CN112862069B - 基于svr-lstm混合深度学习的滑坡位移预测方法 - Google Patents

基于svr-lstm混合深度学习的滑坡位移预测方法 Download PDF

Info

Publication number
CN112862069B
CN112862069B CN202110081495.5A CN202110081495A CN112862069B CN 112862069 B CN112862069 B CN 112862069B CN 202110081495 A CN202110081495 A CN 202110081495A CN 112862069 B CN112862069 B CN 112862069B
Authority
CN
China
Prior art keywords
displacement
data
prediction
landslide
lstm
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.)
Active
Application number
CN202110081495.5A
Other languages
English (en)
Other versions
CN112862069A (zh
Inventor
王毅
段焱中
张茂省
彭钰博
王侃琦
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.)
NORTHWEST UNIVERSITY
Original Assignee
NORTHWEST UNIVERSITY
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 NORTHWEST UNIVERSITY filed Critical NORTHWEST UNIVERSITY
Priority to CN202110081495.5A priority Critical patent/CN112862069B/zh
Publication of CN112862069A publication Critical patent/CN112862069A/zh
Application granted granted Critical
Publication of CN112862069B publication Critical patent/CN112862069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29Geographical information databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

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

Abstract

本发明公开了一种基于SVR‑LSTM混合深度学习的滑坡位移预测方法:步骤1:对位移数据EMD分解得到IMF分量和残差项。步骤2:将趋势项数据代入趋势项预测模型SVR训练;将剩余数据作为测试项代入训练好的模型得到趋势项预测结果。步骤3:得到多个周期项的候选训练属性。步骤4:计算互信息和皮尔逊相关系数并挑选影响因素。步骤5:使用影响因素作为LSTM的训练因素,得到多个LSTM模型;将剩余数据代入LSTM模型得到预测输出值,将每个IMF分量预测输出值相加得到周期项预测结果。步骤6:对周期项预测结果和趋势项预测结果中数据对应相加得到总的位移预测结果。本发明采用SVR和LSTM方法预测加和,使预测结果稳定性和准确性大大提高,保证了预测结果的可信度,且计算高效。

Description

基于SVR-LSTM混合深度学习的滑坡位移预测方法
技术领域
本发明属于滑坡位移预测技术领域,具体涉及一种基于SVR-LSTM混合深度学习的滑坡位移预测方法。
背景技术
滑坡包括山体滑坡、黄土滑坡等,是一种常见的地质灾害,是指在倾斜的山坡上,岩石、黄土,受到自身重力、降雨、地下水、地震、地表水浸泡、山体底部河水对斜坡坡脚的不断冲刷、不合理的人类工程活动,如开挖坡脚、爆破山体、水库蓄(泄)水,地震、冻融等,一些列的作用下,沿着贯通的剪切破坏面,发生整体的或者分散的沿着坡向角度向下滑动的一种地质灾害,这样的灾害导致的事故不断频发,给山体周围等很大范围内的居民带来巨大的安全隐患,所以,加强对滑坡的预防和智力具有很重要的意义,对滑坡位移距离预测关系到很多民生工程和周围居民的声明财产安全。对滑坡进行位移预测能够为人员和财产的安全转移获取到宝贵的时间,并且可以最大化限度的减少或避免滑坡造成的生命财产安全,并且为政府提供详细的可视化的动态的灾情决策。
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,存在计算量大、建模周期长的问题,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且预测的精确度不高。
发明内容
本发明的目的是,提供一种基于SVR-LSTM混合深度学习的滑坡位移预测方法,用于解决现有技术中存在的建立复杂的力学方程和统计模型费时费力、计算量大、建模周期长,以及传统建模对数据的使用程度偏低且预测的精确度不高的问题。
为了实现上述目的,本发明采用如下技术方案予以解决:
一种基于SVR-LSTM混合深度学习的滑坡位移预测方法,具体包括如下步骤:
步骤1:采集滑坡位移数据,包括位移数据、降水量、每月最大降水量、水位库存量;根据时间序列分析理论,对其中的位移数据进行EMD分解,得到多个IMF分量和一个残差项;将得到的多个IMF分量作为周期项,将得到的残差项作为趋势项。
步骤2:使用SVR方法作为趋势项预测模型,根据采集周期内的滑坡位移趋势项数据,视数据而定将前75%~85%的数据作为训练集代入趋势项预测模型中进行训练;将剩余数据作为测试项代入训练好的趋势项预测模型,得到多个趋势位移量,作为趋势项预测结果。
步骤3:根据步骤1采集到的数据的已知属性,构建特征工程,根据特征工程得到有利于训练和预测的多个周期项的候选训练属性。
构建特征工程的目的是为了得到更好的数据,能够最大限度的从原始数据中供后续的模型所使用。
步骤4:根据步骤3得到的多个周期项的候选训练属性,计算每个属性和滑坡累计位移之间的互信息和皮尔逊相关系数;并挑选相关性大的变量作为影响因素。
步骤5:步骤4得到的影响因素作为LSTM的训练属性,使用每个IMF分量分别训练其对应的LSTM,根据采集周期内的滑坡位移数据,视IMF数据而定将前75%~85%的数据作为训练集分别代入到对应的LSTM模型中进行训练,得到每个IMF分量对应的训练好的模型,将IMF中剩余数据代入训练好的LSTM模型,得到每个IMF分量预测的输出值,将每个IMF分量预测的输出值相加,得到周期项预测结果;
由于LSTM模型能够解决长时间的序列依赖问题,因此对本发明的方法所涉及的长时间滑坡位移预测能够有效提高精度。另外,LSTM模型能够在更高层表达抽象的信息,提取时间序列中的特点,减少神经元的个数,增加识别准确率并且降低训练时间。
步骤6:对步骤5的周期项预测结果和步骤2的趋势项预测结果中的数据一一对应相加,得到总的预测结果。
本发明的方法采用两种不同的方法进行预测,能够有效提高预测结果的稳定性和准确性,提高了预测结果的可信度。
进一步的,步骤1中所述的对其中的位移数据进行EMD分解,得到多个IMF分量和残差项,具体包括如下步骤:
步骤1-1:找到位移数据中的全部的局部极大值和极小值点。
步骤1-2:通过曲线拟合的方法对各个极值点形成上包络线和下包络线,对极小值形成下包络emin(t),对极大值形成上包络emax(t),此时原始数据就被上包络线和下包络线所包络;t为时间变量,具体表示滑坡位移数据的采集时间;
步骤1-3:计算上包络线和下包络线的均值m(t)=(emax(t)+emin(t))/2。
步骤1-4:计算hi(t)=f(t)-mi(t)。
其中,f(t)为采集的时间对应的原始位移数据;n为EMD分解的IMF的个数,i为迭代次数;IMF为EMD分解的结果之一,res为分解后得到的残差项;hi(t)为第i次迭代得到的中间值;mi(t)为第i次迭代得到的均值;
步骤1-5:判断收敛条件是否成立,是则执行步骤1-6,否则,令迭代次数i+1,重复执行1-1~1-4,得到满足条件的h(t),即为IMF。
步骤1-6:计算残差项
进一步的,所述步骤1-5中,所述收敛条件成立为以下两个条件同时成立:(1)在f(t)上,局部极大值点和过零点相差0或1,同时局部极小值点和过零点的数目相差0或1;(2)在任意时刻,局部最大值点的包络(上包络线)和局部最小值点的包络(下包络线)的平均值为零。
进一步的,所述步骤2中,将步骤1得到的趋势项中的75%~85%的数据作为训练集代入趋势项预测模型进行训练;
进一步的,所述步骤4具体包括如下步骤:
步骤4-1:计算每个属性和滑坡累计位移间的互信息。互信息是指两个变量间相互依赖性的度量,互信息的值取决于联合概率分布P(x,y)和分解的边缘概率分布的乘积p(X)p(Y)的相似程度,两个离散变量X和Y的互信息定义为下式:
式中,p(x,y)是X和Y的联合概率分布函数,而p(x)和p(y)分别是X和Y的边缘概率分布函数。
在本发明中,离散变量X为步骤3的每个周期项的候选训练属性的值x的集合,离散变量Y为累计位移的值y的集合。
步骤4-2:计算每个属性和滑坡累计位移之间的皮尔逊相关系数。
皮尔逊相关系数是衡量随机变量X和Y的线性相关程度的一种方法,相关系数的取值范围是[-1,1]。相关系数的值越大,则表明X和Y的相关度越高,反之相反,计算公式如下式:
其中,离散变量X为步骤3的每个周期项的候选训练属性的值x的集合,离散变量Y为累计位移的值y的集合,E(X)为离散变量X的期望,E(Y)为离散变量Y的期望,E(XY)为两个变量X和Y之间的联合概率分布。
步骤4-3:分别挑选步骤4-2得到的互信息和皮尔逊相关系数中的最大值对应的变量的前若干个,作为影响因素。
进一步的,所述步骤4-3中,分别挑选步骤4-2得到的互信息和皮尔逊相关系数中的最大值对应的变量的前3~5个,作为影响因素。
相较于现有技术,本发明的有益效果如下:
(1)在步骤1中对位移数据使用EMD分解,根据时间序列理论,将滑坡位移数据分解为趋势项和周期项,EMD能够根据位移数据自适应的进行数据分解,在后续步骤中分别处理,对不同项使用不同预测方法,优于单一的现有模型,大大提升位移预测精度。
(2)在步骤2中使用SVR方法有严格的理论基础,基本上不涉及概率测度以及大数定律,相较于现存大多数使用的多项式方法拟合,由于多项式方法拟合与次数密切相关,根据趋势增长,很容易增大误差,本发明使用SVR根据趋势项规律进行推理拟合,简化了统计流程,增加预测精度。
(3)在步骤5中使用LSTM方法,LSTM在处理时间序列数据时有着抽取更加抽象信息和时间处理的特点,数据利用率高,相较于传统的滑坡位移预测,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。
(4)在步骤6采用不同的方法即SVR方法和进行LSTM方法预测加和,使得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。且分项预测提高预测精度,使计算高效,可信度高。
附图说明
图1是本发明的方法的流程图;
图2是位移数据EMD分解图。
图3是12组趋势项的预测结果与实际趋势项的对比图。
图4是各个属性与滑坡累计位移之间的互信息数据图。
图5是各个属性之间的皮尔逊相关系数热力图。
图6是周期项位移预测对比图。
图7是本发明的方法预测总位移和真实位移对比图。
图8是现有的多项式-LSTM预测位移和真实位移结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。但不是对本发明的限定。
如图1所示,本实施例给出的基于SVR-LSTM混合深度学习的滑坡位移预测方法,具体包括如下步骤:
步骤1:采集滑坡位移数据,对位移数据进行EMD分解,得到多个IMF分量和残差项,将IMF分量作为周期项、残差项作为趋势项。
本实施例中由滑坡山体位移监测点和影响因素传感器获取到72组滑坡位移数据,包括位移数据、降水量、每月最大降水量、水位库存量。
参见图2,将得到IMF1和IMF2作为周期项,残差项作为趋势项。
步骤2:使用SVR方法作为趋势项预测模型,并将步骤1得到的趋势项中的前60个数据作为训练集代入趋势项预测模型进行训练;将后12个数据作为测试项代入训练好的趋势项预测模型,得到12个趋势位移量,作为趋势项预测结果。
如图3所示,趋势项预测结果与实际趋势项误差较小。由此可见,本发明引用了SVR方法作为趋势项预测模型,克服了传统趋势项预测模型(如多项式预测模型)的精度不高的缺点。
步骤3:根据步骤1采集到的数据的已知属性,构建特征工程,根据特征工程得到多个周期项的候选训练属性。
具体是根据已知属性,计算得到周期项的其他候选训练属性,它们与已知属性共同构成周期项的候选训练属性。
本实施例中,已知属性:当月降雨量作为变量a1、当月最大降雨量作为变量a3、库水位高程作为变量b1、滑坡累计位移c0。其中,滑坡累计位移c0即步骤1采集到的位移数据。
周期项的其他候选训练属性:前两个月降雨量a2、当月库水位变化b2、双月库水位变化b3、当月位移变化c1、双月位移增量c2、三月位移增量c3。
特征工程是指如下计算公式:
前两个月降雨量a2(t)=当月降雨量a1(t)+上月降雨量a1(t-1)
当月库水位变化b2(t)=当月库水位b1(t)-上月库水位b1(t-1)
双月库水位变化b3(t)=当月库水位b1(t)-上上月库水位b1(t-2)
当月位移变化c1(t)=当月滑坡位移c0(t)-上月滑坡位移c0(t-1)
双月位移增量c2(t)=当月滑坡位移c0(t)-上上月滑坡位移c0(t-2)
三月位移增量c3(t)=当月滑坡位移c0(t)-前3月滑坡位移c0(t-3)
步骤4:根据步骤3得到的多个周期项的候选训练属性,计算每个属性和滑坡累计位移之间的互信息和皮尔逊相关系数;并挑选相关性大的变量作为影响因素。
计算出的每个属性和滑坡累计位移之间的互信息和皮尔逊相关系数分别如图4、图5所示。
步骤5:步骤4得到的影响因素作为LSTM的训练属性,使用每个IMF分量分别训练对应的LSTM,根据采集的滑坡位移数据,以一年为周期,将每个IMF前60组数据作为训练集分别代入到对应的LSTM模型中进行训练,得到训练好的模型,将每个IMF剩余12组数据数据代入训练好的LSTM模型进行预测,得到每个IMF分量预测的输出值,将每个IMF分量预测的输出值相加,得到周期项预测结果;
预测的周期项对比结果如图6所示,从图中可见,预测结果精度较高。
步骤6:对第5步的周期项预测结果和第2步的趋势项预测结果中的数据一一对应相加,得到总的预测结果。总位移预测对比结果如图7所示。
通过图7和图8可以看出,图7的预测结果(圆圈)和真实值(实线)更加接近,而图8中预测结果(圆圈)和真实数据(实线)相差较大。可见本发明的方法将SVR和LSTM结合能够更好的适应滑坡数据的各项特征,优于现有的多项式-LSTM预测模型。

Claims (6)

1.一种基于SVR-LSTM混合深度学习的滑坡位移预测方法,其特征在于,包括如下步骤:
步骤1:采集滑坡位移数据,包括位移数据、降水量、每月最大降水量、水位库存量;对其中的位移数据进行EMD分解,得到多个IMF分量和一个残差项;将得到的多个IMF分量作为周期项,将残差项作为趋势项;
步骤2:使用SVR方法作为趋势项预测模型,将滑坡位移趋势项数据前75%~85%的数据作为训练集代入趋势项预测模型中进行训练,将剩余数据作为测试项代入训练好的趋势项预测模型,得到多个趋势位移量,作为趋势项预测结果;
步骤3:根据步骤1采集到的数据的已知属性,构建特征工程,根据特征工程得到多个周期项的候选训练属性;
步骤4:根据步骤3得到的多个周期项的候选训练属性,计算每个属性和滑坡累计位移之间的互信息和皮尔逊相关系数;并挑选相关性大的变量作为影响因素;具体包括如下步骤:
步骤4-1:计算每个属性和滑坡累计位移间的互信息;所述互信息的计算公式如下式:
式中,p(x,y)是X和Y的联合概率分布函数,而p(x)和p(y)分别是X和Y的边缘概率分布函数;其中,离散变量X为步骤3的每个周期项的候选训练属性的值x的集合,离散变量Y为累计位移的值y的集合;
步骤4-2:计算每个属性和滑坡累计位移之间的皮尔逊相关系数;
步骤4-3:分别挑选步骤4-1得到的互信息和步骤4-2得到的皮尔逊相关系数中的最大值对应的变量的前若干个,作为影响因素;
步骤5:步骤4得到的影响因素作为LSTM的训练属性,将每个IMF分量前75%~85%的数据作为训练集分别代入到对应的LSTM模型中进行训练,得到每个IMF分量对应的训练好的模型;将IMF中剩余数据代入训练好的LSTM模型,得到每个IMF分量预测的输出值,将每个IMF分量预测的输出值相加,得到周期项预测结果;
步骤6:对步骤5的周期项预测结果和步骤2的趋势项预测结果中的数据一一对应相加,得到总的预测结果。
2.如权利要求1所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法,其特征在于,步骤1中所述的对其中的位移数据进行EMD分解,得到多个IMF分量和残差项,具体包括如下步骤:
步骤1-1:找到位移数据中的全部的局部极大值和极小值点;
步骤1-2:通过曲线拟合的方法对各个极值点形成上包络线和下包络线,对极小值形成下包络emin(t),对极大值形成上包络emax(t),此时原始数据就被上包络线和下包络线所包络;t为时间变量,具体表示滑坡位移数据的采集时间;
步骤1-3:计算上包络线和下包络线的均值m(t)=(emax(t)+emin(t))/2;
步骤1-4:计算hi(t)=f(t)-mi(t);
其中,f(t)为采集的时间对应的原始位移数据;n为EMD分解的IMF的个数,i为迭代次数;IMF为EMD分解的结果之一,res为分解后得到的残差项;hi(t)为第i次迭代得到的中间值;mi(t)为第i次迭代得到的均值;
步骤1-5:判断收敛条件是否成立,是则执行步骤1-6,否则,令迭代次数i+1,重复执行1-1~1-4,得到满足条件的h(t),即为IMF;
步骤1-6:计算残差项
3.如权利要求2所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法,其特征在于,所述步骤1-5中,所述收敛条件成立为以下两个条件同时成立:(1)在f(t)上,局部极大值点和过零点相差0或1,同时局部极小值点和过零点的数目相差0或1;(2)在任意时刻,局部最大值点的包络和局部最小值点的包络的平均值为零。
4.如权利要求1所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法,其特征在于,所述步骤2中,将步骤1得到的趋势项中的75%~85%的数据作为训练集代入趋势项预测模型进行训练。
5.如权利要求1所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法,其特征在于,所述步骤4-2中,所述皮尔逊相关系数计算公式如下式:
其中,离散变量X为步骤3的每个周期项的候选训练属性的值x的集合,离散变量Y为累计位移的值y的集合;E(X)为离散变量X的期望,E(Y)为离散变量Y的期望,E(XY)为两个变量X和Y之间的联合概率分布。
6.如权利要求1所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法,其特征在于,所述步骤4-3中,分别挑选步骤4-2得到的互信息和皮尔逊相关系数中的最大值对应的变量的前3~5个,作为影响因素。
CN202110081495.5A 2021-01-21 2021-01-21 基于svr-lstm混合深度学习的滑坡位移预测方法 Active CN112862069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110081495.5A CN112862069B (zh) 2021-01-21 2021-01-21 基于svr-lstm混合深度学习的滑坡位移预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110081495.5A CN112862069B (zh) 2021-01-21 2021-01-21 基于svr-lstm混合深度学习的滑坡位移预测方法

Publications (2)

Publication Number Publication Date
CN112862069A CN112862069A (zh) 2021-05-28
CN112862069B true CN112862069B (zh) 2023-09-05

Family

ID=76008746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110081495.5A Active CN112862069B (zh) 2021-01-21 2021-01-21 基于svr-lstm混合深度学习的滑坡位移预测方法

