多种环境影响。这些影响往往是无形的和可变的，使大坝的变形过程复杂而动态。为了解决这一问题，提出了一种基于分解集成的混合预测模型。与单一预测模型相比，这种混合模型能够捕捉数据特征并结合两个或多个模型的优势。它目前也被广泛应用于复杂系统的预测。这些模型通常利用信号分解和重建技术来剖析非线性和非平稳预测序列。然后，对每个分解后的子序列进行预测，并对预测结果进行组合。该方法旨在使模型具备捕获多尺度数据的能力，从而降低与预测任务相关的复杂性。具体而言，hao等提出了一种基于经验模态分解(emd)和lstm的分解-集成模型。此外，wang等提出了一种基于自适应噪声的完全集成经验模态分解(ceemdan)和lstm的分解集成模型。结果表明，所提出的混合模型优于传统神经网络和单一模型。ceemdan方法在emd、系综经验模态分解(eemd)和互补系综经验模态分解(ceemd)的基础上进行了改进。它可以避免信号分解过程中的退化和误差传播问题。近年来，ceemdan被广泛应用于开发各种时间序列预测模型。这些研究表明ceemdan可以有效地处理时间序列数据，提高模型的预测精度和性能。
技术实现思路
1、本发明要解决的技术问题是，在时间序列不一致和不规则间隔时时，设计一种能充分捕捉大坝变形数据中多尺度特征信息与时间序列隐藏信息的大坝变形预测方法。
2、为实现上述目的，本发明提供了一种基于ceemdan-self-attention-lstm的大坝变形预测方法。该方法旨在利用self-attention-lstm强大的时间序列信息捕捉能力，以有效提取大坝变形时间序列特征，并通ceemdan的多模态分解重构能力，提取多尺度信息，降低预测任务的复杂度，从而提高预测模型的预测精度。
3、本发明所采用的技术方案是：一种基于ceemdan-self-attention-lstm的大坝变形预测模型，包括ceemdan模块、self-attention-lstm模型。
4、所述ceemdan模块用于将大坝变形数据分解为多个固有模态函数(imf)作为模型训练的标签分别进行模型训练；
5、所述self-attention-lstm模型中的lstm神经网络层用于处理多变量时间序列问题，捕捉数据中的非线性趋势、相关性和时间特征；
6、所述self-attention-lstm模型中的自注意力机制用于使用注意权重来强调序列中不同时间步之间的重要性，缓解当时间序列具有不一致和不规则间隔时lstm容易忽略特定时间节点信息的问题。
7、本方案提出了一种基于ceemdan-self-attention-lstm模型的大坝变形预测方法。通过在self-attention-lstm中集成ceemdan算法，对大坝变形数据进行分解重构，降低了任务复杂度；使用多层lstm神经网络结构处理大坝变形预测多变量时间序列问题，捕捉变形数据中的非线性趋势、相关性和时间特征；并在此基础上引入自注意力机制，通过分配注意权重来使模型强化学习在时间序列具有不一致和不规则间隔时lstm容易忽略的特定时间节点信息。综上所述，本方案能够降低大坝变形预测任务的复杂度，提取多尺度变形信息，捕捉变形数据中的非线性趋势、相关性和时间特征，同时捕捉在时间序列具有不一致和不规则间隔时容易被忽略的特定时间节点信息。
1.一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征在于,包括以下这些步骤：
2.根据权利要求1所述的一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征是，所述步骤(1)将大坝变形数据与环境量整理为基于时间序列的大坝变形数据集包括：由于各环境量与大坝变形数据采集频率不同，根据各数据的采集时间序列分布稀疏度得到统一时间尺度下的数据，并整理为数据集。
3.根据权利要求1所述的一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征是，所述步骤对(2)数据集中的所有数据进行标准化处理，标准化处理即为归一化处理，其表达式为：x’＝(x-xmin)/(xmax-xmin)。
4.根据权利要求1所述的一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征是，所述步骤(3)构建self-attention-lstm大坝变形预测模型，将多个固有模态函数(imf)作为标签、环境量作为特征输入模型进行训练，最后将测试集代入模型进行预测，包括以分解的imf数量n为根据，构建n个self-attention-lstm模型，分别代入环境量与各个imf进行训练得到预测模型，再将测试集代入预测模型得到n个预测imf，逆向使用ceemdan将n个预测imf集成为最终的大坝变形预测值。
5.根据权利要求4所述的一种基于ceemdan-self-attention-lstm的大坝变形预测方法，其特征在于：所述构建的self-attention-lstm大坝变形预测模型，其结构与功能为：第一层lstm神经网络层，从每个时间序列特征向量中提取特征信息。第二层是自关注层，计算每个时间序列特征向量应该加的权重。第三层是另一个的lstm神经网络层，它完全学习具有复杂时间数据相关性的变形与每个输入时间序列的特征向量之间的非线性关系。最后，第四层是一个完全连接层，它将前一层的所有神经元与下一层的神经元连接起来，进行输入数据的全局处理和输出结果的计算。作为最后一层，它将输入数据从高维映射到低维，并输出结果。
