CN109992847A - 一种混合机器学习模型的滑坡位移预测方法 - Google Patents

Abstract

本发明公开了一种混合机器学习模型的滑坡位移预测方法，对滑坡监测点进行滑坡影响因素挖掘和滑坡位移数据采集和预处理并作为模型的训练数据；将获得的滑坡影响因素和滑坡位移数据看作时间序列进行小波去燥处理；基于时间序列原理，采用霍德里克‑普雷斯科特滤波器(HP)将去燥后的滑坡影响因素和位移数据分解成趋势项和周期项。针对趋势项和周期项分别采用二阶指数平滑(DBS)的方法和动态多群粒子群(DMS‑PSO)优化极限学习机(ELM)模型进行位移预测。最后将预测的周期项位移和趋势项位移相加得到总的滑坡预测位移。通过该周期项位移预测模型可以更好的求解全局最优解，使预测精度和可靠性更高。

Description

一种混合机器学习模型的滑坡位移预测方法

技术领域

本发明涉及计算机数学领域，具体是一种混合机器学习模型的滑坡位移预测方法。

背景技术

山体滑坡是一种常见的地质灾害，它是指斜坡上的岩石、土体，受地下水、降雨、地震及人类工业与日常活动等内外因素影响，在重力作用下，沿着贯通的剪切破坏面，发生整体或者分散地顺坡向下滑动的一种自然现象。因滑坡而导致的特大灾害事故频发，给人类的生命财产安全带来巨大的隐患。加强对滑坡的防、治等相关研究具有重大的意义，对滑坡位移预测的研究关系到众多工程的选址以及周边居民的生命财产安全；滑坡的预测预报能够为人员和财产的安全转移赢得宝贵的时间；能够有效减轻甚至是避免滑坡造成的生命财产损失。从而为政府进行灾情决策提供可视化、动态化的技术支持。

现阶段，许多学者对滑坡位移预测进行了大量的研究。滑坡位移预测大致可分为三种类型：确定性预测模型、统计预测模型和非线性预测模型。

目前，传统的滑坡位移预测方法采用预测模型要根据地质环境建立复杂的力学方程和统计模型，计算量大、建模周期长，同时随着技术的发展获取数据信息不断增加，传统建模方法对数据使用程度偏低造成大量数据浪费。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种混合机器学习模型的滑坡位移预测方法，该方法将时间序列分析原理、动态多群粒子群优化算法、极限学习机相结合，数据利用率高，避免数据资源的浪费；模型结构简单，建模时间短，降低建模成本；分解滑坡位移，分项预测提高预测精度，使计算高效，可信度高。

实现本发明目的的技术方案是：

一种混合机器学习模型的滑坡位移预测方法，包括如下步骤：

S1、从滑坡山体位移监测点和影响因素传感器获取N组滑坡位移数据，并对N组滑坡位移数据进行预处理；

S2、将预处理后的N组滑坡位移数据分解为N组趋势项和N组周期项，N组趋势项包括N组影响因素趋势项和N组位移趋势项，N组周期项包括N组影响因素周期项和N组位移周期项；

S3、用前M组位移趋势项构建滑坡趋势项位移预测模型，并作为训练集，训练趋势项位移预测模型，得到趋势位移量，并将趋势位移量输出；其中M+L＝N；

S4、用前M组影响因素周期项和前M组位移周期项构建滑坡周期项位移预测模型，并作为训练集，训练周期项位移预测模型；将后L组影响因素周期项输入训练好的周期项位移预测模型中，得到周期位移量，并将周期位移量输出；

S5、将步骤S3得到的趋势位移量和步骤S4得到的周期位移量相加整合，得到总滑坡位移预测值。

步骤S1中，所述的预处理，是将N组位移和影响因素数据均看作时间序列，进行小波去燥处理；

步骤S2中，所述的分解，是采用霍德里克-普雷斯科特滤波器将预处理后的滑坡位移数据分解成趋势项和周期项。

步骤S3中，所述的趋势项位移预测模，是采用二阶指数平滑的方法构建。

步骤S4中，所述的周期项位移预测模型，是采用动态多群粒子群优化算法的极限学习机来构建，具体方法如下：

S4-1、采用灰度关联算法将影响因素周期项和位移周期项进行关联度分析，关联度>＝0.5的选做特征输入；

S4-2、将关联度>＝0.5的特征，输入极限学习机模型(ELM)中进行训练，得到ELM模型输入层和输出层的权重和偏置值；

S4-3、构建适应度函数，对粒子进行编码，采用动态多群粒子群优化算法优化ELM模型，每个小种群的规模n，子群个数m，子群随机重构周期R，粒子群的编码方式为权重W和偏置b，对ELM模型进行优化更好的找到适值函数的全局最优解，避免陷入局部最优，求解出ELM输入层和输出层的权重和偏置值。

有益效果：本发明提供的一种混合机器学习模型的滑坡位移预测方法，该方法将所采集的数据信息进一步挖掘利用最大程度上避免数据的浪费；避免以往模型建立所需建立繁琐的力学方程和耗时的地形建模过程，采用极限学习机来建模，动态多群粒子群进行优化求解模型参数，将模型建立时间周期大大缩短，降低成本；采用时间序列原理，将原始测量数据分解为趋势项和周期项，采用不同的方法进行预测使预测结果的稳定性和准确性有了很好的保证，提高了预测结果的可信度。

附图说明

图1为本发明实施例中的一种混合机器学习模型的滑坡位移预测方法的流程示意图；

图2为本发明实施例的动态多群粒子群优化算法示例图；

图3为本发明实施例的动态多群粒子群优化算法粒子编码图；

图4为本发明实施例的滑坡位移预测过程结构组成示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。

实施例：

如图1所示，一种混合机器学习模型的滑坡位移预测方法，包括如下步骤：

S1、从滑坡山体位移监测点和影响因素传感器获取N组滑坡位移数据，并对N组滑坡位移数据进行预处理；具体是滑坡位移监测点布置为三纵一横的观测网使所测滑坡位移数据能充分代表滑坡特征和趋势，传感器主要有库水位和降雨量的测量数据，根据时间序列分析原理，进行小波去燥处理；

S2、将预处理后的N组滑坡位移数据采用霍德里克-普雷斯科特滤波器分解为N组趋势项和N组周期项，N组趋势项包括N组影响因素趋势项和N组位移趋势项，N组周期项包括N组影响因素周期项和N组位移周期项；

具体是：将第i的监测点采集到的第k(k＝1,2,3,…,N)组位移数据用表示，第j个传感器第k组数据表示为和通过小波去燥后得到数据和采用HP滤波器从和中提取出趋势项和

其中k＝1,2,3,…,N，大括号中多项式的第一部分是对波动成分的度量，第二部分是对趋势成分“平滑程度”的度量，λ和μ(λ>0，μ>0)为平滑指数，用以调节两者的比重，称为平滑参数。我们采用经济学家在处理季度数据时λ和μ均为1600的这一值。

用总位移减去趋势项分量得到周期项分量为：

S3、用前M组位移趋势项采用二阶指数平滑的方法构建滑坡趋势项位移预测模型，并作为训练集，训练趋势项位移预测模型，得到趋势位移量，并将趋势位移量输出，其中M+L＝N；L组位移趋势项不输入到趋势项位移预测模型中，只用来验证此模型对该实例滑坡位移是否适用；

将所获取趋势项位移数据进行二次指数平滑构建趋势项位移预测模型具体方法是：

F_T+t＝a_t+Tb_t

上述公式中为一次平滑值，为二次平滑值，α为平滑系数，F_T+t为T+t时的预测值，T为间隔时间；t＝0时，一般令

S4、用前M组影响因素周期项和前M组位移周期项采用动态多群粒子群优化算法的极限学习机构建滑坡周期项位移预测模型，并作为训练集，训练周期项位移预测模型；将后L组影响因素周期项输入训练好的周期项位移预测模型中，得到周期位移量，并将周期位移量输出；L组位移趋势项不输入到趋势项位移预测模型中，只用来验证此模型对该实例滑坡位移是否适用；

动态多群粒子群优化ELM的算法步骤为：

S4-1、确定模型输入，输出：将影响因子周期项和周期位移进行灰度关联性分析，选取关联系数大于0.5的indim个因素作为模型输入，而周期位移作为输出。极限学习机则有indim个输入层，hiddennum个隐含层，和outdim个输出层。

S4-2、初始化，对要训练的权值和阈值进行随机初始化；选择合适的种群规模，设定每个小种群的规模n，子群个数m，和子群随机重构周期R，由于输入层和隐含层，隐含层和输出层之间的每两个神经元之间均有一个权值W和阈值b。则粒子维度；

D＝(indim+1)*hiddennum+(hiddennum+1)*outdim

其中w有kw＝indim*hiddennum+hiddennum*outdim个，b有kb＝hiddennum+outdim个采用动态多群粒子群算法优化ELM的输入权值和阈值，将ELM的输入权值和闽值对粒子进行编码，对粒子进行编码为如图3的形式；

S4-3、确定适值函数，以训练样本的均方误差(mse)作为粒子群算法的适值函数，适值越小说明预测值准确度越高，得到的权值和阈值就越接近全局最优。最适应度函数设定为真实值与预测值为二次范数的最小值，Pⁱ表示第i个监测点的周期位移预测值，

S4-4、计算每个粒子的个体极值和全局极值；更新粒子速度和位子，并周期性重构子群；

S4-5、迭代，直到满足终止条件max(最大迭代次数)或erro(可接受最小误差范围)退出得到模型参数即权值和阈值，算法流程如图2所示。

S5、将步骤S3得到的趋势位移量和步骤S4得到的周期位移量相加整合，得到总滑坡位移预测值。

本发明混合机器学习模型在滑坡位移预测中的应用：

如图4所示，先对滑坡实例进行位移和影响因素数据进行采集和预处理，如对滑坡检测点每月进行一次滑动位移记录，并通过传感器记录降雨量、库水位等其他与滑坡相关的影响因素，经预处理后作为数据集使用。

通过对所得数据集进行周期项和趋势项的分离分别构建趋势项预测模型和周期项预测模型。

输入待预测位移所对应的影响因素输入量，得到模型输出，绘制预测曲线。

Claims (5)

1.一种混合机器学习模型的滑坡位移预测方法，其特征在于，包括如下步骤：

S1、从滑坡山体位移监测点和影响因素传感器获取N组滑坡位移数据，并对N组滑坡位移数据进行预处理；

S2、将预处理后的N组滑坡位移数据分解为N组趋势项和N组周期项，N组趋势项包括N组影响因素趋势项和N组位移趋势项，N组周期项包括N组影响因素周期项和N组位移周期项；

S3、用前M组位移趋势项构建滑坡趋势项位移预测模型，并作为训练集，训练趋势项位移预测模型，得到趋势位移量，并将趋势位移量输出；其中M+L=N；

S4、用前M组影响因素周期项和前M组位移周期项构建滑坡周期项位移预测模型，并作为训练集，训练周期项位移预测模型；将后L组影响因素周期项输入训练好的周期项位移预测模型中，得到周期位移量，并将周期位移量输出；

S5、将步骤S3得到的趋势位移量和步骤S4得到的周期位移量相加整合，得到总滑坡位移预测值。

2.根据权利要求1所述的一种混合机器学习模型的滑坡位移预测方法，其特征在于，步骤S1中，所述的预处理，是将N组位移和影响因素数据均看作时间序列，进行小波去燥处理。

3.根据权利要求1所述的一种混合机器学习模型的滑坡位移预测方法，其特征在于，步骤S2中，所述的分解，是采用霍德里克-普雷斯科特滤波器将预处理后的滑坡位移数据分解成趋势项和周期项。

4.根据权利要求1所述的一种混合机器学习模型的滑坡位移预测方法，其特征在于，步骤S3中，所述的趋势项位移预测模，是采用二阶指数平滑的方法构建。

5.根据权利要求1所述的一种混合机器学习模型的滑坡位移预测方法，其特征在于，步骤S4中，所述的周期项位移预测模型，是采用动态多群粒子群优化算法的极限学习机来构建，具体方法如下：

S4-1、采用灰度关联算法将影响因素周期项和位移周期项进行关联度分析，关联度>=0.5的选做特征输入；

S4-2、将关联度>=0.5的特征，输入极限学习机模型（ELM）中进行训练，得到ELM模型输入层和输出层的权重和偏置值；

S4-3、构建适应度函数，对粒子进行编码，采用动态多群粒子群优化算法优化ELM模型，每个小种群的规模n，子群个数m，子群随机重构周期R，粒子群的编码方式为权重W和偏置b，对ELM模型进行优化更好的找到适值函数的全局最优解，避免陷入局部最优，求解出ELM输入层和输出层的权重和偏置值。