CN107798210A - 一种多模型滑坡位移预测方法及其系统 - Google Patents
一种多模型滑坡位移预测方法及其系统 Download PDFInfo
- Publication number
- CN107798210A CN107798210A CN201710721139.9A CN201710721139A CN107798210A CN 107798210 A CN107798210 A CN 107798210A CN 201710721139 A CN201710721139 A CN 201710721139A CN 107798210 A CN107798210 A CN 107798210A
- Authority
- CN
- China
- Prior art keywords
- displacement
- mrow
- prediction
- model
- landslide
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种多模型滑坡位移预测方法及其系统,以解决传统的单模型预测准确度不高、组合预测模型权重难以确定的问题。本发明方法包括以下步骤:获取滑坡位移监测数据,对监测数据进行等时间隔处理得到滑坡的位移时间序列;选择多个位移预测模型对所述位移时间序列对应的时间范围内滑坡位移进行预测得到预测位移时间序列;通过预测位移时间序列和位移时间序列得到预测模型准确性矩阵,并根据预测模型准确性矩阵确定预测模型权重矩阵;根据所选多个位移预测模型预测的位移数据结合预测模型权重矩阵得到最终预测位移结果。
Description
技术领域
本发明涉及滑坡位移预测领域,尤其涉及一种多模型滑坡位移预测方法及其系统。
背景技术
滑坡是一种频发的地质灾害,不仅破坏当地的资源和环境,还严重威胁人类生命财产安全。我国西部地区地质构造活动强烈,地质灾害种类繁多,滑坡尤为严重。据统计,我国平均每年有700~900人因滑坡灾害而丧生,直接经济损失数千亿元。为有效的降低滑坡带来的灾难性,对滑坡位移进行监控预测尤为重要。由于滑坡是非常复杂的非线性动力系统,伴随着许多不确定性因素,对滑坡进行精确预报一直是滑坡研究领域的重点、难点内容。
现有研究都是基于单个模型开展的,但每个模型都有一定限制条件,因此很难用单一的模型对滑坡位移进行准确的预测分析。
发明内容
本发明目的在于提供一种多模型滑坡位移预测方法及其系统,以解决传统的单模型预测准确度不高、组合预测模型权重难以确定的问题。
为实现上述目的,本发明提供了一种多模型滑坡位移预测方法,包括以下步骤:
获取滑坡位移监测数据,对监测数据进行等时间隔处理得到滑坡的位移时间序列;
选择多个位移预测模型对所述位移时间序列对应的时间范围内滑坡位移进行预测得到预测位移时间序列;
通过预测位移时间序列和位移时间序列得到预测模型准确性矩阵,并根据预测模型准确性矩阵确定预测模型权重矩阵;
根据所选多个位移预测模型预测的位移数据结合预测模型权重矩阵得到最终预测位移结果。
依托于上述方法,本发明还提供了一种多模型滑坡位移预测系统,包括:
第一模块:用于获取滑坡位移监测数据,对监测数据进行等时间隔处理得到滑坡的位移时间序列;
第二模块:用于选择多个位移预测模型对所述位移时间序列对应的时间范围内滑坡位移进行预测得到预测位移时间序列;
第三模块:用于通过预测位移时间序列和位移时间序列得到预测模型准确性矩阵,并根据预测模型准确性矩阵确定预测模型权重矩阵;
第四模块:用于根据所选多个位移预测模型预测的位移数据结合预测模型权重矩阵得到最终预测位移结果。
本发明具有以下有益效果:
本发明综合利用各模型的优势,开展联合多模型联合预测,提高了滑坡位移预测的准确性,解决了传统单模型预测准确度不高的问题,且能够更快更准的确定组合预测模型的权重。监测所得的数据都会进行去噪及等间隔处理,提高了监测数据的精度。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的一种多模型滑坡位移预测方法流程图;
图2是本发明优选实施例的晴隆滑坡各监测孔布置平面图;
图3是本发明优选实施例的监测点实际位移与各模型预测曲线。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1,本发明首先提供了一种多模型滑坡位移预测方法,包括以下步骤:
S1:获取滑坡位移监测数据,对监测数据进行等时间隔处理得到滑坡的第一位移时间序列。
滑坡位移不是一个均匀变化的数值,因此对监测数据进行等时间隔处理得到某一滑坡点的位移之间序列(T1,D1),(T2,D2),...,(Ti,Di),...,(Tn,Dn),式中Di表示Ti时刻的实际监测位移值,i=1,2,...,n。
S2:选择多个位移预测模型对所述位移时间序列对应的时间范围内滑坡位移进行预测得到预测位移时间序列。
根据滑坡的工程地址条件、变形程度等特点选择多个适合的位移预测模拟,并对所选的位移预测模型进行训练,不断调节参数使其达到要求预测精度后保存模型作为最终使用的预测模型。利用预测模型对滑坡位移进行预测得到预测位移时间序列(T1,D’1j),(T2,D'2j),…,(Ti,D’ij),…,(Tn,D’nj)。式中:D’ij表示Ti时刻,第j个模型计算得到的预测位移值,i=1,2,...,n,j=1,2,...,m。
S3:根据预测位移时间序列和第二位移时间序列得到预测模型准确性矩阵,并根据预测模型准确性矩阵确定预测模型权重矩阵。
预测位移值与实测位移值的相对误差可表示为:D’ij-Di。令预测模型准确性矩阵P=(pij)n×m,其中:
显然pij越小,则(D’ij-Di)2越大,表明模型的预测值与实测值的相差较大;反之pij越大,则(D’ij-Di)2越小,即模型的预测值与实测值的相差较小。如果D′ij=Di,则pij取得最大值1。所以,pij可以作为位移预测值准确程度的度量。
令E=(1,1,...,1)1×n,计算W'=E·P,并将W'归一化,得到W=(ωi)1×m,称W为预测模型权重矩阵。
S4:根据所选多个位移预测模型预测的位移数据结合预测模型权重矩阵得到最终预测位移结果。
多个位移预测模型得到多个位移预测数据(R1,R2,...,Rm),则最终预测位移结果可由如下公式求取:
