CN112818597A - 一种滑坡点位移预测方法、预测设备及存储介质 - Google Patents

一种滑坡点位移预测方法、预测设备及存储介质 Download PDF

Info

Publication number
CN112818597A
CN112818597A CN202110130434.3A CN202110130434A CN112818597A CN 112818597 A CN112818597 A CN 112818597A CN 202110130434 A CN202110130434 A CN 202110130434A CN 112818597 A CN112818597 A CN 112818597A
Authority
CN
China
Prior art keywords
item
displacement
landslide
prediction
trend
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
Application number
CN202110130434.3A
Other languages
English (en)
Other versions
CN112818597B (zh
Inventor
林成远
张俊荣
唐辉明
李长冬
道恩·田纳特
邹宗兴
王倩芸
谭钦文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110130434.3A priority Critical patent/CN112818597B/zh
Publication of CN112818597A publication Critical patent/CN112818597A/zh
Application granted granted Critical
Publication of CN112818597B publication Critical patent/CN112818597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种滑坡点位移预测方法、预测设备及存储介质，方法包括以下步骤：重构形成重构项，采用结合t检验的CEEMD分解方法，分解出高频项、低频项和趋势项；将原始项、重构项、高频项和低频项作为周期项输入参数待选项，将趋势项作为趋势项输入参数待选项；使用CEEMD将滑坡累计位移时间序列数据得到滑坡位移周期项和滑坡位移趋势项；将滑坡位移周期项与周期项输入参数待选项对比进行优选；将滑坡位移趋势项与趋势项输入参数待选项对比进行优选；对群智能优化算法进行优选，与SVR模型结合，得到滑坡累计位移预测结果。本发明提出的技术方案的有益效果是：对滑坡位移影响较大的诱发因素进行优选，基于多群智能优化算法建立SVR预测模型，可提高预测精度。

