CN114330839B

CN114330839B - 一种基于woa-lstm模型的滑坡位移预测方法

Info

Publication number: CN114330839B
Application number: CN202111521076.5A
Authority: CN
Inventors: 冉鹏; 罗于涵; 邵康树; 孟驰力; 赵肖; 刘志超
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2021-12-13
Filing date: 2021-12-13
Publication date: 2024-05-28
Anticipated expiration: 2041-12-13
Also published as: CN114330839A

Abstract

本发明涉及一种基于WOA‑LSTM模型的滑坡位移预测方法，属于滑坡位移预测领域。步骤1：对滑坡位移数据进行EEMD分解得到若干个频率不一的IMF分量和一个趋势项；步骤2：得到的IMF分量和趋势项进行重构并记录系数；步骤3：取各个IMF分量和趋势项70％‑80％数据进入优化的WOA‑LSTM模型进行训练；步骤4：取剩下20％‑30％数据分别进行预测，输出预测结果；步骤5：各个分量的预测结果按步骤2系数重构得到最终总位移预测结果。本方法对LSTM网络进行优化，使得对山体滑坡位移预测精确度和稳定性大大提高，实现滑坡位移短期预测。

Description

一种基于WOA-LSTM模型的滑坡位移预测方法

技术领域

本发明属于滑坡位移预测领域，涉及一种基于WOA-LSTM模型的滑坡位移预测方法。

背景技术

目前，使用传感器等设备对滑坡监控区域进行一段时间数据采集，通过机器学习等方法对历史滑坡数据进行研究，从而对可能发生的滑坡区域及时预警，可有效减少滑坡灾害造成的人力伤害或者财产损失。因此，如何对由于天气变化引起的滑坡位移进行预测，对可能产生的山体滑坡及灾害进行风险评估，对人类有着重要的现实意义。

目前，滑坡预测主要方法研究大致分为三类：传统的监测方法、遥感技术与机器学习。传统滑坡监测主要靠全站仪、经纬仪、水准仪等仪器设备，耗时耗力效率不高。遥感技术对专业要求较强，对于非地理相关专业的研究者来说数据难以采集与分析，且考虑成分比较单一，着重于分析地形地貌等地理环境因素对滑坡的影响，有一定几率忽视其他因素对滑坡可能产生的影响。而基于机器学习的滑坡预测方法是在时间序列上建立了机器学习模型，对特定滑坡位移进行预测，只要将误差控制在一定范围，即可以证明此方法是实用且合理的。

现有的基于机器学习的山体滑坡预测有很多，但其存在数据采集周期长，少则两三年，多则数十年，且滑坡预测不及时的短板，所以现在急需一种采集数据周期短且能及时预测的算法来预测滑坡位移数据。

发明内容

有鉴于此，本发明的目的在于提供一种基于WOA-LSTM模型的滑坡位移预测方法。通过WOA算法优化SLTM模型，结合EEMD分解数据让原始数据变得平滑以提高WOA-LSTM模型山体滑坡位移预测准确率。

为达到上述目的，本发明提供如下技术方案：

一种基于WOA-LSTM模型的滑坡位移预测方法，该方法包括以下步骤：

S1：采集滑坡数据，包括：累计位移数据、东西朝向风速、南北朝向风速、降水强度和气温，后四个作为影响因子；用EEMD将累计位移数据分解为若干IMF分量和一个趋势项；

S2：对S1得到的IMF分量和趋势项同原始累计位移数据进行拟合重构并记录每个分量所对应系数；

S3：将S1的4个影响因子作为输入量，得到的IMF分量和趋势项分别作为输入量，取对应数据前70％～80％数据作为训练集分别带入对应WOA-LSTM模型进行训练；将余下20％～30％数据输入对应训练好的WOA-LSTM模型，

S4：将S3预测得到的IMF分量和趋势项用分别同S2中对应系数相乘，乘积相加后便是滑坡累计位移预测结果。

可选的，所述S1中，EEMD分解包括以下步骤：

S11：在原始位移序列x(t)加入白噪声x_i(t)＝x(t)+z_i(t)，z_i(t)是产生的随机白噪声，i＝1,2,...,n，n为原始滑坡累计序列长度，通过EMD将滑坡位移数据分解为IMF分量和趋势项；