Country Status (1)

Country Link
CN (1) CN112862069B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114239418B (zh) * 2021-12-24 2024-09-24 贵州大学 基于多种算法组合的滑坡位移预测方法
CN115081706B (zh) * 2022-06-16 2023-04-28 中国安能集团第三工程局有限公司 基于双向lstm网络的黄土塌陷预测方法及装置
CN114897277B (zh) * 2022-07-14 2022-10-28 四川轻化工大学 一种基于lstm的突发型滑坡位移预测方法
CN115329682B (zh) * 2022-10-14 2023-03-03 南京国电南自轨道交通工程有限公司 一种基于多周期特征的lstm-svr地铁车站温度预测方法
CN116956046B (zh) * 2023-09-07 2023-12-29 西南交通大学 一种基于循环神经网络的地震滑坡危险性分析方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378070A (zh) * 2019-08-05 2019-10-25 成都理工大学 基于pso-svr与des联合的滑坡位移预测方法
WO2020224112A1 (zh) * 2019-05-07 2020-11-12 深圳大学 一种基于训练级数模型的时间序列预测方法
CN111985706A (zh) * 2020-08-15 2020-11-24 西北工业大学 一种基于特征选择和lstm的景区日客流量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110191141A1 (en) * 2010-02-04 2011-08-04 Thompson Michael L Method for Conducting Consumer Research

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020224112A1 (zh) * 2019-05-07 2020-11-12 深圳大学 一种基于训练级数模型的时间序列预测方法
CN110378070A (zh) * 2019-08-05 2019-10-25 成都理工大学 基于pso-svr与des联合的滑坡位移预测方法
CN111985706A (zh) * 2020-08-15 2020-11-24 西北工业大学 一种基于特征选择和lstm的景区日客流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于经验模态分解-支持向量机的滑坡位移预测方法研究;姚琦;牛瑞卿;赵金童;张淼;;安全与环境工程(01);全文 *

Also Published As

Publication number Publication date
CN112862069A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112862069B (zh) 基于svr-lstm混合深度学习的滑坡位移预测方法
Yang et al. Investigating the wind power smoothing effect using set pair analysis
CN110457651B (zh) 一种利用数据同化改进的滑坡位移预测方法
CN113255986B (zh) 一种基于气象信息和深度学习算法的多步日径流预报方法
CN115099500B (zh) 基于权重修正和drsn-lstm模型的水位预测方法
CN106485368A (zh) 一种用于能源系统输出功率的短期预测方法
Liao et al. Multistep-ahead daily inflow forecasting using the ERA-Interim reanalysis data set based on gradient-boosting regression trees
CN115688579A (zh) 一种基于生成对抗网络的流域多点水位预测预警方法
CN112100911B (zh) 一种基于深度bilstm的太阳辐射预测方法
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN109242171A (zh) 一种基于bim和rs-svr的盾构施工地表沉降预测方法
CN114580260B (zh) 一种基于机器学习和概率理论的滑坡区间预测方法
CN104090974A (zh) 展延水库后续来水的动态数据挖掘方法及系统
Fu et al. Research on gas outburst prediction model based on multiple strategy fusion improved snake optimization algorithm with temporal convolutional network
Li et al. Landslide displacement prediction based on the ICEEMDAN, ApEn and the CNN-LSTM models
CN107704706A (zh) 基于灰色理论的泥石流灾害易发性预测方法
CN115860197A (zh) 一种基于数据驱动的煤层气产量预测方法及系统
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN117154704A (zh) 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法
Wan et al. Hydrological big data prediction based on similarity search and improved BP neural network
CN113393051B (zh) 基于深度迁移学习的配电网投资决策方法
Liu et al. Prediction of water inrush through coal floors based on data mining classification technique
Chen et al. Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis
CN117709488A (zh) 基于RUN-XGBoost的大坝渗流预测方法
CN117035417A (zh) 一种灌区地下水下降风险评估方法、系统、设备及介质

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