CN112945162A - 一种堆积层滑坡位移预测模型及预测方法 - Google Patents

一种堆积层滑坡位移预测模型及预测方法 Download PDF

Info

Publication number
CN112945162A
CN112945162A CN202110103996.9A CN202110103996A CN112945162A CN 112945162 A CN112945162 A CN 112945162A CN 202110103996 A CN202110103996 A CN 202110103996A CN 112945162 A CN112945162 A CN 112945162A
Authority
CN
China
Prior art keywords
displacement
month
trend
previous
water level
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
CN202110103996.9A
Other languages
English (en)
Other versions
CN112945162B (zh
Inventor
池小波
刘宇韬
贾新春
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.)
Shanxi University
Original Assignee
Shanxi 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 Shanxi University filed Critical Shanxi University
Priority to CN202110103996.9A priority Critical patent/CN112945162B/zh
Publication of CN112945162A publication Critical patent/CN112945162A/zh
Application granted granted Critical
Publication of CN112945162B publication Critical patent/CN112945162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于地质灾害预测技术领域，具体涉及一种堆积层滑坡位移预测模型及预测方法。具体为，先通过CEEMDAN分解算法将滑坡累计位移分解成本征模态分量和残余趋势项，紧接着利用fine to corase方法将IMFs重构成高频和低频分量，再通过小波降噪算法对高频分量进行降噪处理，然后将去噪后的高频和低频分量合成周期分量，最后使用LSTM神经网络分别对趋势分量和周期分量进行预测，两者的预测结果相加即为预测的累计位移。本文使用提出的模型对三峡库区的八字门滑坡进行了研究和预测。结果显示，所提出的模型，预测精度更高，这对位滑坡预测带来了新的解决方案。

Description

一种堆积层滑坡位移预测模型及预测方法
技术领域
本发明属于地质灾害预测技术领域，具体涉及一种堆积层滑坡位移预测模型及预测方法。
背景技术
滑坡地质灾害是在世界范围内比较严重的一种地质灾害，对人类社会的发展造成了严重的威胁和损失。比如根据国际灾情数据库统计显示，从20世纪初到现在，世界范围内约六万人死于滑坡地质灾害，滑坡造成的直接经济损失也高达近百亿美元，而滑坡造成的间接经济损失更是无法统计。可见滑坡防治是一个世界性的难题，在国际学术界也是一个研究热点和难点。而中国由于幅员辽阔、地形复杂、气候多变等因素，更是成为受滑坡灾害影响最严重的国家之一。
堆积层滑坡是滑坡中分布最为广泛、规模大、暴发频率高、突发性强、持续危害性较大的一类致灾体，该类滑坡通常发生在第四系及近代松散堆积层中，其滑体物质一般由次生堆积体如崩积物、崩坡积物及冲积与崩坡积混合物堆积而成，滑动面一般为堆积层与下覆基岩的接触面，分布于长江三峡、黄河中上游、及香港、广东、福建等地，以长江三峡发育最广泛。可以说，滑坡是否稳定直接关系到众多人民的生命财产安全，滑坡稳定性的研究具有重要的现实研究意义，而滑坡的位移预测则是其中不可缺少的一部分。
滑坡的位移预测是一个高度非线性且极为复杂的问题。由于岩土结构的复杂性，工程地质条件及与滑坡位移预测有关的岩土特征参数通常表现为非完全定量的，模糊的，甚至随机的，在大多数情况下，很难用明确的数学模型来描述这一过程。滑坡预报模型和方法可分为定量和定性两类。前者包括确定性预报模型、统计预报模型、非线性预报模型，后者主要是基于不同研究者的现场观察和主观认识。20世纪60-70年代，滑坡预报主要以现象预报和经验预报为主。20世纪80年代，国内外许多学者大量引入各种数学方法与理论模型，用于拟合不同滑坡的位移一时间曲线，根据所建的模型做外推预报。进入90年代中后期，随着GPS技术用于滑坡监测，基于GPS监测数据的滑坡形变非线性预测成为新的研究热点。近年来，相较于传统确定性计算、线性模型，引入智能算法、机器学习算法以建立非线性预测模型已经成为主流。
发明内容
针对上述问题本发明提供了一种基于时间序列分析和长短期记忆神经网络的堆积层滑坡位移预测模型及预测方法。
为了达到上述目的，本发明采用了下列技术方案：
本发明提供一种堆积层滑坡位移预测模型，是包括CEEMDAN分解算法、fine-to-coarse重构法、小波降噪算法以及LSTM神经网络的耦合模型。
LSTM模型是将隐藏层的RNN细胞替换为LSTM细胞，使其具有长期记忆能力。
CEEMDAN分解算法通过在每个阶段添加有限次的自适应白噪声，能实现在较少的平均次数下，其重构误差几乎为0。可以克服EMD所存在的模态混叠现象，同时解决EEMD分解的不完整性以及依靠增大集成次数来降低重构误差而导致的计算效率低的问题。从CEEMDAN的算法实现及式上式可看出，其分解过程是完整的，能对原始信号进行精确重构。
小波变换可以分为大致两类：连续型小波变换(continuous wavelettransformation，CWT)和离散型小波变换(discrete wavelet transformation，DWT)。由于滑坡监测数据都是间隔固定时长记录一次，因此对于有限的数据，采用离散型小波变换DWT
本发明还提供一种堆积层滑坡位移预测方法，包括以下步骤：
步骤1，将需要预测的滑坡监测点位移历史数据利用基于自适应白噪声的完备总体经验模态分解(CEEMDAN)方法进行分解；
令s(n)表示原始信号序列，νi(n)代表第i次实验中添加的具有标准正态分布的白噪声序列。第i次的信号序列表示为：si(n)＝s(n)+νi(n)，其中i＝1,…,I表示实验次数。将每一次实验产生的信号序列si(n)进行分解，得到
Figure BDA0002917121460000031
其中k＝1,…,K表示分解的IMF模态个数。定义s(n)的第k个模态分量为IMFk，相应的对
Figure BDA0002917121460000032
进行平均得到
Figure BDA0002917121460000033
即
Figure BDA0002917121460000034
定义算子Ek(·)为通过EMD方法所产生的第k个模态分量，CEEMDAN所产生第k个模态分量记为
Figure BDA0002917121460000035
CEEMDAN具体的算法实现如下:
(1)针对信号s(n)+ε0vi(n)(其中ε为高斯白噪声的幅度)进行I次实验，通过EMD方法分解以获取第一个模态分量，计算：
Figure BDA0002917121460000036
(2)在第一阶段(k＝1)，计算第一个唯一的余量信号r(n)，即计算
Figure BDA0002917121460000037
(3)进行i次实验(i＝1,…,I)，每次实验中，对信号r1(n)+ε1E1(vi(n))进行分解，直到得到第一个EMD模态分量为止。在此基础上，计算第二个模态分量如下
Figure BDA0002917121460000041
(4)对其余每个阶段，即k＝2,…,K，计算第k个余量信号，与步骤3的计算过程一致，计算第k+1个模态分量如下:
Figure BDA0002917121460000042
Figure BDA0002917121460000043
(5)执行步骤4，直至所获取的余量信号不再可能进行分解时为止，其判断的标准为余量信号的极值点个数至多不超过两个。
算法终止时，所有模态分量的数量为K。最终的余量信号为:
Figure BDA0002917121460000044
因此，原始信号序列s(n)最终被分解为
Figure BDA0002917121460000045
至此，得到若干个本征模态分量(IMF)以及一个残余量R(n)。其中IMF之和为原始的周期位移，残余量为趋势位移。
步骤2，对原始周期位移进行去噪处理；具体包括以下步骤：
1)利用fine-to-coarse重构法将得到的若干本征模态分量重构成为低频分量和高频分量；
2)利用小波降噪算法对高频分量进行去噪处理；所述小波降噪算法为分解系数为5的Daubechies小波变换；
3)将去噪后的高频分量和原始低频分量相加得到去噪的周期位移。
受监测仪器、观测人员、天气因素等的影响，获得的数据存在一定的误差，如果不进行去噪处理，直接对带有噪声的数据进行预测会影响结果的精确性。
步骤3，通过自相关系数预测周期位移和趋势位移的时间步长；具体过程为，分别画出周期位移和趋势位移的ACF图，找到图中系数值最大时的Lag的值，将其作为预测的时间步长。
步骤4，从水库水位、降雨、监测点位移三方面筛选周期位移的影响因素，具体方法为：
从水库水位筛选周期位移的影响因素：以每月平均水位为基础，求得每月水位平均值、月间变化量、两月间变化量和三月间变化量；以每月水位趋势放大曲线为基础，求得每月趋势放大值、月间变化量、两月间变化量和三月间变化量。每月水位趋势放大曲线计算方法为：先求出水库水位每月的平均值，然后依次将当前时刻的平均值与前一时刻的平均值做比较，如果当前时刻平均值小于前一时刻平均值，则选取当月内水位最低一日的水位代表本月的水库水位，反之则选择当月内水位最高一日的水位代表当月水位。
从降雨筛选周期位移的影响因素：以为每月降雨量为基础序列，求得每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量；以每月最大降雨量为基础序列，求得另外的每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量。
从监测点位移筛选周期位移的影响因素：以需要预测的监测点位移数据为基础，求得累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量；选择距离该预测点最近的另一个监测点，基于它求得累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量。
将以上得到的所有时间序列利用CEEMDAN进行分解，得到若干本征模态分量以及残余量，同时利用fine-to-coarse重构法得到每个时间序列的高频和低频分量，将所有的本征模态分量、残余量、高频分量以及低频分量分别与需要预测的周期位移求皮尔森相关系数的大小，若皮尔森相关系数大于0.6，则该序列就作为预测周期位移的影响因素之一。
步骤5，利用LSTM神经网络分别预测周期位移和趋势位移；
LSTM的其前向计算方法可以表示为：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi) (8)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf) (9)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc) (10)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo) (11)
ht＝ottanh(ct) (12)
式中:it,ft,ct,ot分别为输入门、遗忘门、细胞状态、输出门；W和b分别为对应的权重系数矩阵和偏置项；x和h分别代表时间步长的输入和输出；σ和tanh分别为sigmoid和双曲正切激活函数。
LSTM模型训练过程采用的是与经典的反向传播(Back Propagation，BP)算法原理类似的BPTT算法，大致可以分为4个步骤：①按照前向计算方法(式(8)～式(12))计算LSTM细胞的输出值；②反向计算每个LSTM细胞的误差项，包括按时间和网络层级2个反向传播方向；③根据相应的误差项，计算每个权重的梯度；④应用基于梯度的优化算法更新权重。
周期位移预测的具体过程为：将LSTM神经网络设置为一层结构，神经元数都为256，最大训练次数为250；使用adam优化算法更新LSTM神经网络权重，并使用L2正则化方法避免过拟合，学习速率设置为0.005；将周期位移的当前值以及在步骤4中求得的影响因素在同一时刻的值作为输入，预测下一时刻周期位移。
趋势位移预测的具体过程为：将LSTM神经网络设置为两层结构，神经元数都为64，最大训练次数为250；使用adam优化算法更新LSTM神经网络权重，并使用L2正则化方法避免过拟合，学习速率设置为0.005；将趋势位移的当前的值作为输入，预测下一时刻的位移值。
