Page 76 - 2024年第55卷第5期

ｔｏｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｗｅｅｋｌｙＣＯＶＩＤ － １９ｃａｓｅｓｉｎＧｅｒｍａｎｙ［Ｊ］．ＳｃｉｅｎｔｉｆｉｃＲｅｐｏｒｔｓ，２０２２，１２（１）：３９３０．
［２４］ ＭＥＩＪ，ＭＡ Ｇ， ＷＡＮＧ Ｑ， ｅｔａｌ．Ｍｉｃｒｏ － ａｎｄ ｍａｃｒｏｓｃｏｐｉｃａｓｐｅｃｔｓｏｆｔｈｅｉｎｔｅｒｍｉｔｔｅｎｔｂｅｈａｖｉｏｒｓｏｆｇｒａｎｕｌａｒ
ｍａｔｅｒｉａｌｓｒｅｌａｔｅｄｂｙｇｒａｐｈｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＳｏｌｉｄｓａｎｄＳｔｒｕｃｔｕｒｅｓ，２０２２，２５１：１１１７６３．
［２５］ ＭＡＺ，ＭＥＩＧ，ＰＲＥＺＩＯＳＯＥ，ｅｔａｌ．Ａｄｅｅｐｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｕｓｉｎｇｇｒａｐｈｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｓｌｏｐｅｄｅ
ｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｔｉｍｅ － ｓｅｒｉｅｓｄｉｓｐｌａｃｅｍｅｎｔｄａｔａ ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２１，３３
（２１）：１４４４１ － １４４５７．
［２６］ 张振东，罗斌，覃晖，等．风 光 水 互 补 系 统 时 间 序 列 变 量 概 率 预 报 框 架 ［Ｊ］．水 利 学 报，２０２２，５３（８）：
９４９ － ９６３．
［２７］ ＳＡＬＩＮＡＳＤ，ＦＬＵＮＫＥＲＴＶ，ＧＡＳＴＨＡＵＳＪ，ｅｔａｌ．ＤｅｅｐＡＲ：Ｐｒｏｂａｂｉｌｉｓｔｉｃｆｏｒｅｃａｓｔｉｎｇｗｉｔｈａｕｔｏｒｅｇｒｅｓｓｉｖｅｒｅｃｕｒ
ｒｅｎｔｎｅｔｗｏｒｋｓ ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＦｏｒｅｃａｓｔｉｎｇ，２０２０，３６（３）：１１８１ － １１９１．
［２８］ 张艺，迟世春，周雄雄．基于统计模型的高心墙堆石坝沉降变形研究 ［Ｊ］．水利与建 筑 工 程 学 报，２０１９，
１７（４）：１４１ － １４６．
［２９］ 程光，钱德鑫，郭建伟，等．基于散 度 的 网 络 流 概 念 漂 移 分 类 方 法 ［Ｊ］．计 算 机 研 究 与 发 展，２０２０，５７
（１２）：２６７３ － ２６８２．
［３０］ ＬＩＭ，ＳＨＥＮＹ，ＲＥＮ Ｑ， ｅｔａｌ．Ａ ｎｅｗ ｄｉｓｔｒｉｂｕｔｅｄｔｉｍｅｓｅｒｉｅｓｅｖｏｌｕｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｄａｍ ｄｅｆｏｒｍａｔｉｏｎ
ｂａｓｅｄｏｎｃｏｎｓｔｉｔｕｅｎｔｅｌｅｍｅｎｔｓ ［Ｊ］．ＡｄｖａｎｃｅｄＥｎｇｉｎｅｅｒｉｎｇＩｎｆｏｒｍａｔｉｃｓ，２０１９，３９：４１ － ５２．

Ｓｐａｔｉａｌ － ｔｅｍｐｏｒａｌｆｕｓｉｏｎｍｏｄｅｌｆｏｒｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｏｆｒｏｃｋｆｉｌｌｄａｍｓａｎｄ
ｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｓａｆｅｔｙｍｏｎｉｔｏｒｉｎｇ