Description

一种滑坡点位移预测方法、预测设备及存储介质
技术领域
本发明涉及地质灾害预测技术领域，尤其涉及一种滑坡点位移预测方法、预测设备及存储介质。
背景技术
我国地形复杂，山地众多，是地质灾害高发区域，其中，滑坡地质灾害发生频率高，危害范围广，伤害程度大，每年造成的巨大经济与人员损失，因而成为悬在人民头顶的达摩克利斯剑。为提前做好防控，降低人财损失，滑坡位移预测预报成为滑坡地质灾害研究的热点与难点，国内外专家几十年来做了大量研究。
虽然滑坡位移的预测方法众多，但是基本流程是相同的。其中，滑坡位移的分解和预测模型的建立是影响最终预测效果的关键。常用的例如：时序分析法和简单移动平均法的结合、EMD分解、EEEMD、CEEMD分解、VMD分解、小波分解。上述方法都得到一定的应用，但其中，CEEMD分解后的残余项作为趋势项在使用最小二乘法拟合时存在多项式次数少了拟合不准确，多了又会产生过拟合问题，严重影响预测精度。再者，现有研究往往集中在利用优化算法对SVR模型本身的核函数参数g和惩罚因子C进行寻优以提高其精确性。常用的寻优方法包括了粒子寻优(PSO)、遗传算法(GA)、蚁群优化算法(ACO)等等。由于优化算法的NFL理论，没有一个算法是普适的，针对新的结构，应当探讨其使用效果。同时模型参数的选取也是一个重要的思考问题，常用的灰色关联模型、LCSS法，均有一定的效果，但是需要开拓新的模型参数选择方法。
因此，针对上述问题，采用新的算法及架构形成新的滑坡位移预测方法以提高滑坡位移预测精度，丰富滑坡预测理论具有非常重要的实际意义与应用前景。
发明内容
有鉴于此，为解决上述问题，本发明的实施例提供了一种滑坡点位移预测方法、预测设备及存储介质。
本发明的实施例提供一种滑坡点位移预测方法，包括以下步骤：
S1对原始降雨、库水位、滑坡累计位移时间序列数据--诱发因素原始项进行重构形成诱发因素重构项；
S2采用结合t检验的CEEMD分解方法，将诱发因素重构项分解出诱发因素高频项、诱发因素低频项和趋势项；将诱发因素原始项、诱发因素重构项、诱发因素高频项和诱发因素低频项作为周期项输入参数待选项，将趋势项作为趋势项输入参数待选项；
S3使用CEEMD分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余项，将所有的IMF分量累加得到滑坡位移周期项，残余项为滑坡位移趋势项；
S4将滑坡位移周期项与周期项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为周期项输入参数；将滑坡位移趋势项与趋势项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为趋势项输入参数；
S5对群智能优化算法进行优选，并与SVR模型结合，对周期项输入参数进行群智能优化后的SVR预测得到周期项位移SVR预测模型的最优预测结果，对趋势项输入参数进行群智能优化后的SVR预测得到趋势项位移SVR预测模型的最优预测结果，将周期项位移SVR预测模型的最优预测结果与趋势项位移SVR预测模型的最优预测结果累加得到滑坡累计位移预测结果。
进一步地，步骤S1具体为：
将降雨时间序列数据重构为当月降雨量时间序列、前两月累计降雨量时间序列、当月与前一个月累计降雨量时间序列、当月与前两个月累计降雨量时间序列；将库水位时间序列数据重构为当月库水位时间序列、库水位月间变化时间序列、库水位两月间变化时间序列；将滑坡累计位移时间序列数据重构为前一个月位移时间序列，当月与前一个月位移时间序列。
进一步地，步骤S2包括：
S21采用CEEMD分解方法将S1中重构的各种时间序列分别分解为n个IMF分量和一个残余项：IMF1、IMF2...IMFn、Residue；
S22将第m个IMF分量IMFm与第一个IMF分量IMF1进行t检验，若IMFm均值与IMF1均值的差异显著性小于阈值，则IMF1-IMFm-1的叠加结果为诱发因素高频序列，IMFm-IMFn的叠加结果为诱发因素低频序列，Residue为诱发因素趋势项，其中，1<m≦n。
进一步地，步骤S4中：
将滑坡位移周期项与周期项输入参数待选项进行归一化处理，通过EDR计算各周期项输入参数待选项与滑坡位移周期项的相似程度；
将滑坡位移趋势项与趋势项输入参数待选项进行归一化处理，通过EDR计算各趋势项输入参数待选项与滑坡位移趋势项的相似程度。
进一步地，步骤S5中：
选取了麻雀优化、蜻蜓优化、鲸鱼优化、灰狼优化、蝙蝠优化、蝗虫优化六个群智能优化算法，对周期项位移SVR预测模型与趋势项位移SVR预测模型分别优化，以R2为评价指标，对优化算法进行优选。
