Page 125 - 水利学报2025年第56卷第3期

P. 125

图１１残差序列的ＶＭＤ分解图

表５模型超参数寻优结果与测试集的精度指标

残差序列隐层１神经元个数隐层２神经元个数最大训练次数学习率Ｒ２ＲＭＳＥ?ｍＭＡＰＥ?％
Ｌ１１０２４８６３０．００６６０．９９７３０．００３２０．０１０４
Ｌ２２６１６９３４０．００８２０．９９８７０．００２５０．７７７３

Ｌ３１９２６５０７０．００２８０．９８７２０．００４１０．３８８４
Ｌ４２６１９７５１０．００７３０．９８６００．００２２０．４１９９
Ｌ５８１７８９６０．００８９０．９９１８０．０００８０．４１８２
Ｌ６１３９８７４０．００６００．９８７１０．０００７０．４７９６
Ｌ７２７７７５７０．００７１０．９７９８０．０００７０．４０６４
Ｌ８８１５９９９０．００６５０．９７５８０．０００５０．４００７

Ｌ９１０２２８６６０．００７７０．９３９７０．０００３１．５０９６

４．５ＳＳＡ－ＲＢＦ－ＶＭＤ－ＬＳＴＭ融合模型将ＶＭＤ－ＳＳＡ－ＬＳＴＭ残差修正模型预测值与机理模型预测值
进行叠加，得到ＳＳＡ－ＲＢＦ－ＶＭＤ－ＬＳＴＭ渗流压力融合模型的最终预测结果，模型预测结果如图１３
所示。

图１２残差序列ＶＭＤ－ＳＳＡ－ＬＳＴＭ模型预测结果图图１３ＳＳＡ－ＲＢＦ－ＶＭＤ－ＬＳＴＭ融合模型预测结果图

４．６模型对比分析为了验证本文模型的优越性，选择统计模型、纯数据驱动ＬＳＴＭ模型、ＳＳＡ－ＲＢＦ－
ＬＳＴＭ、ＳＳＡ－ＲＢＦ－ＶＭＤ－ＬＳＴＭ融合模型对比分析，４种模型在测试集上的评价指标见表６和图１４。

— ４０７ —

120 121 122 123 124 125 126 127 128 129 130