构建高精度的变形预测模型对于大坝风险评估及防治措施制定具有极其重要的意义。传统的大坝变形预测模型鲜有针对大坝的变形滞后性特点以及变形特征因子的影响性分析与评估，这会对模型的预测精度造成较大的影响，并导致模型缺乏可解释性。针对上述问题，本文提出一种结合时间注意力机制的门控循环单元神经网络（GRU）架构。首先通过卡尔曼滤波（Kalman　Filter）对原始大坝变形数据中由于监测器异常导致的随机噪声与异常值进行处理。其次，利用随机森林（RF）对各变形特征因子的重要性进行分析和评估，筛选模型输入的特征因子。最后，针对大坝变形的滞后性，利用时间注意力机制进一步提高GRU模型对时间维度上的动态特征关注度...