进一步地，对于麻雀优化算法，发现者数量20％，预测到危险麻雀数10％，安全阈值0.8；
对于蜻蜓优化算法，惯性权重0.9～0.2，分离、列队、聚集、捕食、天敌权重分别为0.1、0.1、0.7、1、1；
对于鲸鱼优化算法，a取值范围为0～2，b取值1；
对于灰狼优化算法，最优解a取2线性递减到0，协同系数向量[-a，a]，协同系数向量[0，2]中的随机值；
对于蝙蝠优化算法，虚拟蝙蝠数量25～50个，频率最小和最大分别为0和2，响度为0.35，脉冲率为0.5；
对于蝗虫优化算法，缩小系数最小最大分别取1与0.00004，吸引力长度标度和和吸引力强度分别为1.5和0.5。
进一步地，优选蜻蜓优化算法，对滑坡位移周期项进行预测。
进一步地，优选灰狼优化算法，对滑坡位移趋势项进行预测。
本发明的实施例还提供一种滑坡点位移预测设备，所述滑坡点位移预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的滑坡点位移预测程序，所述滑坡点位移预测程序被所述处理器执行时实现如上所述的滑坡点位移预测方法的步骤。
本发明的实施例还提供一种存储介质，所述存储介质上存储有滑坡点位移预测程序，所述滑坡点位移预测程序被处理器执行时实现如上所述的滑坡点位移预测方法的步骤。
本发明的实施例提供的技术方案带来的有益效果是：本发明提供的预测方法先重构库水位与降雨诱发因素、累计位移的时间序列，后通过t检验与CEEMD结合的方法提取对滑坡周期项位移影响较大的频率成分，与对滑坡趋势项位移影响较大的诱发因素趋势成分，可以更好的提取对滑坡周期项位移影响较大的频率成分，通过SVR分别建立模型预测，可以更好的提高滑坡位移预测的精度。现有的滑坡位移预测方法少有基于CEEMD位移分解，本发明应用CEEMD分解位移项后使用SVR对趋势项预测，解决了使用最小二乘法带来的精度不足或过拟合的问题。
本发明提出了基于归一化与EDR的滑坡诱发因素选择方法，实现了对滑坡位移影响较大的诱发因素的优选，对滑坡位移预测精度的提升具有有益效果。同时，提出了基于多群智能优化算法建立的SVR预测模型，更好的提高了预测精度。
附图说明
图1是本发明提供的滑坡点位移预测设备一实施例的结构示意图；
图2是本发明提供的滑坡点位移预测方法一实施例的操作流程图；
图3为滑坡累计位移时间序列数据预测效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的滑坡点位移预测设备结构示意图。
如图1所示，该滑坡点位移预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、客户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。客户接口1003可以包括显示屏(Display)，可选客户接口1003还可以包括标准的有线接口、无线接口，对于客户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对滑坡点位移预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、客户接口模块以及滑坡点位移预测方法程序。
在图1所示的滑坡点位移预测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；客户接口1003主要用于连接所述客户端；所述滑坡点位移预测设备通过处理器1001调用存储器1005中存储的滑坡点位移预测的方法的程序，并执行本发明实施例提供的滑坡点位移预测的方法的步骤。
基于上述硬件结构，提出本发明滑坡点位移预测的方法的实施例。
请参见图2，图2为本发明滑坡点位移预测方法一实施例的流程示意图。本发明的实施例提供一种滑坡点位移预测方法，包括以下步骤：
S1对原始降雨、库水位、滑坡累计位移时间序列数据--诱发因素原始项进行重构形成诱发因素重构项。
具体的，将降雨时间序列数据重构为当月降雨量时间序列L1、前两月累计降雨量时间序列L2、当月与前一个月累计降雨量时间序列L3、当月与前两个月累计降雨量时间序列L4；将库水位时间序列数据重构为当月库水位时间序列X1、库水位月间变化时间序列X2、库水位两月间变化时间序列X3；将滑坡累计位移时间序列数据重构为前一个月位移时间序列D1，当月与前一个月位移时间序列D2，对诱发因素时间序列进行预处理。
