CN114548547A - 一种基于vmd-lstm的时间序列滑坡位移数据预测方法 - Google Patents

一种基于vmd-lstm的时间序列滑坡位移数据预测方法 Download PDF

Info

Publication number
CN114548547A
CN114548547A CN202210152190.3A CN202210152190A CN114548547A CN 114548547 A CN114548547 A CN 114548547A CN 202210152190 A CN202210152190 A CN 202210152190A CN 114548547 A CN114548547 A CN 114548547A
Authority
CN
China
Prior art keywords
vmd
data
lstm
prediction
model
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.)
Pending
Application number
CN202210152190.3A
Other languages
English (en)
Inventor
吴俊男
许文波
贾海涛
王子彦
刘博文
孙靖哲
曾靓
张博阳
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210152190.3A priority Critical patent/CN114548547A/zh
Publication of CN114548547A publication Critical patent/CN114548547A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种基于VMD‑LSTM的时间序列滑坡位移数据预测方法。该发明在时间序列数据上具有一定的通用性，该专利以滑坡数据为说明案例。针对滑坡位移数据的预测，其传统的LSTM预测模型准确度比较低的情况，使用VMD‑LSTM模型对某地区的滑坡位移数据进行了预测，其所开发的模型相比于传统的LSTM模型具有更高的精度和稳定性，并且VMD降低了序列复杂度，增强了降噪能力。

Description

一种基于VMD-LSTM的时间序列滑坡位移数据预测方法
技术领域
本发明涉及深度学习关于时间序列数据的预测领域，针对滑坡地质灾害中的位移数据预测技术。
背景技术
滑坡属于突发自然灾害类，其所产生的破坏不仅局限于山区，还进入了邻近的建筑，如房屋和道路。该灾难会夺取许多人的生命，其中一些人无家可归，影响他们的生计。根据世界卫生组织调查显示，1998-2017年以来，山体滑坡损害了近480万人的生命，并且近1.8万人死亡。山体滑坡造成的破坏的激增，引起了全球许多研究人员对开发滑坡灾害早期预测系统的关注。通过适当开发的监测系统，可以预先预测滑坡发生的可能性。它将有助于采取必要的措施来控制和减轻山体滑坡对人类生命和经济造成的破坏。滑坡评价系统主要解决了两个问题：滑坡发生的时间、地点。然而，研究人员仍然难以准确预测即将到来的山体滑坡的时间和地点。这是因为山体滑坡是由几个因素引发的，如暴雨、地震、雪融化、洪水、火山或任何其他自然原因都会导致斜坡不稳定。此外，土壤和岩石的各种地形条件也增加了边坡的破坏。
计算机技术的发展，使得深度学习神经网络被广泛地应用到各个时间序列领域。现有的基于传统滑坡预测方法主要分为：
(1)基于知识的方法。利用分析层次结构过程开发滑坡预测模型，使用经验方法，如双变量、多变量和频率比等。
(2)基于主成分分析的方法。基于判别分析、确定因子和熵指数的滑坡预测。
(3)基于机器学习的方法。基于机器学习的方法主要为传统的机器学习算法。
大多数研究人员将滑坡预测视为一个静态回归问题。然而，滑坡的发生是由于各种影响因素的渐进变形和不稳定的结果，因此，简单地将其视为一个静态回归的问题并不是一个非常好的预测方法。随着深度学习的不断进步和发展，其在工业领域的应用越来越广泛，包括在时间序列数据预测方面，如交通流量的预测、空气污染的预测和金融数据的预测等。但是关于深度学习在滑坡数据方面的预测上的研究并不是非常多，另外，预测结果的精度一直以来也是长期关注的问题。
本发明就是着力于解决时间序列滑坡位移数据的预测和预测结果的精度问题。本发明在时间序列数据预测领域有一定的通用性，对数据的噪声的处理进行了相应的改进，并针对LSTM网络做出了改进。
发明内容
为了克服上述现有技术的不足，本发明提出了一种基于VMD-LSTM的时间序列滑坡位移数据预测方法。该技术针对模型的预测精度问题引用了变分模式分解以减少噪声的干扰，并针对分解后的多个固有模式函数引入深度学习中的关于时间序列数据预测比较常用的长短期记忆神经网络(如附图1所示)。
本发明所采用的技术方案是：
步骤1：数据预处理。消除异常值：将不符合标准的滑坡事件数据从数据集中删除。
步骤2：数据归一化：需要将数据所有特征带到相同的规模，这样一个特征就不会仅仅因为它的大小而比另一个更影响学习过程。
步骤3：数据分割。将数据集分成80％的训练集和20％的验证集。
步骤4：变分模式分解。通过VMD将原始滑坡位移数据分解为3个IMF(附图2)。
步骤5：建立VMD-LSTM模型(附图3)。数据通过建立的模型进行预测。
步骤6：评价指标。采用均方根误差来计算预测值和真实值之间的误差。
与现有技术相比，本发明的有益效果是：
(1)在滑坡数据的噪声处理中，VMD能够有效降低噪声对预测结果的影响。
(2)相比于传统的LSTM模型，本发明提出的模型能够有效提高滑坡位移数据的预测精度。
附图说明
图1为：长短期神经网络结构示意图。
图2为：VMD分解图。
图3为：VMD-LSTM网络模型示意图。
图4为：LSTM网络训练准确性的曲线
表1为：评价指标表
具体实施方式
下面结合附图和公式对本发明进一步说明。
数据预处理。消除异常值：在收集的数据集中，将不符合标准的滑坡事件数据从数据集中删除。
数据归一化。不同的评价指标往往具有不同的量纲，这样的情况会影响到数据分析的结果，为了消除指标之间量纲的影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明中使用最大归一化方法进行数据的归一化。
数据分割。将数据集分成80％的训练集和20％的验证集。
变分模式分解。VMD有效抑制了EMD方法的模式混叠现象。在采样和噪声方面，该方法更加稳健，变分模态分解对非平稳和非线性信号具有良好的处理效果。通过VMD将原始滑坡位移序列分解为三个IMF，分解的分量绘制在附图2中。
建立VMD-LSTM模型。将模型中的epoch设置为100，batch-size设置为1，将VMD分解后的IMF分别送入模型中进行预测，得到每个分量的预测结果，最后将各组分的预测结果相加，得到总预测值。
评价指标。采用均方根误差(RMSE)，用于计算预测值和真实值的绝对差值，如公式1所示。
Figure BDA0003511044860000031
这里，X(t)表示真实值，
Figure BDA0003511044860000032
表示预测值，代表实验数据的总数。
结果分析。通过设定参数后的VMD-LSTM网络进行训练和验证，并结合传统的LSTM模型进行实验结果比较(表1)，根据对结果的分析，可以发现VMD-LSTM预测的滑坡位移的RMSE为17.50，比传统的LSTM模型小9.75，优于传统的LSTM模型。VMD-LSTM利用VMD降低了序列复杂度，增强了降噪能力，因此，VMD-LSTM具有比LSTM模型更高的精度和稳定性。
以上所述，仅为本发明的具体实施方式，本说明中所公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征或/和步骤外，均可以任何方式组合。

