基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法

耿峻; 童广勤; 汪昌港; 赵鹏; 张海龙; 潘戚扬; 顾昊; 陆纬; 沈雷; 孙啸; 唐杰伟; 郑祥; 周富强; 朱明远

您当前的位置：

首页 >

文章列表页 >

基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法

更新时间：2026-04-09

- 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法
- Vol. 52, Issue 4, Pages: 109-115+121(2026)
- 作者机构：
  
  1. 中国长江三峡集团有限公司
  2. 河海大学水利水电学院
  3. 水利部南京水利水文自动化研究所
  4. 中国水利水电第七工程局有限公司
  5. 新疆水利科学研究院
- 作者简介：
- 基金信息：
- DOI：
  CLC： TP18;TV698.11
- Published：2026
- 稿件说明：
移动端阅览
耿峻, 童广勤, 汪昌港, et al. 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法[J]. 2026, 52(4): 109-115+121.
DOI：

耿峻, 童广勤, 汪昌港, et al. 基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法[J]. 2026, 52(4): 109-115+121. DOI：

摘要

在大坝运行过程中，变形监测数据的缺失严重影响大坝安全状态的预测与判断。目前常用的缺失值填补方法很少有效考虑测点间相关性、填补效果难以满足安全监控需求，为此，提出了一种基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法。首先，采用随机森林算法分析测值与荷载间、测值与测值间的相关性，筛选出对测值影响较大的环境因子，并将相关性强的测点归为一类，构建多测点安全监控模型。在此基础上，训练卷积神经网络(CNN)与门控循环单元神经网络(GRU)模型，提出基于CNN-GRU的大坝变形监测缺失值填补方法，以实现对多测点缺失值的高精度填补。通过算例分析验证了基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法的有效性，为科学评估大坝服役性态提供了新思路。

Abstract

关键词

Keywords

references

雍凯.随机森林的特征选择和模型优化算法研究[D].哈尔滨工业大学,2008(S2).

王丽丽.集成学习算法研究[D].广西大学,2006(12).

董文静.卷积神经网络中自适应优化算法的研究[D].太原师范学院,2024(04).

李富强.大坝安全监测数据分析方法研究[D].浙江大学,2012(07).

朱济祥.李家峡高拱坝安全监控模型与监控指标研究[D].天津大学,2007(04).

马茜,谷峪,李芳芳,于戈.顺序敏感的多源感知数据填补技术[J].软件学报,2016(09).

吴中如.混凝土坝安全监控的确定性模型及混合模型[J].水利学报,1989(05).

彭月.ARIMA模型的介绍[J].电子世界,2014(10).

孙辅庭,沈海尧.大坝安全监测数据模式智能识别技术研究[J].大坝与安全,2022(04).

翟俊杰,石中文,李军,潘文明,贾海磊,叶胜.基于GRU的混凝土坝变形监测数据缺失处理方法[J].人民珠江,2024(12).

王金江,王斌.一维优化三次样条插值法[J].哈尔滨师范大学自然科学学报,2010(04).

Chih-Fong Tsai,Miao-Ling Li,Wei-Chao Lin.A class center based approach for missing value imputation[J].Knowledge-Based Systems,2018.

Views

285

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

变形分量信息随机森林分析法在缺失数据处理中的应用

融合物理机制深度学习的混凝土浇筑仓温度监测数据去噪方法

基于监测数据驱动的库区滑坡蠕变参数智能反演分析

大坝安全监测数据通用报表设计与实现

小湾水电站垂线自动化监测系统应用及分析

Related Author

贾玉豪

张晓阳

鲍中秋

季骏

张磊

何瑞良

张毅

李如尧

Related Institution

上海勘测设计研究院有限公司

南京市水利规划设计院股份有限公司

华电金沙江上游水电开发有限公司巴塘(拉哇)分公司

中国水利水电科学研究院流域水循环模拟与调控国家重点实验室

华能澜沧江水电股份有限公司

AI问答

⁰