1.一种混凝土坝变形观测量统计模型构建方法，其特征在于，包括如下步骤：S1，混凝土坝变形监测数据预处理；

S2，运用试错法确定描述前期坝面温度影响权重的卡方分布自由度；

S3，根据训练样本集数据，采用遗传算法GA确定长短时记忆LSTM网络模型最优参数；

S4，根据GA算法迭代求解所得LSTM网络模型最优参数构建基于优化LSTM网络的混凝土坝变形预测模型并实现对混凝土坝变形的预测；

S5，检验模型预测精度；

所述步骤S1中混凝土坝变形监测数据预处理，主要以坝体变形基本理论为依据，根据确定性函数推导与物理推断创建坝体变形 与其解释变量集合，在进行归一化处理后划分为训练集与预测集；

建模对象为重力坝时，变形解释变量包括 、 、 、 、、与 ，总个数等于选用的水温测点数加六；

建模对象为拱坝时，变形解释变量包括 、 、 、 、 、、与 ，总个数等于可用水温测点数加七；

其中， 为监测日上游水深，等于监测日的上游水位减去对应坝段建基面高程； 为距监测日 天的前期气温监测值； 为选用的第 个水温测点在监测日前 天的水温监测值；为大坝始测日至监测日的累计天数； 为卡方分布概率密度函数，其表达式为：，

式中 为自变量；为卡方分布的自由度； 为伽马函数；

解释变量归一化处理的公式为：

，

式中 分别为用于建模的某一解释变量监测序列的最大值与最小值。

2.根据权利要求1所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，步骤S2中卡方分布自由度的确定过程中采用经典的多元线性回归算法确定变形解释变量的待拟合参数，构建大坝变形预测模型；选用决定系数 、模型拟合及预测结果的平均绝对误差MAE和均方根误差RMSE来衡量模型的优劣，最优模型对应的卡方分布自由度即为所求最佳值，其计算公式如下：，

，

，

式中 为变形实测值； 为变形拟合值； 为实测变形的平均值；为样本个数。

3.根据权利要求1所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，步骤S3中根据训练样本集数据，采用GA确定LSTM网络模型最优参数，参数确定方法如下：在LSTM网络的前向计算过程中，时刻大坝变形解释变量矩阵 经输入层处理后转化成维数与首个LSTM隐藏层内部单元数匹配的输入矩阵，并分配给各个LSTM单元作为输入数据；

通过单元内部遗忘门、输入门和输出门的计算后，得到该时刻单元输出值，再输入到下一个LSTM隐藏层中继续计算；

最后一层LSTM隐藏层的输出值经由全连接层合并计算后通过输出层输出得到变形的拟合值 ；

前向计算过程中LSTM单元内部的遗忘门控制网络对历史信息的取舍，输入门决定新信息与历史信息合并时的权重，输出门决定单元对外界的响应，各门结构计算函数式如下：，

，

，

，

，

，

式中： 分别为 时刻遗忘门，输入门和输出门计算的向量； 分别为对应的权重与偏置矩阵； 为LSTM单元当前的输入变量； 为当前候选单元状态； 分别为上一时刻和当前时刻的单元状态； 为上一时刻隐藏状态; 为当前时刻隐藏状态，亦为当前时刻LSTM单元的输出； ； 。

4.根据权利要求3中所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，所述步骤S3中LSTM网络模型的训练采用随时间的反向传播BPTT算法，在模型给出变形的拟合值 后，根据损失函数计算结果与基于梯度的随机优化方法对网络内部各单元的权重矩阵进行更新，从而完成一次模型的迭代训练。

5.根据权利要求4中所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，更新权重时，权重优化梯度可通过自适应矩估计算法ADAM或随机梯度下降算法SGD进行动态计算；在隐藏层后添加Dropout层并控制网络的迭代训练次数。

6.根据权利要求3至5任一所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，所述步骤S4为将大坝变形与其解释变量分别作为LSTM网络的输出与输入变量，基于遗传优化LSTM网络的混凝土坝变形监测模型构建，具体计算步骤如下：Step 1：数据预处理与GA算法参数设置；

将大坝变形时间序列及其解释变量构成的矩阵进行归一化处理，缩放到(0,1)区间内；

同时设置GA算法的种群个数 ，最大迭代次数 ，交叉率与变异率以及待优化网络参数的上、下界；

Step 2：GA算法初始种群生成；

在指定解空间内随机生成多组LSTM网络参数组合后根据浮点数编码方法将其编码为染色体，并分配给初始种群内的个体；为保证GA算法初始种群的多样性，初始种群个体的染色体生成公式为：，

式中： 为第 个体染色体的第 位浮点数，染色体的首位浮点数表示层数，其余表示层中结点个数； 分别为第 位浮点数的上、下界； 为[0,1]区间内的随机数；

Step 3：种群内个体适应度计算；

将LSTM网络模型在训练集及预测集内的平均绝对误差 ， 之和的倒数作为对应个体 的适应度 ，计算公式为：，

式中 分别为LSTM网络模型在拟合及预测集的平均绝对误差；

Step 4：执行竞争处理，即抽取个体；

利用轮盘赌选择法重复抽取 个个体用于子代种群的生成，个体被抽取的概率 计算式为：，

Step 5：对抽取得到的 个个体执行交叉与变异处理以生成子代种群；

执行交叉操作时，将染色体上随机选择的浮点数与种群内其他个体的染色体上对应浮点数进行交换；

执行变异操作时，将染色体上选中的浮点数根据式 进行重新设置，但仅对个体染色体中代表网络结点数的浮点数进行交叉与变异处理；

Step 6：判断迭代是否终止；

若当前迭代次数小于设定的最大迭代次数，则重复执行Step 3至Step 6；

反之，迭代终止并输出当前种群内最优个体所代表的网络参数组合；

Step 7：应用GA算法迭代搜索得到的最优网络参数组合确定LSTM网络模型的结构，据此即可构建基于GA‑LSTM算法的混凝土坝变形预测模型；

Step 8：将预测集中变形解释变量输入所述混凝土坝变形预测模型，实现对混凝土坝变形的预测。

7.根据权利要求1中所述的一种混凝土坝变形观测量统计模型构建方法，其特征在于，步骤S5中主要采用 、MAE、RMSE评价指标检验基于GA‑LSTM的混凝土坝变形预测模型的预测精度。