Claims (3)

1.一种基于VMD-LSTM的时间序列滑坡位移数据预测方法，其特征在于，包括以下步骤：
步骤一：数据预处理。消除异常值：在收集的数据集中，将不符合标准的滑坡事件数据从数据集中删除。
步骤二：数据归一化。不同的评价指标往往具有不同的量纲，这样的情况会影响到数据分析的结果，为了消除指标之间量纲的影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明中使用最大归一化方法进行数据的归一化。
步骤三：数据分割。将数据集分成80％的训练集和20％的验证集。
步骤四：变分模式分解。VMD有效抑制了EMD方法的模式混叠现象。在采样和噪声方面，该方法更加稳健，变分模态分解对非平稳和非线性信号具有良好的处理效果。通过VMD将原始滑坡位移序列分解为三个IMF，分解的分量绘制在附图2中。
步骤五：建立VMD-LSTM模型。将模型中的epoch设置为100，batch-size设置为1，将VMD分解后的IMF分别送入模型中进行预测，得到每个分量的预测结果，最后将各组分的预测结果相加，得到总预测值。
步骤六：评价指标。采用均方根误差(RMSE)，用于计算预测值和真实值的绝对差值，如公式1所示。
Figure FDA0003511044850000011
这里，X(t)表示真实值，
Figure FDA0003511044850000012
表示预测值，代表实验数据的总数。
步骤七：结果分析。通过设定参数后的VMD-LSTM网络进行训练和验证，并结合传统的LSTM模型进行实验结果比较(表1)，根据对结果的分析，可以发现VMD-LSTM预测的滑坡位移的RMSE为17.50，比传统的LSTM模型小9.75，优于传统的LSTM模型。VMD-LSTM利用VMD降低了序列复杂度，增强了降噪能力，因此，VMD-LSTM具有比LSTM模型更高的精度和稳定性。
2.如权利要求1所述方法，其特征在于，步骤四中的将滑坡位移数据进行VMD分解的方法。
3.如权利要求1所述方法，其特征在于，步骤五中的建立VMD-LSTM预测模型,VMD降低了序列复杂度，增强了降噪能力，VMD-LSTM具有比LSTM模型更高的精度和稳定性。
CN202210152190.3A 2022-02-18 2022-02-18 一种基于vmd-lstm的时间序列滑坡位移数据预测方法 Pending CN114548547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210152190.3A CN114548547A (zh) 2022-02-18 2022-02-18 一种基于vmd-lstm的时间序列滑坡位移数据预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210152190.3A CN114548547A (zh) 2022-02-18 2022-02-18 一种基于vmd-lstm的时间序列滑坡位移数据预测方法

