Page 49 - 2023年第54卷第7期
P. 49
测。在可灌性预测方面，ＥＢＲＡＨＩＭ 等 ［９］ 使用 Ｑ值、裂隙圆盘半径、节理分布、吕荣值、灌浆深度、
灌浆压力和水灰比实现了可灌性的预测，预测方法选用多元线性回归和神经网络。ＹＡＮＧ等 ［１０］ 使用均
值方法、线性回归方法和 ＢＰ神经网络方法预测可灌性，预测指标包括岩层、大坝基础位置、孔段深
度、灌浆压力和吕荣值。
然而，灌浆流量数据具有强非线性和强波动性的特点，给灌浆流量的精准预测带来了极大挑战。
目前在非线性和波动数据的时序预测处理方面，相关研究 ［１１］ 表明一种 “先分解后集成” 方法能够明
显提高时序预测精度。这种框架的中心思想是将总体的预测指标分解为多个简单的分量，然后分别对
分量进行预测，最后对预测的分量值进行集成形成最终的预测结果。“先分解后集成” 的方法也广泛
应用于能源价格预测 ［１１］ ，风速预测 ［１２］ ，荷载预测 ［１３］ ，生物信号处理 ［１４］ ，故障诊断 ［１５］ ，图像处理 ［１６］
等领域研究。当前研究主流的分解方法主要包括小波变换 ［１７］ ，可变模态分解 ［１８］ 和经验模态分解 ［１９］
等。在经验模态分解算法的改进 方面，整 体 ＥＭＤ（ＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ），
完整 ＥＥＭＤ（ＣｏｍｐｌｅｔｅＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＣＥＥＭＤ），耦合 自适 应噪 声的 ＣＥＥＭＤ
（ＣＥＥＭＤＡＮ）和改进的 ＣＥＥＭＤＡＮ（ＩｍｐｒｏｖｅｄＣｏｍｐｌｅｔｅＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈＡｄａｐ
ｔｉｖｅＮｏｉｓｅ，ＩＣＥＥＭＤＡＮ）在信号分解方面变得非常流行 ［２０］ 。通过这些分解方法，总体指标能够分解成
多个变量，变量包括高频变量和低频变量，分别预测单个变量后集成相比直接预测整体变量能够提高
时序预测精度。
在时序预测算法研究方面，卷积神经网络 － 长短时记忆网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ －Ｌｏｎｇ
Ｓｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ，ＣＮＮ － ＬＳＴＭ）算法作为先进的时序预测方法之一，相关学者进行了广泛研究 ［２１ － ２４］ 。
ＭＩ等 ［２１］ 利用经验模式分解和卷积支持向量机实现了风速的高精度预测；Ｂａｏ等 ［１７］ 提出了一种新的深
度学习框架，通过组合小波变换 （ ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＷＴ）、堆 叠 式 自动 编码 器和 长 － 短期 记 忆网络
（ ＬＳＴＭ）实现股票价格的预测；ＦＵ等 ［２２］ 提出了基于时变滤波器的经验模式组合框架分解、模糊熵理
论、奇异谱分析、相空间重构、采用基于核的极限学习机的复合预测模型以及卷积长短时记忆网络以
及基于突变和层次结构的混合模型以进行风速的精准预测；ＺＨＡＮＧ等 ［２３］ 提出一种融合经验模态分解、
主成分分析和 ＬＳＴＭ的组合模型以进行金融时序数据的预测；ＷＡＮＧ等 ［２４］ 提出了组合经验小波变换、
随机继承公式纠错算法、深度具有变学习率的双向 ＬＳＴＭ神经网络和 Ｅｌｍａｎ递归神经网络的混合模型，
进行原油价格的预测。综上，ＣＮＮ － ＬＳＴＭ时序预测方法能够对波动性较强（噪声较大）的时间序列进行
有效预测，然而该方法无法有效反映时序测点的上下序列测点之间的关系，并且无法一次性输出多个
预测测点数据。循环神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）具有良好的处理上下文的能力，利用
循环神经网络（ ＲＮＮ）等语言翻译算法在时间序列预测方面也表现出广阔的前景 ［２５］ 。ＲＡＨＭＡＮ等 ［２６］ 利
用深度递归神经 网 络 实 现 商 业 和 住 宅 的 用 电 量 预 测。ＸＩＡＮＧ等 ［２７］ 利 用 ＬＳＴＭ－ ＢａｓｅｄＳｅｑｕｅｎｃｅ － ｔｏ －
Ｓｅｑｕｅｎｃｅ 算法实现 ２４小时的降雨径流模型的序列预测。刘擘龙等 ［２８］ 基于序列到序列和注意力机制实
现超短期风速预测，利用 ＣＮＮ和门控循环单元（ＧａｔｅＲｅｃｕｒｒｅｎｔＵｎｉｔ，ＧＲＵ）对编码层进行数据预处理。
杜圣东等 ［２９］ 基于序列到序列时空注意力学习实现交通流预测，利用 ＣｏｎｖＬＳＴＭ算法对编码层进行数据
预处理。多输入和多输出预测模型研究方面，刘明辉等 ［３０］ 提出高斯过程回归预测模型实现土石坝料压
实特性的多输出预测。ＣＨＥＮ等 ［３１］ 利用混合灰色动态关联模型通过水位、温度和时间实现大坝变形
预测。
综上所述，由于灌浆流量数据存在强非线性和强波动性，灌浆流量预测难度较大。现有的灌浆流
量预测存在的不足如下：传统神经网络模型对时间序列特征提取和加工处理不足，导致预测精度有
限；传统神经网络模型测试集进行一次计算仅能输出一个结果，进行多个时间步预测需要繁杂的多次
计算，单测点预测结果预测时间短并且无法反映灌浆流量序列变化的整体趋势，不利于灌浆流量控制
和保障施工质量。针对上述问题，本研究提出基于 ＣＥＥＭＤＡＮ － Ｔｒａｎｓｆｏｒｍｅｒ的灌浆流量混合预测模型。
２ 研究框架
研究框架如图 １所示，基于现场灌浆记录仪与无线传输网络实现灌浆流量数据实时获取，以作为
— ８ ０ ７ —