进一步地,在获取滑坡位移监测数据后对位移数据进行降噪处理。对监测所得数据进行筛选,剔除误差较大了,减小噪声,使所得结论更加精确。
参见图2,以本实例以晴隆滑坡为例,根据监测资料,我们以Ⅲ#滑坡为例,选取2005年8月-2007年7月钻孔JCK2和JCK4监测资料,进行分析。位移预测前先对监测数据进行小波去噪以及等间隔处理,使数据信号识别度更高、符合模型计算需要。最后选用月平均数据进行训练与预测,一共有24期监测数据,用1-18期数据对各模型进行训练,19-24期数据进行预测。
本实例中我们选取了SVM模型,指数平滑模型,GM(1,1)模型这三个单个模型。将1-18期数据代入各单个模型进行训练,选取合适的参数,达到要求精度,得到实验结果见表1,根据得到的模型进行外推,可以预测出19-24期的滑坡位移值。
表1监测数据与预测模型实验值
根据上文中对联合预测模型的计算步骤,以及单个模型对1-18期数据的实验结果,可以计算得到如表2所示的各单个模型的准确性矩阵。
表2预测模型准确性矩阵
根据本文计算各预测模型权重的方法,得到三个模型所对应的准确性权重如表3所示。
表3预测模型权重矩阵
根据文中多模型联合预测位移值计算公式,用最优权重联合模型预测可以表4所示的19—24期的滑坡位移值。
表4 JCK2监测点实际值与各模型预测结果及其预测精度
将单个预测模型及联合预测的结果与监测位移进行比较,如表4、图3所示,根据评判标准,比较各模型的平均绝对误差(MAE)、平均相对误差(MAPE)、标准差(RMSE),可以表明联合模型预测精度比任何一个单模型的预测精度高。因此,本发明提出的最优权重联合模型可以有效的提高滑坡预测的精度,且操作方便,具有很强的实用性。
依托于上述方法,本发明还提供了一种多模型滑坡位移预测系统,包括:
第一模块:用于获取滑坡位移监测数据,对监测数据进行等时间隔处理得到滑坡的位移时间序列;
第二模块:用于选择多个位移预测模型对所述位移时间序列对应的时间范围内滑坡位移进行预测得到预测位移时间序列;
第三模块:用于通过预测位移时间序列和位移时间序列得到预测模型准确性矩阵,并根据预测模型准确性矩阵确定预测模型权重矩阵;
第四模块:用于根据所选多个位移预测模型预测的位移数据结合预测模型权重矩阵得到最终预测位移结果。
进一步地,第一模块在获取滑坡位移监测数据后对位移数据进行降噪处理。
进一步地,第三模块中所述预测模型准确性矩阵的计算方法为:
其中,D’ij表示Ti时刻、第j个模型计算得到的预测位移值,Di表示Ti时刻的实际监测位移值。
进一步地,第四模块中所述最终预测位移结果的计算方法为:
其中,ωi为模型预测值权重矩阵,Ri为预测的位移数据。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种多模型滑坡位移预测方法,其特征在于,包括以下步骤:
获取滑坡位移监测数据,对监测数据进行等时间隔处理得到滑坡的位移时间序列;
选择多个位移预测模型对所述位移时间序列对应的时间范围内滑坡位移进行预测得到预测位移时间序列;
通过预测位移时间序列和位移时间序列得到预测模型准确性矩阵,并根据预测模型准确性矩阵确定预测模型权重矩阵;
根据所选多个位移预测模型预测的位移数据结合预测模型权重矩阵得到最终预测位移结果。
2.根据权利要求1所述的一种多模型滑坡位移预测方法,其特征在于,在获取滑坡位移监测数据后对位移数据进行降噪处理。
3.根据权利要求1所述的一种多模型滑坡位移预测方法,其特征在于,所述预测模型准确性矩阵的计算方法为:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中,D′ij表示Ti时刻、第j个模型计算得到的预测位移值,Di表示Ti时刻的实际监测位移值。
4.根据权利要求1所述的一种多模型滑坡位移预测方法,其特征在于,所述最终预测位移结果的计算方法为:
<mrow>
<mi>R</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</mrow>
其中,ωi为模型预测值权重矩阵,Ri为预测的位移数据。
5.一种多模型滑坡位移预测系统,其特征在于,包括:
第一模块:用于获取滑坡位移监测数据,对监测数据进行等时间隔处理得到滑坡的位移时间序列;
第二模块:用于选择多个位移预测模型对所述位移时间序列对应的时间范围内滑坡位移进行预测得到预测位移时间序列;
第三模块:用于通过预测位移时间序列和位移时间序列得到预测模型准确性矩阵,并根据预测模型准确性矩阵确定预测模型权重矩阵;
第四模块:用于根据所选多个位移预测模型预测的位移数据结合预测模型权重矩阵得到最终预测位移结果。
6.根据权利要求5所述的一种多模型滑坡位移预测系统,其特征在于,所述第一模块在获取滑坡位移监测数据后对位移数据进行降噪处理。
7.根据权利要求5所述的一种多模型滑坡位移预测系统,其特征在于,所述第三模块中所述预测模型准确性矩阵的计算方法为:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中,D′ij表示Ti时刻、第j个模型计算得到的预测位移值,Di表示Ti时刻的实际监测位移值。
8.根据权利要求5所述的一种多模型滑坡位移预测系统,其特征在于,所述第四模块中所述最终预测位移结果的计算方法为:
<mrow>
<mi>R</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</mrow>
其中,ωi为模型预测值权重矩阵,Ri为预测的位移数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710721139.9A CN107798210B (zh) | 2017-08-15 | 2017-08-15 | 一种多模型滑坡位移预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710721139.9A CN107798210B (zh) | 2017-08-15 | 2017-08-15 | 一种多模型滑坡位移预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107798210A true CN107798210A (zh) | 2018-03-13 |