Publications (1)

Publication Number Publication Date
CN114548547A true CN114548547A (zh) 2022-05-27

Family

ID=81675457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210152190.3A Pending CN114548547A (zh) 2022-02-18 2022-02-18 一种基于vmd-lstm的时间序列滑坡位移数据预测方法

Country Status (1)

Country Link
CN (1) CN114548547A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777152A (zh) * 2010-01-28 2010-07-14 同济大学 基于全寿命期风险分析的路堑与隧道方案决策模型
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
CN112651543A (zh) * 2020-11-10 2021-04-13 沈阳工程学院 一种基于vmd分解与lstm网络的日用电量预测方法
CN113052398A (zh) * 2021-04-21 2021-06-29 广州高谱技术有限公司 一种基于变分模态分解的用电量预测方法及其系统
CN113642767A (zh) * 2021-07-09 2021-11-12 武汉科技大学 一种基于mi-vmd-da-edlstm-vec的多维特征组合预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777152A (zh) * 2010-01-28 2010-07-14 同济大学 基于全寿命期风险分析的路堑与隧道方案决策模型
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
CN112651543A (zh) * 2020-11-10 2021-04-13 沈阳工程学院 一种基于vmd分解与lstm网络的日用电量预测方法
CN113052398A (zh) * 2021-04-21 2021-06-29 广州高谱技术有限公司 一种基于变分模态分解的用电量预测方法及其系统
CN113642767A (zh) * 2021-07-09 2021-11-12 武汉科技大学 一种基于mi-vmd-da-edlstm-vec的多维特征组合预测方法

Similar Documents

Publication Publication Date Title
CN111046341A (zh) 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法
CN112735097A (zh) 一种区域滑坡预警方法及系统
CN112785066B (zh) 基于卷积-递归神经网络的全球野火次季节时空预测方法
CN111079999A (zh) 一种基于cnn和svm的洪水灾害易发性预测方法
CN112529327A (zh) 一种用于构建商业地区建筑火灾风险预测等级模型的方法
Li et al. Real‐Time Warning and Risk Assessment of Tailings Dam Disaster Status Based on Dynamic Hierarchy‐Grey Relation Analysis
CN115327041A (zh) 一种基于关联性分析的空气污染物浓度预测方法
Jiang et al. Improvement of random forest by multiple imputation applied to tower crane accident prediction with missing data
Feng et al. Comprehensive security risk factor identification for small reservoirs with heterogeneous data based on grey relational analysis model
CN117809439A (zh) 一种基于多种环境因素中河流流量异常预警系统
CN105184050A (zh) 一种gis与人工智能技术支持下的滑坡危险度评价方法
Wang et al. Two-stage deep learning hybrid framework based on multi-factor multi-scale and intelligent optimization for air pollutant prediction and early warning
Liu et al. Air Pollutant Concentration Forecasting Using Long Short‐Term Memory Based on Wavelet Transform and Information Gain: A Case Study of Beijing
Wang et al. The construction and empirical analysis of the company’s financial early warning model based on data mining algorithms
Li et al. A new PM2. 5 concentration forecasting system based on AdaBoost‐ensemble system with deep learning approach
CN117540303A (zh) 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统
CN112257974A (zh) 一种燃气闸井风险预测模型数据集、模型训练方法和应用
CN114548547A (zh) 一种基于vmd-lstm的时间序列滑坡位移数据预测方法
CN111026790A (zh) 一种基于数据挖掘的结构安全评估及预报方法
Chen et al. ConvLSTM for Predicting Short-Term Spatiotemporal Distribution of Seismic Risk Induced by Large-Scale Coal Mining
CN115018110A (zh) 一种基于XGBoost的公路阻断损失预测方法及系统
Gu et al. A High-Robust Displacement Prediction Model for Super-High Arch Dams Integrating Wavelet De-Noising and Improved Random Forest. Water 2023; 15 (7): 1271
CN113808370A (zh) 一种面向滑坡的多指标耦合监测预警方法
CN111680268A (zh) 一种基于云模型的多粒度煤矿瓦斯风险预测方法
Edem et al. A modified grey-Markov fire accident model based on information turbulence indices and restricted residuals

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220527