S2采用结合t检验的CEEMD分解方法，将诱发因素重构项分解出诱发因素高频项、诱发因素低频项和趋势项；将诱发因素原始项、诱发因素重构项、诱发因素高频项和诱发因素低频项作为周期项输入参数待选项，将趋势项作为趋势项输入参数待选项。
步骤S2具体包括：
S21采用CEEMD分解方法将S1中重构的各种时间序列分别分解为n个IMF分量和一个残余项：IMF1、IMF2...IMFn、Residue；
S22将第m个IMF分量IMFm与第一个IMF分量IMF1进行t检验，若IMFm均值与IMF1均值的差异显著性小于阈值0.05，则IMF1-IMFm-1的叠加结果为诱发因素高频序列，IMFm-IMFn的叠加结果为诱发因素低频序列，Residue为诱发因素趋势项，其中，1<m≦n。剩余的残余项作为诱发因素趋势项反映诱发因素的长期变化趋势。
因此，当每一时间序列均可重构出高频序列和低频序列时，例如当月降雨量时间序列(L1)可重构出高频序列L5和低频序列L9，前两月累计降雨量时间序列(L2)可重构出高频序列L6和低频序列L10，当月与前一个月累计降雨量时间序列(L3)可重构出高频序列L7和低频序列L11，当月与前两个月累计降雨量时间序列(L4)可重构出高频序列L8和低频序列L12，降雨时间序列数据可重构得到高频组分L5-L8，低频组分L9-L12，残余组分LR；库水位时间序列数据可重构得到高频组分X4-X6，低频组分X7-X9，残余组分XR；位移时间序列数据可重构得到高频组分D3、D4，低频组分D5、D6，残余组分DR。
S3使用CEEMD分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余项，将所有的IMF分量累加得到滑坡位移周期项，残余项为滑坡位移趋势项。本实施例中，在进行CEEMD分解时，参数N(总体的个数)和ε(高斯白噪声的幅度)分别取默认值200和0.2。
S4将滑坡位移周期项与周期项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为周期项输入参数；将滑坡位移趋势项与趋势项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为趋势项输入参数。
具体的，将滑坡位移周期项与周期项输入参数待选项进行归一化处理以消除量纲差异，通过EDR计算各周期项输入参数待选项与滑坡位移周期项的相似程度；将滑坡位移趋势项与趋势项输入参数待选项进行归一化处理，通过EDR计算各趋势项输入参数待选项与滑坡位移趋势项的相似程度。
S5对群智能优化算法进行优选，并与SVR模型结合，对周期项输入参数进行群智能优化后的SVR预测得到周期项位移SVR预测模型的最优预测结果，对趋势项输入参数进行群智能优化后的SVR预测得到趋势项位移SVR预测模型的最优预测结果，将周期项位移SVR预测模型的最优预测结果与趋势项位移SVR预测模型的最优预测结果累加得到滑坡累计位移预测结果。
具体的，选取了麻雀优化、蜻蜓优化、鲸鱼优化、灰狼优化、蝙蝠优化、蝗虫优化六个群智能优化算法，对周期项位移SVR预测模型与趋势项位移SVR预测模型分别优化，以R2为评价指标，对优化算法进行优选。选取预测精度最高的优化算法为最终使用算法。预测时，已有数据的80％数据点作为训练集，20％数据点为验证集用于验证预测效果。
六个群智能优化算法MSI的输入参数为：对于麻雀优化算法，发现者数量20％，预测到危险麻雀数10％，安全阈值0.8；对于蜻蜓优化算法，惯性权重0.9～0.2，分离、列队、聚集、捕食、天敌权重分别为0.1、0.1、0.7、1、1；对于鲸鱼优化算法，a取值范围为0～2，b取值1；对于灰狼优化算法，最优解a取2线性递减到0，协同系数向量[-a，a]，协同系数向量[0，2]中的随机值；对于蝙蝠优化算法，虚拟蝙蝠数量25～50个，频率最小和最大分别为0和2，响度为0.35，脉冲率为0.5；对于蝗虫优化算法，缩小系数最小最大分别取1与0.00004，吸引力长度标度和和吸引力强度分别为1.5和0.5。其中：鲸鱼、灰狼、蝙蝠、参数少，准确性与计算效率较高，麻雀、蜻蜓、蝗虫全局寻优与稳定性好。
以下以三峡库区滑坡石榴树包滑坡监测点G1为具体实施例，介绍本发明提供的技术方案的使用效果：
通过对原始降雨、库水位、滑坡累计位移时间序列数据重构之后的CEEMD分解和t-test配对检验可以获得变形数据的高低频率成分，部分因素分解后只存在高频成分。通过EDR分别选取石榴树包滑坡监测点G1最佳SVR模型最佳输入参数，结果如表1所示：
分别计算原始影响因素数据、重构影响因素数据、影响因素频率成分数据与G1位移分解后的周期位移的EDR距离，距离最小说明相似程度最高，可作为周期项SVR预测模型的输入参量。同时，影响因素分类为降雨、库水位、位移项三类，因此，共计得到三个诱发因素输入参数，周期项SVR预测模型的输入参量是L3低频项，X2高频项与D2高频项，同理可得趋势项SVR预测模型的输入参量为X1、L4与D2的CEEMD分解残余项。
表1各诱发因素重构数据
Figure BDA0002924958100000091
对于该监测点的周期项位移和趋势项位移，通过6个群智能寻优SVR预测模型参数C，g后，对周期项位移和趋势项位移分别进行预测。寻优结果如表2和表3所示：
表2各优化算法对周期项位移进行预测的寻优结果
Figure BDA0002924958100000092
Figure BDA0002924958100000101
表3各优化算法对趋势项位移进行预测的寻优结果
优化算法 MAPE RMSE MAE R<sup>2</sup> C g
蝙蝠优化BA 0.011 103.394 178.469 0.987 220.67 0.00109
蜻蜓优化DA 0.003 27.713 122.755 0.978 66505.72 0.00001
蝗虫优化GOA 0.005 65.310 161.053 0.985 16.13 0.0010
灰狼优化GWO 0.010 95.918 184.419 0.995 474.94 0.0010
麻雀优化SSA 0.003 30.978 129.770 0.994 16.17 0.0010
鲸鱼优化WOA 0.006 52.820 140.333 0.972 1.74 0.0100
其中，蜻蜓优化算法DA展现了较好的预测效果，其拟合度评价指标R2最大，为0.824，说明该优化模型效果较好，因此选择蜻蜓优化算法DA为周期项的预测优化算法，对应结果为周期项的预测值。灰狼优化算法GWO在趋势项位移预测中展现了较好的预测效果，其拟合度评价指标R2无限接近1，说明该优化模型效果较好，因此选择灰狼优化算法GWO为趋势项的预测优化算法，对应结果为趋势项的预测值。在获得趋势项的预测值与周期项的预测值后，将二者累加可以获得累计位移的最终预测结果。
图3为评估本发明方法的预测效果，本发明方法预测的位移结果与监测结果相比展现了较好的一致性。最大相对误差小于3％，平均相对误差小于1％，根据表4，预测性能属于I级，通过本发明预测方法可以得到较好的预测效果。
表4优化算法预测性能对比表
Figure BDA0002924958100000102
Figure BDA0002924958100000111
本发明提供的预测方法先重构库水位与降雨诱发因素、累计位移的时间序列，后通过t检验与CEEMD结合的方法提取对滑坡周期项位移影响较大的频率成分，与对滑坡趋势项位移影响较大的诱发因素趋势成分，可以更好的提取对滑坡周期项位移影响较大的频率成分，通过SVR分别建立模型预测，可以更好的提高滑坡位移预测的精度。现有的滑坡位移预测方法少有基于CEEMD位移分解，本发明应用CEEMD分解位移项后使用SVR对趋势项预测，解决了使用最小二乘法带来的精度不足或过拟合的问题。
本发明提出了基于归一化与EDR的滑坡诱发因素选择方法，实现了对滑坡位移影响较大的诱发因素的优选，对滑坡位移预测精度的提升具有有益效果。同时，提出了基于多群智能优化算法建立的SVR预测模型，更好的提高了预测精度。
此外，本发明还提供一种存储介质，该存储介质上存储有滑坡点位移预测程序，所述滑坡点位移预测程序被处理器执行时实现如上任一项所述的滑坡点位移预测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种滑坡点位移预测方法，其特征在于，包括以下步骤：
S1对原始降雨、库水位、滑坡累计位移时间序列数据--诱发因素原始项进行重构形成诱发因素重构项；
S2采用结合t检验的CEEMD分解方法，将诱发因素重构项分解出诱发因素高频项、诱发因素低频项和趋势项；将诱发因素原始项、诱发因素重构项、诱发因素高频项和诱发因素低频项作为周期项输入参数待选项，将趋势项作为趋势项输入参数待选项；
S3使用CEEMD分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余项，将所有的IMF分量累加得到滑坡位移周期项，残余项为滑坡位移趋势项；
S4将滑坡位移周期项与周期项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为周期项输入参数；将滑坡位移趋势项与趋势项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为趋势项输入参数；
S5对群智能优化算法进行优选，并与SVR模型结合，对周期项输入参数进行群智能优化后的SVR预测得到周期项位移SVR预测模型的最优预测结果，对趋势项输入参数进行群智能优化后的SVR预测得到趋势项位移SVR预测模型的最优预测结果，将周期项位移SVR预测模型的最优预测结果与趋势项位移SVR预测模型的最优预测结果累加得到滑坡累计位移预测结果。
2.如权利要求1所述的滑坡点位移预测方法，其特征在于，步骤S1具体为：
将降雨时间序列数据重构为当月降雨量时间序列、前两月累计降雨量时间序列、当月与前一个月累计降雨量时间序列、当月与前两个月累计降雨量时间序列；将库水位时间序列数据重构为当月库水位时间序列、库水位月间变化时间序列、库水位两月间变化时间序列；将滑坡累计位移时间序列数据重构为前一个月位移时间序列，当月与前一个月位移时间序列。
3.如权利要求1所述的滑坡点位移预测方法，其特征在于，步骤S2包括：
S21采用CEEMD分解方法将S1中重构的各种时间序列分别分解为n个IMF分量和一个残余项：IMF1、IMF2...IMFn、Residue；
S22将第m个IMF分量IMFm与第一个IMF分量IMF1进行t检验，若IMFm均值与IMF1均值的差异显著性小于阈值，则IMF1-IMFm-1的叠加结果为诱发因素高频序列，IMFm-IMFn的叠加结果为诱发因素低频序列，Residue为诱发因素趋势项，其中，1<m≦n。
4.如权利要求1所述的滑坡点位移预测方法，其特征在于，步骤S4中：
将滑坡位移周期项与周期项输入参数待选项进行归一化处理，通过EDR计算各周期项输入参数待选项与滑坡位移周期项的相似程度；
将滑坡位移趋势项与趋势项输入参数待选项进行归一化处理，通过EDR计算各趋势项输入参数待选项与滑坡位移趋势项的相似程度。
5.如权利要求1所述的滑坡点位移预测方法，其特征在于，步骤S5中：
选取了麻雀优化、蜻蜓优化、鲸鱼优化、灰狼优化、蝙蝠优化、蝗虫优化六个群智能优化算法，对周期项位移SVR预测模型与趋势项位移SVR预测模型分别优化，以R2为评价指标，对优化算法进行优选。
6.如权利要求5所述的滑坡点位移预测方法，其特征在于，对于麻雀优化算法，发现者数量20％，预测到危险麻雀数10％，安全阈值0.8；
对于蜻蜓优化算法，惯性权重0.9～0.2，分离、列队、聚集、捕食、天敌权重分别为0.1、0.1、0.7、1、1；
对于鲸鱼优化算法，a取值范围为0～2，b取值1；
对于灰狼优化算法，最优解a取2线性递减到0，协同系数向量[-a，a]，协同系数向量[0，2]中的随机值；
对于蝙蝠优化算法，虚拟蝙蝠数量25～50个，频率最小和最大分别为0和2，响度为0.35，脉冲率为0.5；
对于蝗虫优化算法，缩小系数最小最大分别取1与0.00004，吸引力长度标度和和吸引力强度分别为1.5和0.5。
7.如权利要求6所述的滑坡点位移预测方法，其特征在于，优选蜻蜓优化算法，对滑坡位移周期项进行预测。
8.如权利要求6所述的滑坡点位移预测方法，其特征在于，优选灰狼优化算法，对滑坡位移趋势项进行预测。
9.一种滑坡点位移预测设备，其特征在于，所述滑坡点位移预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的滑坡点位移预测程序，所述滑坡点位移预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的滑坡点位移预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有滑坡点位移预测程序，所述滑坡点位移预测程序被处理器执行时实现如权利要求1至8中任一项所述的滑坡点位移预测方法的步骤。
CN202110130434.3A 2021-01-29 2021-01-29 一种滑坡点位移预测方法、预测设备及存储介质 Active CN112818597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110130434.3A CN112818597B (zh) 2021-01-29 2021-01-29 一种滑坡点位移预测方法、预测设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110130434.3A CN112818597B (zh) 2021-01-29 2021-01-29 一种滑坡点位移预测方法、预测设备及存储介质

Publications (2)

Publication Number Publication Date
CN112818597A true CN112818597A (zh) 2021-05-18
CN112818597B CN112818597B (zh) 2022-06-24

Family

ID=75860368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110130434.3A Active CN112818597B (zh) 2021-01-29 2021-01-29 一种滑坡点位移预测方法、预测设备及存储介质

Country Status (1)

Country Link
CN (1) CN112818597B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330839A (zh) * 2021-12-13 2022-04-12 重庆邮电大学 一种基于woa-lstm模型的滑坡位移预测方法
CN116626448A (zh) * 2023-04-18 2023-08-22 国网江西省电力有限公司南昌供电分公司 一种基于云平台的光缆防外破监测系统
CN114330839B (zh) * 2021-12-13 2024-05-28 重庆邮电大学 一种基于woa-lstm模型的滑坡位移预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018011698A1 (en) * 2016-07-13 2018-01-18 Università Della Calabria A system for the predictive safety calculation
CN112149285A (zh) * 2020-08-31 2020-12-29 中国地质大学（武汉） 一种基于优化参数选择的滑坡预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018011698A1 (en) * 2016-07-13 2018-01-18 Università Della Calabria A system for the predictive safety calculation
CN112149285A (zh) * 2020-08-31 2020-12-29 中国地质大学（武汉） 一种基于优化参数选择的滑坡预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JUNRONG ZHANG: "A Hybrid Landslide Displacement Prediction Method Based on CEEMD and DTW-ACO-SVR—Cases Studied in the Three Gorges Reservoir Area", 《SENSORS》 *
何少其等: "库岸堆积层滑坡位移的分量响应模式及多因子模型", 《岩土力学》 *
刘勇等: "滑坡位移非线性时间序列预测模型研究", 《地质科技情报》 *
喻孟良等: "基于变系数回归模型的三峡库区滑坡位移预测", 《地球科学》 *
杨背背等: "基于时间序列与长短时记忆网络的滑坡位移动态预测模型", 《岩石力学与工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330839A (zh) * 2021-12-13 2022-04-12 重庆邮电大学 一种基于woa-lstm模型的滑坡位移预测方法
CN114330839B (zh) * 2021-12-13 2024-05-28 重庆邮电大学 一种基于woa-lstm模型的滑坡位移预测方法
CN116626448A (zh) * 2023-04-18 2023-08-22 国网江西省电力有限公司南昌供电分公司 一种基于云平台的光缆防外破监测系统

Also Published As

Publication number Publication date
CN112818597B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN111614690B (zh) 一种异常行为检测方法及装置
Mai et al. A lattice-based approach for mining high utility association rules
CN104252527B (zh) 一种确定移动用户的常驻点信息的方法和装置
Gul et al. An artificial neural network-based earthquake casualty estimation model for Istanbul city
Guo et al. An ensemble forecast model of dengue in Guangzhou, China using climate and social media surveillance data
CN112087420B (zh) 一种网络杀伤链检测方法、预测方法及系统
CN111460818B (zh) 一种基于增强胶囊网络的网页文本分类方法及存储介质
CN109034960B (zh) 一种基于用户节点嵌入的多属性推断的方法
CN112149285B (zh) 一种基于优化参数选择的滑坡预测方法
CN112818597B (zh) 一种滑坡点位移预测方法、预测设备及存储介质
EP4272087A1 (en) Automated linear clustering recommendation for database zone maps
CN115221396A (zh) 基于人工智能的信息推荐方法、装置及电子设备
CN110968564A (zh) 一种数据处理方法及数据状态预测模型的训练方法
Krakovsky et al. Cyberattack intensity forecasting on informatization objects of critical infrastructures
CN110855474B (zh) Kqi数据的网络特征提取方法、装置、设备及存储介质
CN116721781A (zh) 虫媒传染病传播风险的预测方法、装置、电子设备及介质
CN106600100A (zh) 一种基于加权的多种群粒子群优化的危险源原因分析方法
JP2012079225A (ja) 協調フィルタリング処理方法およびプログラム
CN115062954A (zh) 应用于工程建设的多维度风险评估方法、装置和设备
CN110472818B (zh) 一种快速评价扰动湿地恢复力的方法
CN114358186A (zh) 一种数据处理方法、装置及计算机可读存储介质
CN113408579A (zh) 一种基于用户画像的内部威胁预警方法
CN114064723A (zh) 关联规则挖掘方法、装置、计算机设备和存储介质
Segarra-Martín et al. A novel approach to discover numerical association based on the coronavirus optimization algorithm
CN117369954B (zh) 一种面向大数据构建的风险处理框架的jvm优化方法和装置

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