１
１，２，３
１，２，３
１，２，４
２
ＷＵＪｉｙｅ，ＭＡＧａｎｇ ，ＡＩＺｈｉｔａｏ，ＹＡＮＧＱｉｇｕｉ ，ＺＨＯＵＷｅｉ
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＭａｎａｇｅｍｅｎｔ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００７２，Ｃｈｉｎａ；
２．ＩｎｓｔｉｔｕｔｅｏｆＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅｓ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００７２，Ｃｈｉｎａ；
３．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＲｏｃｋＭｅｃｈａｎｉｃｓｉｎＨｙｄｒａｕｌｉｃＳｔｒｕｃｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００７２，Ｃｈｉｎａ；
４．ＣＩＳＰＤＲＣｏｒｐｏｒａｔｉｏｎ，Ｗｕｈａｎ ４３００１０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｉｓｔｈｅｋｅｙｆｏｒｓａｆｅｔｙｍｏｎｉｔｏｒｉｎｇａｎｄｈｅａｌｔｈａｓｓｅｓｓｍｅｎｔｆｏｒｒｏｃｋｆｉｌｌｄａｍｓ．Ｃｕｒｒｅｎｔ
ｒｅｓｅａｒｃｈｍｏｓｔｌｙｆｏｃｕｓｅｓｏｎｓｉｎｇｌｅ － ｐｏｉｎｔｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ，ｎｅｇｌｅｃｔｉｎｇｔｈｅｍｕｌｔｉ － ｐｏｉｎｔｃｏｒｒｅｌａｔｉｏｎｆｏｒ
ｔｈｅｏｖｅｒａｌｌｍｏｄｅｌｉｎｇ．Ｂｅｓｉｄｅｓ ，ｉｔｉｓｃｈａｌｌｅｎｇｉｎｇｆｏｒｃｕｒｒｅｎｔｍｏｄｅｌｓｔｏａｃｈｉｅｖｅｌｏｎｇ － ｔｅｒｍａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｏｆｄｒｉｆｔ
ｄｅｆｏｒｍａｔｉｏｎｄａｔａ．Ｃｏｎｓｉｄｅｒｉｎｇｔｅｍｐｏｒａｌｄｅｐｅｎｄｅｎｃｅｏｆｔｉｍｅｓｅｒｉｅｓａｎｄｓｐａｔｉａｌｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｍｕｌｔｉｐｏｉｎｔｆｏｒｔｈｅ
ｄｅｆｏｒｍａｔｉｏｎｏｆｒｏｃｋｆｉｌｌｄａｍｓ ，ａｓｐａｔｉａｌ － ｔｅｍｐｏｒａｌｆｕｓｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＧｒａｐｈＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋ（ＧＣＮ）ａｎｄ
ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ （ＲＮＮ）ｉｓｐｒｏｐｏｓｅｄｆｏｒｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ，ｉｎｔｒｏｄｕｃｉｎｇｐｒｏｂａｂｉｌｉｓｔｉｃｐｒｅｄｉｃｔｉｏｎａｎｄ
ｆｕｌｌ － ｐｒｏｃｅｓｓｔｒａｉｎｉｎｇ．Ｆｉｒｓｔｌｙ ，ｔｈｅｍｏｄｅｌａｄａｐｔｉｖｅｌｙｐｅｒｆｏｒｍｓｍｕｌｔｉｐｏｉｎｔｆｅａｔｕｒｅｓｆｕｓｉｏｎｕｓｉｎｇＧＣＮ．Ｔｈｅｎ，ｔｈｅ