CN107798210B CN107798210B (zh) | 2021-06-29 |
Family
ID=61531624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710721139.9A Active CN107798210B (zh) | 2017-08-15 | 2017-08-15 | 一种多模型滑坡位移预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798210B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
CN110414031A (zh) * | 2019-05-07 | 2019-11-05 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法 |
CN111667125A (zh) * | 2020-08-10 | 2020-09-15 | 成都嘉捷信诚信息技术有限公司 | 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 |
CN111898247A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
CN112800688A (zh) * | 2021-04-06 | 2021-05-14 | 浙江中海达空间信息技术有限公司 | 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 |
CN113065702A (zh) * | 2021-03-31 | 2021-07-02 | 中国地质大学(武汉) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 |
CN115798181A (zh) * | 2023-02-08 | 2023-03-14 | 西南交通大学 | 一种基于偏角比的滑坡预警方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105239608A (zh) * | 2015-09-28 | 2016-01-13 | 中国地质大学(武汉) | 一种基于wt-rs-svr相结合的滑坡位移预测方法 |
CN106644386A (zh) * | 2017-01-24 | 2017-05-10 | 中国地质大学(武汉) | 一种库水作用下推移式滑坡物理模型试验系统及方法 |
-
2017
- 2017-08-15 CN CN201710721139.9A patent/CN107798210B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105239608A (zh) * | 2015-09-28 | 2016-01-13 | 中国地质大学(武汉) | 一种基于wt-rs-svr相结合的滑坡位移预测方法 |
CN106644386A (zh) * | 2017-01-24 | 2017-05-10 | 中国地质大学(武汉) | 一种库水作用下推移式滑坡物理模型试验系统及方法 |
Non-Patent Citations (4)
Title |
---|
XIUZHEN LI 等: "Landslide displacement prediction based on combining method with optimal weight", 《SPRINGER》 * |
卢继强 等: "基于指数平滑法和回归分析的滑坡预报模型研究", 《武汉理工大学学报》 * |
李艳华 等: "基于位移的滑坡临滑时刻多模型综合预测模糊积分方法", 《自然灾害学报》 * |
范千 等: "基于相空间重构与支持向量机预测滑坡位移的一种新方法", 《武汉大学学报信息科学版》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
CN110414031A (zh) * | 2019-05-07 | 2019-11-05 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法 |
CN111898247A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
CN111898247B (zh) * | 2020-07-02 | 2023-05-26 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
CN111667125A (zh) * | 2020-08-10 | 2020-09-15 | 成都嘉捷信诚信息技术有限公司 | 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 |
CN113065702A (zh) * | 2021-03-31 | 2021-07-02 | 中国地质大学(武汉) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 |
CN113065702B (zh) * | 2021-03-31 | 2023-08-08 | 中国地质大学(武汉) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 |
CN112800688A (zh) * | 2021-04-06 | 2021-05-14 | 浙江中海达空间信息技术有限公司 | 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 |
CN115798181A (zh) * | 2023-02-08 | 2023-03-14 | 西南交通大学 | 一种基于偏角比的滑坡预警方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107798210B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798210A (zh) | 一种多模型滑坡位移预测方法及其系统 | |