S12：得到的IMF重复S11步骤，即每次添加新的白噪声，将每次得到的IMF做集成平均处理作为最后的分解结果，抵消噪声；

其中，z_i(t)表示符合正态分布添加的白噪声信号，N是添加的白噪声个数，C_ij(t)为添加的第j个白噪声后的第i个IMF。

可选的，所述S3中，WOA-LSTM模型是使用WOA算法对LSTM的隐藏层神经元数量和时间步长两个参数进行优化，提高LSTM模型预测精度。

可选的，所述S3中，WOA-LSTM模型建立包括以下步骤：

S31：参数初始化，生成初始鲸鱼群

S32：输入LSTM网络模型

S33：计算鲸鱼个体适应度值，若值大于或等于0.5，鲸鱼个体位置螺旋更新；若值小于0.5，鲸鱼个体收缩包围方式并更新位置；

S34：判断迭代次数是否为最大迭代次数，若不是，则重复步骤S33；若是最大迭代次数，则结束循环，输出最优隐藏层神经元数量和时间步长；

S35：根据得到的参数，建立WOA优化的LSTM模型。

可选的，所述S31中，参数初始化包括种群数量、种群位置上下界、鲸鱼个体空间维度和最大迭代次数。

可选的，所述S33中，是选择螺旋更新还是收缩包围的捕猎方式的公式如下：

其中，p是[0,1]随机生成的一个概率。

可选的，所述螺旋更新的公式如下：

其中，表最优解和搜索粒子之间的距离，b是常量系数，l是范围[-1,1]的随机数。

可选的，所述收缩包围的公式如下：

其中，代表目标和搜索粒子之间的距离。

可选的，所述S3中，WOA-LSTM模型输入层神经元设为4，输出层神经元设为1，隐藏层神经元数量和时间步长由步骤S34确定。

可选的，所述S3中，建立WOA-LSTM模型，多个IMF分量和一个趋势项会分别输出最佳隐藏层神经元数量和时间步长参数值，从而分别建立最佳WOA-LSTM模型。

本发明的有益效果在于：本发明首先使用EEMD，在数据预处理阶段将原始序列分解为数个频率不一的分量，使得序列变得平滑便于预测，然后运用WOA-BP模型进行训练与预测，达到滑坡位移预测的效果，实现了每隔10小时的短期滑坡位移预测。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于WOA-LSTM的山体滑坡位移预测方法流程图；

图2为本发明滑坡累计位移EEMD分解结果图；

图3为本发明WOA-LSTM网络模型建立结构示意图；

图4为本发明不同模型预测结果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

参照图1，图1为本发明基于WOA-LSTM的山体滑坡位移预测方法流程图，包括以下步骤：

S1：对滑坡累计位移序列进行EEMD分解，分解为数个频率大小不一的IMF分量和一个趋势项分量即Residual分量。

具体的，步骤S1包括以下步骤：

S11在原始位移序列x(t)加入白噪声x_i(t)＝x(t)+z_i(t)，z_i(t)(i＝1,2,...,n)是产生的随机白噪声，n为原始滑坡累计序列长度，通过EMD将滑坡位移数据分解为IMF分量和趋势项。

S12得到的IMF重复S11步骤，即每次添加新的白噪声，将每次得到的IMF做集成平均处理作为最后的分解结果，以此可抵消噪声。

参照图2，图2为本发明滑坡累计位移EEMD分解结果图，使用EEMD将滑坡累计位移数据分解为频率不一的多个IMF分量和一个趋势项分量。

本实例中，在各参数设定为:Nstd＝0.2，NR＝300，MaxIter＝5000前提下，使用EEMD方法获得了频率从高到低的7组IMF分量和一组趋势项分量。通过EEMD方法分解序列让每个IMF分量都具有相对稳定的频率。相比之下，IMF1和IMF2是累计滑坡位移数据的高频部分的分量，因为IMF分量变化波动较大，且变化密集难以预测，认为是噪声部分，在后续预测时舍掉IMF1分量。IMF3至IMF5为中频分量且具有一定周期性。剩余的IMF分量为中低频分量，表示累计滑坡位移序列趋势和变化规律。EEMD方法将原始累积滑坡位移数据分解为数个具有负荷不同、波动局部特征的IMF分量，作为模型的输入再进行预测，可减少模型拟合的难度。