步骤6，将步骤5中得到的趋势位移预测值和周期位移预测值相加，就得到了预测累计位移值。
与现有技术相比本发明具有以下优点：
1、利用CEEMDAN分解算法对累计位移进行更加合理的分解，并使用fine to corse对分解后的IMFS进行重构，通过小波变换只对重构得到的高频分量进行去噪处理，有效避免了有价值信息的损失。最后将高频和低频相加得到处理后的周期位移，既做了去噪处理，也最大程度保留了序列的特性，去噪后的周期位移精度有了明显的提升。
2、对影响滑坡累计位移的因素进行了更多的探索和分析，将其他检测点的位移数据作为了影响因素；同时提出了关于降雨量的趋势扩张曲线，能更好的反应了降雨的影响。
3、利用自相关系数对分解得到的周期位移和趋势位移进行了科学的分析。
4、采用LSTM神经网络最大程度的利用时间序列所特有的历史信息，并对模型的参数和结构进行了具体的分析。
附图说明
图1为模型预测流程图；
图2为ZG111累计位移分解结果图；
图3为去噪后的周期分量图；
图4为趋势位移的ACF图；
图5为周期位移的ACF图；
图6为趋势位移预测结果的评价图；
图7为趋势位移最佳预测值与实际值的对比图；
图8为周期位移预测结果的评价图；
图9为周期位移最佳预测值与实际值的对比图；
图10为实施例2及对比例1-3对预测的累积位移的RMSE和MAE评价结果图；
图11为实施例2及对比例1-3对预测的累积位移的预测曲线图。
具体实施方式
下面结合实施例和附图对本发明的技术方案作进一步的解释说明，但并不限定本发明的保护范围。
实施例1
堆积层滑坡位移预测方法，包括以下步骤：
步骤1，将需要预测的滑坡监测点位移历史数据利用基于自适应白噪声的完备总体经验模态分解(CEEMDAN)方法进行分解；
令s(n)表示原始信号序列，νi(n)代表第i次实验中添加的具有标准正态分布的白噪声序列。第i次的信号序列表示为：si(n)＝s(n)+νi(n)，其中i＝1,…,I表示实验次数。将每一次实验产生的信号序列si(n)进行分解，得到
Figure BDA0002917121460000081
其中k＝1,…,K表示分解的IMF模态个数。定义s(n)的第k个模态分量为IMFk，相应的对
Figure BDA0002917121460000082
进行平均得到
Figure BDA0002917121460000083
即
Figure BDA0002917121460000084
定义算子Ek(·)为通过EMD方法所产生的第k个模态分量，CEEMDAN所产生第k个模态分量记为
Figure BDA0002917121460000091
CEEMDAN具体的算法实现如下:
(1)针对信号s(n)+ε0vi(n)进行I次实验，通过EMD方法分解以获取第一个模态分量，计算：
Figure BDA0002917121460000092
(2)在第一阶段(k＝1)，计算第一个唯一的余量信号，即计算
Figure BDA0002917121460000093
(3)进行i次实验(i＝1,…,I)，每次实验中，对信号r1(n)+ε1E1(vi(n))进行分解，直到得到第一个EMD模态分量为止。在此基础上，计算第二个模态分量如下
Figure BDA0002917121460000094
(4)对其余每个阶段，即k＝2,…,K，计算第k个余量信号，与步骤3的计算过程一致，计算第k+1个模态分量如下:
Figure BDA0002917121460000095
Figure BDA0002917121460000096
(6)执行步骤4，直至所获取的余量信号不再可能进行分解时为止，其判断的标准为余量信号的极值点个数至多不超过两个。
算法终止时，所有模态分量的数量为K。最终的余量信号为:
Figure BDA0002917121460000097
因此，原始信号序列s(n)最终被分解为
Figure BDA0002917121460000098
至此，得到若干个本征模态分量(IMF)以及一个残余量R(n)。其中IMF之和为原始的周期位移，残余量为趋势位移。
步骤2，对原始周期位移进行去噪处理，包括以下步骤：
1)利用fine-to-coarse重构法将得到的若干本征模态分量重构成为低频分量和高频分量；
2)利用小波降噪算法对高频分量进行去噪处理；所述小波降噪算法为分解系数为5的Daubechies小波变换；
3)将去噪后的高频分量和原始低频分量相加得到去噪的周期位移。
步骤3，通过自相关系数预测周期位移和趋势位移的时间步长，具体过程为，分别画出周期位移和趋势位移的ACF图，找到图中系数值最大时的Lag值，将其作为预测的时间步长。
步骤4，从水库水位、降雨、监测点位移三方面筛选周期位移的影响因素；
水库水位：以每月平均水位为基础，求得每月水位平均值、月间变化量、两月间变化量和三月间变化量；以每月水位趋势放大曲线为基础，求得每月趋势放大值、月间变化量、两月间变化量和三月间变化量。每月水位趋势放大曲线计算方法为：先求出水库水位每月的平均值，然后依次将当前时刻的平均值与前一时刻的平均值做比较，如果当前时刻平均值小于前一时刻平均值，则选取当月内水位最低一日的水位代表本月的水库水位，反之则选择当月内水位最高一日的水位代表当月水位。
降雨：以为每月降雨量为基础序列，求得每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量；以每月最大降雨量为基础序列，求得另外的每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量。
监测点位移：以需要预测的监测点位移数据为基础，求得累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量；选择距离该预测点最近的另一个监测点，基于它求得累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量。
将以上得到的所有时间序列利用CEEMDAN进行分解，得到若干本征模态分量以及残余量，同时利用fine-to-coarse重构法得到每个时间序列的高频和低频分量，将所有的本征模态分量、残余量、高频分量以及低频分量分别与需要预测的周期位移求皮尔森相关系数的大小，若皮尔森相关系数大于0.6，则该序列就作为预测周期位移的影响因素之一。
步骤5，利用LSTM神经网络分别预测周期位移和趋势位移；
LSTM的其前向计算方法可以表示为：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi) (8)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf) (9)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc) (10)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo) (11)
ht＝ottanh(ct) (12)
式中:it,ft,ct,ot分别为输入门、遗忘门、细胞状态、输出门；W和b分别为对应的权重系数矩阵和偏置项；x和h分别代表时间步长的输入和输出；σ和tanh分别为sigmoid和双曲正切激活函数。
LSTM模型训练过程采用的是与经典的反向传播(Back Propagation，BP)算法原理类似的BPTT算法，大致可以分为4个步骤：①按照前向计算方法(式(8)～式(12))计算LSTM细胞的输出值；②反向计算每个LSTM细胞的误差项，包括按时间和网络层级2个反向传播方向；③根据相应的误差项，计算每个权重的梯度；④应用基于梯度的优化算法更新权重。
周期位移预测的具体过程为：将LSTM神经网络设置为一层结构，神经元数都为256，最大训练次数为250，预测时间步为1；使用adam优化算法更新LSTM神经网络权重，并使用L2正则化方法避免过拟合，学习速率设置为0.005；将周期位移的当前值以及在步骤4中求得的影响因素在同一时刻的值作为输入，预测下一时刻周期位移。
趋势位移预测的具体过程为：将LSTM神经网络设置为两层结构，神经元数都为64，最大训练次数为250，预测时间步为1；使用adam优化算法更新LSTM神经网络权重，并使用L2正则化方法避免过拟合，学习速率设置为0.005；将趋势位移的当前的值作为输入，预测下一时刻的位移值。
步骤6，将步骤5中得到的趋势位移预测值和周期位移预测值相加，就得到了预测累计位移值。
实施例2
选择位于三峡库区湖北省秭归县归州镇，长江北岸支流香溪河右岸河口处的八字门滑坡作为具体的实施案例，采集该滑坡2007年1月到2012年12月共6年的位移数据以及当地的水位、降雨数据进行研究和预测。由于滑坡该ZG111监测点有着较完整的数据，且位于滑坡较中心，因此选择该监测点数据进行研究和预测。
1、通过CEEMDAN算法首先将ZG111累计位移分解成若干个按频率高低排列的本征模态函数，以及残余分量，参数N(总体的个数)和ε(高斯白噪声的幅度)分别取默认值500和0.2。
分解结果如图2所示：将滑坡累积位移分解为4个IMF和1个残差分量。可以看到，从第一个时期到最后一个时期，IMF逐渐变大。残差量是一个缓慢而单调递增的序列，被认为是一个趋势位移。
2、利用fine-to-coarse重构法对本征模态函数进行重构，得到高频分量后采用分解系数为5的Daubechies小波变换对高频分量进行去噪，最后将去噪后的高频分量和低频分量进行相加得到去噪后的周期分量，其结果如下图3所示：可以看出，该方法在有效去除时间序列中噪声的同时，最大限度保留了时间序列的特征，利于之后的模型预测。
表1为整体去噪方法和分量去噪方法对去噪效果的比较，其中评价指标为信噪比(SNR)和相关系数(R)。
R为原信号与去噪信号的相似度，如下所示:
Figure BDA0002917121460000131
Figure BDA0002917121460000132
其中n为信号长度，y(n)为原始信号，
Figure BDA0002917121460000133
为去噪后信号。
表1三种去噪方法的SNR和R值
Figure BDA0002917121460000134
由表可以看出，高频分量去噪方法相较于传统的去噪方法(整体去噪和每个分量去噪)信噪比更高，与原序列相关性更强，说明该方案在精确去噪的同时更好的保留了原序列有价值的信息。
3、分别画出去噪后的周期位移以及趋势位移的ACF图进行分析，如图4、5所示。
图4为趋势位移的自相关系数图，容易看出趋势位移的自相关系数随着Lag值缓慢递减直到25之前都为正，之后都为负，在图中显示出明显的三角对称性，这说明趋势位移是具有显著单调趋势的非平稳序列。由于其具有明显的单调性，因此在后续预测时输入变量仅为趋势位移本身即可，又因为图中自相关性在1时是最大的，因此后续预测时我们使用前一时刻的趋势位移作为输入预测下一时刻的趋势位移。
图5为周期位移的自相关系数图，可以看出周期位移的自相关系数在正负轴之间有规律的变化，呈现出明显的正弦波动规律，这说明周期位移具有周期性和季节性，因此在对周期位移进行预测时，应当考虑除其本身之外其他具有周期性和季节性的的影响因素，又因为其在1时自相关系数最大，因此，周期位移也用上一时刻的值预测下一时刻。
4、从水库水位、降雨、监测点位移三方面筛选周期位移的影响因素。
降雨：以为每月降雨量为基础序列，基于它求得：每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量；以每月最大降雨量为基础序列，基于它求得另外的：每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量。
水库水位：以每月平均水位为基础，基于它求得：每月水位平均值、月间变化量、两月间变化量和三月间变化量；以每月水位趋势放大曲线为基础，基于它求得：每月趋势放大值、月间变化量、两月间变化量和三月间变化量。其中每月水位趋势放大曲线计算方法如下：先求出水库水位每月的平均值，然后依次将当前时刻的平均值与前一时刻的平均值做比较，如果当前时刻平均值小于前一时刻平均值，则选取当月内水位最低一日的水位代表本月的水库水位，反之则选择当月内水位最高一日的水位代表当月水位。
监测点位移：以需要预测的监测点位移数据为基础，基于它求得：累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量；选择距离该预测点最近的另一个监测点(ZG110)，基于它求得：累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量。
将以上得到的所有时间序列利用CEEMDAN进行分解，得到若干IMF以及残余量，同时利用fine-to-coarse重构法得到每个时间序列的高频和低频分量。将所有的IMF、残余量、高频分量以及低频分量分别与需要预测的周期位移求皮尔森相关系数的大小。若该序列与周期位移的皮尔森系数大于0.6，则该序列就作为预测周期位移的影响因素之一。
经过计算共有14条时间序列达到要求，可以作为预测周期位移的影响因素。
5、利用LSTM神经网络,设置不同的神经网络分别预测周期位移和趋势位移。
使用adam优化算法更新网络权重，并使用L2正则化方法避免过拟合，学习速率设置为0.005。利用软件设置的随即程序，抽取一年的数据作为测试集，抽取结果为2011年11月到2012年10月。
为了评价预测结果，采用RMESE和MAE作为评价指标，其表达式如下所示：
Figure BDA0002917121460000151
Figure BDA0002917121460000161
式中，s和
Figure BDA0002917121460000162
分别代表实际值和预测值。
1)趋势位移的预测
为获得最佳趋势预测的LSTM神经网络结构，共设计了11种情况，如表2所示
表2预测趋势位移的LSTM结构参数表
Figure BDA0002917121460000163
通过RMSE和MAE评价预测结果，如图6所示，可以看出当LSTM层数为2，神经元为64,64，最大训练次数为250时，效果最好。
使用最佳预测模型(LSTM神经网络结构)预测值与实际值对比如下图7所示：可以看出，预测值整体都与实际值很相近，说明了针对趋势位移设计的LSTM神经网络具有良好的预测精度。
2)周期位移的预测
为获得最佳趋势预测的LSTM神经网络结构，共设计了11种情况，如表3所示：
表3预测周期位移的LSTM结构参数表
Figure BDA0002917121460000164
Figure BDA0002917121460000171
通过RMSE和MAE评价预测结果，如图8所示：可以看出当LSTM层数为1，神经元为256，最大训练次数为250时，效果最好。
使用最佳预测模型(LSTM神经网络结构)预测值与实际值对比如下图9所示：可以看出，预测值整体上都与实际值接近，曲线在出现较大波动时，仍然可以做到精确的预测，说明了针对周期位移设计的LSTM神经网络具有良好的预测精度。
6、得到趋势位移预测值和周期位移预测值后，相加即为预测的累积位移。
对比例1
将实施例2中第5步的LSTM神经网络替换为GRU，其他步骤同实施例2。
对比例2
将实施例2中第5步的LSTM神经网络替换为ELM，其他步骤同实施例2。
对比例3
将实施例2中第5步的LSTM神经网络替换为SVM，其他步骤同实施例2。
图10和图11分别为实施例2及对比例1-3对预测的累积位移的RMSE和
MAE评价结果图和预测曲线图。可以看出，本发明提出的位移预测模型精度要优于传统的预测模型。

Claims (9)

1.一种堆积层滑坡位移预测模型，其特征在于：所述模型是包括CEEMDAN分解算法、fine-to-coarse重构法、小波降噪算法以及LSTM神经网络的耦合模型。
2.一种堆积层滑坡位移预测方法，其特征在于，包括以下步骤：
步骤1，将需要预测的滑坡监测点位移历史数据利用基于自适应白噪声的完备总体经验模态分解方法进行分解，得到若干个本征模态分量以及一个残余量，其中若干个本征模态分量之和为原始周期位移，残余量为趋势位移；
步骤2，对原始周期位移进行去噪处理；
步骤3，通过自相关系数预测周期位移和趋势位移的时间步长；
步骤4，从水库水位、降雨、监测点位移三方面筛选周期位移的影响因素；
步骤5，利用LSTM神经网络分别预测周期位移和趋势位移；
步骤6，将步骤5中得到的趋势位移预测值和周期位移预测值相加，就得到了预测累计位移值。
3.根据权利要求2所述的一种堆积层滑坡位移预测方法，其特征在于，所述步骤2中对原始周期位移进行去噪处理，包括以下步骤：
步骤1，利用fine-to-coarse重构法将得到的若干本征模态分量重构成为低频分量和高频分量；
步骤2，利用小波降噪算法对高频分量进行去噪处理；
步骤3，将去噪后的高频分量和原始低频分量相加得到去噪的周期位移。
4.根据权利要求2所述的一种堆积层滑坡位移预测方法，其特征在于：所述步骤3中通过自相关系数预测周期位移和趋势位移的时间步长的具体过程为，分别画出周期位移和趋势位移的ACF图，找到图中系数值最大时的Lag值，将其作为预测的时间步长。
5.根据权利要求2所述的一种堆积层滑坡位移预测方法，其特征在于，所述步骤4中筛选周期位移的影响因素的具体方法为：
从水库水位筛选周期位移的影响因素：以每月平均水位为基础，求得每月水位平均值、月间变化量、两月间变化量和三月间变化量；以每月水位趋势放大曲线为基础，求得每月趋势放大值、月间变化量、两月间变化量和三月间变化量；
从降雨筛选周期位移的影响因素：以为每月降雨量为基础序列，求得每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量；以每月最大降雨量为基础序列，求得另外的每月累计降雨量、当月加前月降雨量、前两月降雨量和前两月加当月降雨量；
从监测点位移筛选周期位移的影响因素：以需要预测的监测点位移数据为基础，求得累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量；选择距离该预测点最近的另一个监测点，基于它求得累计位移、每月位移增量、当月加前月位移增量、前两月位移增量、当月加前两月位移增量；
将以上得到的所有时间序列利用CEEMDAN进行分解，得到若干本征模态分量以及残余量，同时利用fine-to-coarse重构法得到每个时间序列的高频和低频分量，将所有的本征模态分量、残余量、高频分量以及低频分量分别与需要预测的周期位移求皮尔森相关系数的大小，若皮尔森相关系数大于0.6，则该序列就作为预测周期位移的影响因素之一。
6.根据权利要求2所述的一种堆积层滑坡位移预测方法，其特征在于，所述步骤5中周期位移预测的具体过程为：将LSTM神经网络设置为一层结构，神经元数都为256，最大训练次数为250；使用adam优化算法更新LSTM神经网络权重，并使用L2正则化方法避免过拟合，学习速率设置为0.005；将周期位移的当前值以及在步骤4中求得的影响因素在同一时刻的值作为输入，预测下一时刻周期位移。
7.根据权利要求2所述的一种堆积层滑坡位移预测方法，其特征在于，所述步骤5中趋势位移预测的具体过程为：将LSTM神经网络设置为两层结构，神经元数都为64，最大训练次数为250；使用adam优化算法更新LSTM神经网络权重，并使用L2正则化方法避免过拟合，学习速率设置为0.005；将趋势位移的当前的值作为输入，预测下一时刻的位移值。
8.根据权利要求5所述的一种堆积层滑坡位移预测方法，其特征在于，每月水位趋势放大曲线计算方法为：先求出水库水位每月的平均值，然后依次将当前时刻的平均值与前一时刻的平均值做比较，如果当前时刻平均值小于前一时刻平均值，则选取当月内水位最低一日的水位代表本月的水库水位，反之则选择当月内水位最高一日的水位代表当月水位。
9.根据权利要求3所述的一种堆积层滑坡位移预测方法，其特征在于，所述小波降噪算法为分解系数为5的Daubechies小波变换。
CN202110103996.9A 2021-01-26 2021-01-26 一种堆积层滑坡位移预测模型及预测方法 Active CN112945162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110103996.9A CN112945162B (zh) 2021-01-26 2021-01-26 一种堆积层滑坡位移预测模型及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110103996.9A CN112945162B (zh) 2021-01-26 2021-01-26 一种堆积层滑坡位移预测模型及预测方法

Publications (2)

Publication Number Publication Date
CN112945162A true CN112945162A (zh) 2021-06-11
CN112945162B CN112945162B (zh) 2022-05-31

Family

ID=76237039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110103996.9A Active CN112945162B (zh) 2021-01-26 2021-01-26 一种堆积层滑坡位移预测模型及预测方法

Country Status (1)

Country Link
CN (1) CN112945162B (zh)

Cited By (4)

* 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
CN114692963A (zh) * 2022-03-22 2022-07-01 同济大学 一种基于长短期记忆神经网络的滑坡位移预测方法
CN114897277A (zh) * 2022-07-14 2022-08-12 四川轻化工大学 一种基于lstm的突发型滑坡位移预测方法
CN115130658A (zh) * 2022-06-27 2022-09-30 武汉大学 基于非线性组合模型的水库滑坡位移预测方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207952A (zh) * 2013-04-23 2013-07-17 华北科技学院 一种边坡位移预测方法
CN105049079A (zh) * 2015-07-16 2015-11-11 中国电子科技集团公司第四十一研究所 一种基于平方相关的扩频码同步方法
CN109406118A (zh) * 2018-10-15 2019-03-01 华中科技大学 一种基于层次卷积神经网络的机械故障预测方法
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN109948861A (zh) * 2019-03-26 2019-06-28 西南交通大学 一种基于模态分解及深度学习的城轨短时客流预测方法
CN110322032A (zh) * 2019-04-17 2019-10-11 四川大学 一种基于ceemdan的金融时间序列组合预测方法
CN110427654A (zh) * 2019-07-09 2019-11-08 中国地质大学（武汉） 一种基于敏感状态的滑坡预测模型构建方法及系统
CN110686633A (zh) * 2019-08-30 2020-01-14 深圳大学 一种滑坡位移预测方法、装置及电子设备
CN110852527A (zh) * 2019-11-20 2020-02-28 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN110909931A (zh) * 2019-11-20 2020-03-24 成都理工大学 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法
CN110986747A (zh) * 2019-12-20 2020-04-10 桂林电子科技大学 一种滑坡位移组合预测方法及系统
CN111553513A (zh) * 2020-04-14 2020-08-18 太原理工大学 一种基于二次分解与回声状态网络的中长期径流预测方法
CN111914481A (zh) * 2020-07-27 2020-11-10 山西大学 基于改进的pso-rbf算法的边坡稳定性预测方法
CN112101660A (zh) * 2020-09-15 2020-12-18 重庆交通大学 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207952A (zh) * 2013-04-23 2013-07-17 华北科技学院 一种边坡位移预测方法
CN105049079A (zh) * 2015-07-16 2015-11-11 中国电子科技集团公司第四十一研究所 一种基于平方相关的扩频码同步方法
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN109406118A (zh) * 2018-10-15 2019-03-01 华中科技大学 一种基于层次卷积神经网络的机械故障预测方法
CN109948861A (zh) * 2019-03-26 2019-06-28 西南交通大学 一种基于模态分解及深度学习的城轨短时客流预测方法
CN110322032A (zh) * 2019-04-17 2019-10-11 四川大学 一种基于ceemdan的金融时间序列组合预测方法
CN110427654A (zh) * 2019-07-09 2019-11-08 中国地质大学（武汉） 一种基于敏感状态的滑坡预测模型构建方法及系统
CN110686633A (zh) * 2019-08-30 2020-01-14 深圳大学 一种滑坡位移预测方法、装置及电子设备
CN110852527A (zh) * 2019-11-20 2020-02-28 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN110909931A (zh) * 2019-11-20 2020-03-24 成都理工大学 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法
CN110986747A (zh) * 2019-12-20 2020-04-10 桂林电子科技大学 一种滑坡位移组合预测方法及系统
CN111553513A (zh) * 2020-04-14 2020-08-18 太原理工大学 一种基于二次分解与回声状态网络的中长期径流预测方法
CN111914481A (zh) * 2020-07-27 2020-11-10 山西大学 基于改进的pso-rbf算法的边坡稳定性预测方法
CN112101660A (zh) * 2020-09-15 2020-12-18 重庆交通大学 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAN CAO 等: "Financial time series forecasting model based on CEEMDAN and LSTM", 《PHYSICA A》 *
檀梦皎 等: "基于ＣＥＥＭＤＡＮ理论和ＰＳＯ－ＥＬＭ 模型的滑坡位移预测", 《地质科技情报》 *

Cited By (6)

* 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
CN114692963A (zh) * 2022-03-22 2022-07-01 同济大学 一种基于长短期记忆神经网络的滑坡位移预测方法
CN115130658A (zh) * 2022-06-27 2022-09-30 武汉大学 基于非线性组合模型的水库滑坡位移预测方法及装置
CN115130658B (zh) * 2022-06-27 2023-09-22 武汉大学 基于非线性组合模型的水库滑坡位移预测方法及装置
CN114897277A (zh) * 2022-07-14 2022-08-12 四川轻化工大学 一种基于lstm的突发型滑坡位移预测方法

Also Published As

Publication number Publication date
CN112945162B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN112945162B (zh) 一种堆积层滑坡位移预测模型及预测方法
Duan et al. A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error
Pramanik et al. Daily river flow forecasting using wavelet ANN hybrid models
CN109492808B (zh) 一种室内停车场剩余车位预测方法
CN111985361A (zh) 小波降噪和emd-arima的电力系统负荷预测方法及系统
CN110610232A (zh) 一种基于深度学习的长期及短期交通流预测模型构建方法
CN111242377B (zh) 一种集成深度学习和数据去噪的短期风速预测方法
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN112884213B (zh) 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法
CN112270229A (zh) 一种基于奇异谱分析的滑坡体位移预测方法
CN113486303A (zh) 一种基于修饰模型集成的长时间序列预测方法
CN116933152B (zh) 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统
CN114252879A (zh) 基于InSAR反演与多影响因子的大范围滑坡形变预测方法
CN114036850A (zh) 一种基于vecgm的径流预测方法
CN110909928A (zh) 能源负荷短期预测方法、装置、计算机设备及存储介质
CN111986085A (zh) 一种基于深度反馈注意力网络系统的图像超分辨率方法
CN116665483A (zh) 一种新的预测剩余停车位的方法
Wan et al. Hydrological big data prediction based on similarity search and improved BP neural network
CN114692963A (zh) 一种基于长短期记忆神经网络的滑坡位移预测方法
Momeneh et al. Forecasting of groundwater level fluctuations using a hybrid of multi-discrete wavelet transforms with artificial intelligence models
Yu et al. A novel discussion on two long-term forecast mechanisms for hydro-meteorological signals using hybrid wavelet-NN model
CN112634391B (zh) 一种基于压缩感知的灰度图像深度重建及故障诊断系统
Pandhiani et al. Time series forecasting by using hybrid models for monthly streamflow data
CN107704944B (zh) 一种基于信息论学习的股市波动区间预测模型的构建方法
Huang Deep-learning based climate downscaling using the super-resolution method: A case study over the western US

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