Las fluctuaciones del nivel del agua en el embalse y la lluvia impulsan la deformación de las pendientes del banco, que típicamente exhiben retardos espaciotemporales. Los modelos de predicción existentes a menudo no logran caracterizar estas complejas relaciones acopladas y dependen de la selección manual de variables, lo que causa pérdida de información y reducción del rendimiento. Para abordar estos problemas, se propone en este estudio un nuevo modelo de predicción multinodal para la deformación de la pendiente del banco del embalse basado en agrupamiento consciente de retardos (LAC), denominado LAC-MOGP. Primero, el Coeficiente de Información Máxima (MIC) cuantifica el retardo entre los factores influyentes y la deformación para la selección de factores objetivo. A continuación, un algoritmo mejorado de alineación temporal dinámica (DTW) con una ventana de coincidencia restringida por la diferencia de retardo se combina con propagación de afinidad (AP) para agrupar puntos de monitoreo basados en correlaciones temporales asíncronas. Finalmente, se incorpora un esquema de ponderación de similitud basado en DTW en un proceso gaussiano de múltiples salidas (MOGP) para refinar la modelación de covarianza y predecir la deformación dentro de cada clúster. Validado utilizando observaciones de la pendiente Jinlongshan de la presa de arco Ertan, el modelo propuesto superó a los métodos tradicionales en precisión de predicción y estabilidad a largo plazo. Logrando el menor error cuadrático medio promedio (2.677 mm) y el promedio del error absoluto medio (2.325 mm), el modelo LAC-MOGP demuestra una eficacia significativa y aplicabilidad práctica para la predicción de deformaciones de pendientes de embalses.
Liang et al. (Sun,) estudiaron esta cuestión.