ｔｒａｎｓｍｉｓｓｉｂｉｌｉｔｙｏｆｃｅｌｌｓｔａｔｅｓａｎｄｈｉｄｄｅｎｍｅｍｏｒｉｅｓａｌｏｎｇｔｈｅｔｉｍｅａｘｉｓｉｎＲＮＮｉｓｕｔｉｌｉｚｅｄｔｏｒｅａｌｉｚｅｔｈｅｍｉｎｉｎｇａｎｄ
ｆｕｓｉｏｎｏｆｓｐａｔｉａｌ － ｔｅｍｐｏｒａｌｉｎｆｏｒｍａｔｉｏｎ．Ｆｉｎａｌｌｙ ，ｔｈｅｐａｒａｍｅｔｅｒｓｏｆｔｈｅｐｒｏｂａｂｉｌｉｓｔｉｃｐｒｅｄｉｃｔｉｏｎａｒｅｏｂｔａｉｎｅｄａｓｌｉｎｅａｒ
ｌａｙｅｒｏｕｔｐｕｔｔｏｉｍｐｒｏｖｅｔｈｅｍｏｄｅｌ ’ｓｒｏｂｕｓｔｎｅｓｓａｇａｉｎｓｔｎｏｉｓｅｉｎｍｏｎｉｔｏｒｉｎｇｄａｔａ．Ｉｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｉｔｓａｂｉｌｉｔｙｔｏ
ｕｎｄｅｒｓｔａｎｄｔｈｅｉｎｔｒｉｎｓｉｃｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓａｎｄｃｕｍｕｌａｔｉｖｅｄｅｆｏｒｍａｔｉｏｎ，ｔｈｅｍｏｄｅｌａｄｏｐｔｓａ
ｆｕｌｌ － ｐｒｏｃｅｓｓｔｒａｉｎｉｎｇａｎｄｉｎｆｅｒｅｎｃｅｔｅｃｈｎｉｑｕｅ，ｗｈｉｃｈｒｅａｌｉｚｅｓｌｏｎｇ － ｔｅｒｍ ａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｆｏｒｄｒｉｆｔｄｅｆｏｒｍａｔｉｏｎ
ｄａｔａ．ＴａｋｉｎｇＳｈｕｉｂｕｙａｃｏｎｃｒｅｔｅ － ｆａｃｅｄｒｏｃｋｆｉｌｌｄａｍ ａｓａｓｔｕｄｙｃａｓｅ ，ｗｅｃｏｎｄｕｃｔｃｏｍｐａｒｉｓｏｎａｎｄａｂｌａｔｉｏｎｅｘｐｅｒｉ
ｍｅｎｔ，ｔｈｅｎｐｒｅｓｅｎｔｔｈｒｅｅｓｐｅｃｉｆｉｃａｐｐｌｉｃａｔｉｏｎｓｏｆｔｈｉｓｍｏｄｅｌｉｎｓａｆｅｔｙｍｏｎｉｔｏｒｉｎｇａｎｄｈｅａｌｔｈａｓｓｅｓｓｍｅｎｔｆｏｒｒｏｃｋｆｉｌｌ
ｄａｍｓ．Ｏｕｒｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｍｏｄｅｌｓｕｃｃｅｓｓｆｕｌｌｙｉｎｔｅｇｒａｔｅｓｔｈｅｓｐａｔｉａｌ － ｔｅｍｐｏｒａｌｉｎｆｏｒｍａｔｉｏｎ ，ｓｉｇｎｉｆｉｃａｎｔｌｙ
ｉｍｐｒｏｖｉｎｇｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｃｏｍｐａｒｅｄｔｏｃｕｒｒｅｎｔｍｏｄｅｌｓ．Ｉｔａｄｄｒｅｓｓｅｓｔｈｅｃｈａｌｌｅｎｇｅｓｏｆｌｅａｒｎｉｎｇｔｈｅｇｅｎｅｒａｌｌａｗ
ｐｒｏｐｅｒｌｙａｎｄｐｒｅｄｉｃｔｉｎｇｄｒｉｆｔｄｅｆｏｒｍａｔｉｏｎｄａｔａａｃｃｕｒａｔｅｌｙｏｆｒｏｃｋｆｉｌｌｄａｍｓ ，ａｎｄｃａｎｂｅａｐｐｌｉｅｄｆｏｒｌｏｎｇ － ｔｅｒｍｄｅｆｏｒｍ
ａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ ，ａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｎｄｍｉｓｓｉｎｇｄａｔａｃｏｍｐｌｅｔｉｏｎｏｆｍｅａｓｕｒｅｍｅｎｔｐｏｉｎｔｓ．
Ｋｅｙｗｏｒｄｓ：ｒｏｃｋｆｉｌｌｄａｍｓ；ｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ；ｓｐａｔｉａｌ － ｔｅｍｐｏｒａｌｆｕｓｉｏｎ；ＧｒａｐｈＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋ；Ｌｏｎｇ
ａｎｄＳｈｏｒｔ － ＴｅｒｍＭｅｍｏｒｙＮｅｔｗｏｒｋ ；ｐｒｏｂａｂｉｌｉｓｔｉｃｐｒｅｄｉｃｔｉｏｎ

（责任编辑：韩 昆）

— ５ ７ —
６