用于尾矿库风险预测的 Wavelet-CNN-LSTM 模型

Jun Yang; Qing Li; Yixuan Sun

用于尾矿库风险预测的 Wavelet-CNN-LSTM 模型

信号处理 2022-08-11 v2

作者: Jun Yang , Qing Li , Yixuan Sun

摘要

尾矿库是储存工业废物的场所。一旦尾矿库溃坝，附近村庄将被摧毁，有害化学品将造成严重环境污染。迫切需要一个可靠的预测模型，以研究尾矿坝稳定系数的变化趋势并发出预警。为填补此空白，本文提出一种混合网络——基于小波的长短期记忆（LSTM）与卷积神经网络（CNN），即 Wavelet-CNN-LSTM 网络，用于预测尾矿库风险。首先，我们构建特殊的非线性数据处理方法，采用数值反演（NI）方法填补缺失值，该方法结合了相关性分析、敏感性分析与随机森林（RF）算法。其次，提出一种新的预测模型以监测浸润线，浸润线是尾矿库的生命线，可直接反映尾矿库的稳定性。在使用离散小波变换（DWT）将原始浸润线数据分解为 4 层小波并去噪后，利用 CNN 识别并学习时间序列中的空间结构，随后由 LSTM 单元检测长短期依赖。最后，通过与其他最先进算法比较，进行了不同实验以评估我们模型的有效性。结果表明，Wavelet-CNN-LSTM 在平均绝对百分比误差（MAPE）、均方根误差（RMSE）和 R² 上均取得最佳分数。

关键词

尾矿库风险预测 Wavelet-CNN-LSTM 离散小波变换卷积神经网络长短期记忆浸润线缺失值填补

引用

@article{arxiv.2010.00518,
  title  = {A Wavelet-CNN-LSTM Model for Tailings Pond Risk Prediction},
  author = {Jun Yang and Qing Li and Yixuan Sun},
  journal= {arXiv preprint arXiv:2010.00518},
  year   = {2022}
}

用于尾矿库风险预测的 Wavelet-CNN-LSTM 模型

摘要

关键词

引用

相关论文