Wang et al. | Spatial and temporal prediction and uncertainty of soil loss using the revised universal soil loss equation: a case study of the rainfall–runoff erosivity R factor | |
Wiemer et al. | Properties of the aftershock sequence of the 1999 M w 7.1 Hector Mine earthquake: implications for aftershock hazard | |
Lu et al. | Seismic risk assessment for a reinforced concrete frame designed according to Chinese codes | |
Hassanvand et al. | Estimation of rock uniaxial compressive strength for an Iranian carbonate oil reservoir: Modeling vs. artificial neural network application | |
Saltan et al. | Backcalculation of pavement layer moduli and Poisson’s ratio using data mining | |
Lan et al. | Traffic load modelling based on structural health monitoring data | |
Ozturk et al. | An artificial neural network model for virtual Superpave asphalt mixture design | |
Pellegrino et al. | Contribution of in situ and laboratory investigations for assessing seismic vulnerability of existing bridges | |
CN104537211A (zh) | 一种基于层次分析法及灰色理论的企业安全风险预警方法 | |
Panthou et al. | From pointwise testing to a regional vision: An integrated statistical approach to detect nonstationarity in extreme daily rainfall. Application to the Sahelian region | |
Wei et al. | Damage identification in plates based on the ratio of modal strain energy change and sensitivity analysis | |
Wen et al. | Rapid seismic response prediction of RC frames based on deep learning and limited building information | |
CN109490072A (zh) | 一种土木工程建筑用检测系统及其检测方法 | |
Palanci et al. | A statistical assessment on global drift ratio demands of mid-rise RC buildings using code-compatible real ground motion records | |
Zoutat et al. | Global sensitivity analysis of soil structure interaction system using N2-SSI method | |
CN104866940A (zh) | 一种地质风险评价随机模拟方法 | |
Hariri-Ardebili et al. | Efficient seismic reliability analysis of large-scale coupled systems including epistemic and aleatory uncertainties | |
Huang et al. | Fragility analysis for subway station using artificial neural network | |
Abbasnia et al. | An improved displacement-based adaptive pushover procedure for the analysis of frame buildings | |
Seyedabadi et al. | Predicting cantaloupe bruising using non-linear finite element method | |
Badawy et al. | How to predict the rebar labours’ production rate by using ANN model? | |
CN103134433A (zh) | 一种利用位移监测鉴别边坡失稳致滑因子的方法 | |
Dulinska et al. | Dynamic behaviour of a concrete building under a mainshock–aftershock seismic sequence with a concrete damage plasticity material model | |
Hsiao et al. | A pushover seismic analysis method for asymmetric and tall buildings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |