1.一种精准预测混凝土坝变形效应的组合模型的构建方法，其特征在于，构建过程包括如下步骤：S1.采取搜集大量监测数据的办法，基于对多元化大坝变形监测数据进行统计分析建立回归模型,S2.构建残差修正的混凝土坝变形组合预报模型。

2.根据权利要求1所述的一种精准预测混凝土坝变形效应的组合模型的构建方法，其特征在于，所述构建残差修正的混凝土坝变形组合预报模型，其构建方法如下：S11.利用EMD的多分辨分析特性将监测原始信号中不同频率分量具有不同时变特性，在不同物理特征尺度下进行多分辨率的分解，利用信号波动上、下包络的平均值去确定瞬时平衡位置，将交织在一起的各种不同频率组成的混合信号分解成不同频段的本征模函数；

S12.PSO-SVR大坝变形残差序列的非线性高频细节信号处理：支持向量机构造最优的决策函数来完成高维空间的线性回归；

设有数据集(xi,yi)，xi∈Rn，Rn为n维列向量，yi∈R，回归函数f(x)＝wTx+b，其中：wT为权值向量，b为偏差；所述支持向量机的主要任务就是对wT和b的求解：通过对权值向量wT，偏差b和松弛因子ξi, 进行偏导处理，求得支持向量机回归函数：其中κ(xi,xj)＝φ(xi)Tφ(xj)为核函数，

同时 且0≤αi,

然后，将粒子群优化算法应用于SVR关键参数的寻优处理，提高模型预测精度的同时避免繁琐的试算过程；

S13.ARIMA(p,d,q)大坝变形残差序列的线性低频系统信号处理：建立ARIMA(p,d,q)模型预报模型；

S14.构建基于PSO-SVR和ARIMA残差修正的混凝土坝变形组合预报模型。

3.根据权利要求2所述的一种精准预测混凝土坝变形效应的组合模型的构建方法，其特征在于，所述支持向量机构造最优的决策函数来完成高维空间的线性回归，包括如下步骤：

1)对样本数据进行归一化处理；

2)划分模型训练集和预测集，建立支持向量机模型，对模型参数进行粒子群算法优化计算，找到支持向量机回归预测模型的参数最优解；

3)对支持向量机回归预测模型的性能进行评估，如果性能不够理想，则重新设定粒子群算法相关参数转至上一步重新寻优，输出最优参数。

4.根据权利要求2所述的一种精准预测混凝土坝变形效应的组合模型的构建方法，其特征在于：所述建立ARIMA(p,d,q)模型预报模型，包括如下步骤：

1)平稳性检验与平稳化处理：采用时间序列的散点图、自相关函数ACF、偏自相关函数图PACF和单位根ADF检验时间序列的平稳性，如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行d阶差分处理；

2)模型识别与定阶：检验平稳性和确定差分阶数d之后，根据自相关函数ACF和偏自相关函数PACF分析确定适合该序列的ARIMA(p,d,q)模型形式，即判断模型形式为AR(p)、MA(q)或ARMA(p,q)模型；在确定模型形式后，一般采用AIC标准定阶对其阶数进行定阶，AIC标准的定阶方法为：上式中：L为预先给定的模型阶数上限； 为ARIMA模型残差序列的方差估计；N为样本容量；最小AIC值对应的(p,q)即为所定阶数,

3)参数估计：本发明所用参数估计方法为最小二乘估计，模型的参数包括φ1,φ2,…,φp和θ1,θ2,…θq及

4)诊断与检验

模型诊断与检验的目的是根据拟合时段的残差，分析模型精度以检验其的适用性，自相关函数法对模型进行统计检验的基本思想是训练值与ARIMA模型估计值的残差序列为白噪声序列则所建模型可行；

假设H0:{εt}为白噪声序列，则构造统计量：

上式中：N为样本容量； 为样本自相关系数，M取N/10；

如果对于给定的显著性水平α，有 则在显著性水平α上否定假设H0，重新选择较为合适的模型；反之，认为模型拟合良好，经过上述步骤获得较优的预测模型后，即可用于残差序列系统信号的预报。

5.根据权利要求2所述的一种精准预测混凝土坝变形效应的组合模型的构建方法，其特征在于：所述构建基于PSO-SVR和ARIMA残差修正的混凝土坝变形组合预报模型，具体过程如下：将PSO-SVR模型和ARIMA模型充分发挥自身在不同学习情况下的拟合优势，构建针对大坝监测数据的逐步回归残差的组合模型；利用在统计领域中预测准确性的衡量指标来评估模型的拟合精度，具体包括平均绝对误MAE、平均平方差MSE、平均绝对百分误差MAPE以及决定系数R2：上式中：n是样本个数；δi是大坝位移的实测值； 是大坝位移的计算值。