S2：将每个分量后20％-30％数据分别输入训练好的WOA-LSTM模型进行预测。

参照图3，图3为本发明WOA-LSTM网络模型建立结构示意图，是将每条鲸鱼个体对应不同优化策略，将鲸鱼位置维数对应LSTM模型需要优化参数的数量，即可在鲸鱼捕食过程不断更新自身位置以此获得LSTM模型最优参数组合。

具体的，步骤S2包括以下步骤：

S21：参数初始化，生成初始鲸鱼群，参数初始化包括种群数量，种群位置上下界，鲸鱼个体空间维度和最大迭代次数。

S22：输入LSTM网络模型

S23：计算鲸鱼个体适应度值，若值大于0.5，鲸鱼个体位置螺旋更新；若值小于0.5，鲸鱼个体收缩包围方式并更新位置。选择螺旋更新还是收缩包围两种捕猎方式公式如下：

其中，p是[0,1]随机生成的一个概率

所述螺旋更新阶段公式如下：

所述收缩包围阶段公式如下：

其中，代表目标和搜索粒子之间的距离。

S24：判断迭代次数是否为最大迭代次数，若不是，则重复步骤S33；若是最大迭代次数，则结束循环，输出最优隐藏层神经元数量和时间步长。

S25：根据得到的参数，建立WOA优化的LSTM模型。

S3：将步骤S1经EEMD分解后的分量分别输入步骤S2建立好的WOA-LSTM模型中进行预测，并每个输出的预测数据进行重构。

S4：输出预测结果，如图4所示，可见经WOA优化的LSTM网络比未经过优化的LSTM网络更接近原始累计位移曲线，精度更高，有效说明本发明的先进性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种基于WOA-LSTM模型的滑坡位移预测方法，其特征在于：该方法包括以下步骤：

S4：将S3预测得到的IMF分量和趋势项用分别同S2中对应系数相乘，乘积相加后便是滑坡累计位移预测结果；

所述S1中，EEMD分解包括以下步骤：

其中，z_i(t)表示符合正态分布添加的白噪声信号，N是添加的白噪声个数，C_ij(t)为添加的第j个白噪声后的第i个IMF；

所述S3中，WOA-LSTM模型是使用WOA算法对LSTM的隐藏层神经元数量和时间步长两个参数进行优化，提高LSTM模型预测精度；

所述S3中，WOA-LSTM模型建立包括以下步骤：

S31：参数初始化，生成初始鲸鱼群

S32：输入LSTM网络模型

S35：根据得到的参数，建立WOA优化的LSTM模型；

所述S31中，参数初始化包括种群数量、种群位置上下界、鲸鱼个体空间维度和最大迭代次数；

所述S33中，是选择螺旋更新还是收缩包围的捕猎方式的公式如下：

其中，p是[0,1]随机生成的一个概率；

所述螺旋更新的公式如下：

其中，表示最优解和搜索粒子之间的距离，b是常量系数，l是范围[-1,1]的随机数；

所述收缩包围的公式如下：

其中，代表目标和搜索粒子之间的距离。

2.根据权利要求1所述的一种基于WOA-LSTM模型的滑坡位移预测方法，其特征在于：所述S3中，WOA-LSTM模型输入层神经元设为4，输出层神经元设为1，隐藏层神经元数量和时间步长由步骤S34确定。

3.根据权利要求2所述的一种基于WOA-LSTM模型的滑坡位移预测方法，其特征在于：所述S3中，建立WOA-LSTM模型，多个IMF分量和一个趋势项会分别输出最佳隐藏层神经元数量和时间步长参数值，从而分别建立最佳WOA-LSTM模型。