CN114897257B - 基于eemd-gru模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法 - Google Patents
基于eemd-gru模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法 Download PDFInfo
- Publication number
- CN114897257B CN114897257B CN202210610887.0A CN202210610887A CN114897257B CN 114897257 B CN114897257 B CN 114897257B CN 202210610887 A CN202210610887 A CN 202210610887A CN 114897257 B CN114897257 B CN 114897257B
- Authority
- CN
- China
- Prior art keywords
- displacement
- data
- prediction
- time scale
- term
- 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
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000007792 addition Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000002262 irrigation Effects 0.000 abstract 1
- 238000003973 irrigation Methods 0.000 abstract 1
- 230000000737 periodic effect Effects 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- -1 rainfall Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- 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
- G06N3/045—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
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了预埋滴灌的基于EEMD‑GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期；S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取；S3：采用集合经验模态分解算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解；S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理；S5：建立门控循环单元神经网络；S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测；S7：将不同时间尺度下的周期项的预测值和趋势项的预测值叠加得到累计位移的预测。
Description
技术领域
本发明涉及滑坡预测技术领域，尤其是涉及基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法。
背景技术
水库滑坡是发生在水库周边岩土体上的常见地质灾害。其灾害巨大，不仅会造成生命财产损失，还会造成大量的次生灾害。因此精确、可靠的预测是减少水库滑坡灾害损失的关键。在众多水库滑坡中，存在一种滑坡累计位移曲线呈台阶状的“阶跃型”滑坡。此类滑坡不仅危害巨大，而且难以准确预测。阶跃型滑坡的位移阶跃主要受季节性降雨或周期性库水涨落或二者联合作用的影响，同时也受滑坡演化状态和地下水的影响。其每次位移阶跃都可能被误认为进入临滑阶段，从而对滑坡避灾与防治带来了极大的困扰，若能充分挖掘监测数据分析位移阶跃与库水、降雨、地下水位与演化状态的响应关系，从而对其位移进行预测，准确把握滑坡变形演化阶段并采取相应的防灾减灾措施，将会大大减少人员伤亡和财产损失。因此，考虑滑坡滑在不同时间尺度下的演化状态，基于库水、降雨作用下阶跃型滑坡位移响应规律，开展阶跃型滑坡位移预测具有重要科学意义。
发明内容
为解决现有位移阶跃型水库滑坡累计位移预测方法的不完善，筛选出较为合理的时间周期，本发明提供了一种基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法。
为了实现上述的技术特征，本发明的目的是这样实现的：基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于，包括以下步骤：
S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期，监测内容包括：滑坡累计位移、降雨量、库水位和地下水位；若监测数据中存在缺失则采用ARIMA算法对缺失值进行插补；
S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取；
S3：采用集合经验模态分解算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解，将累计位移时间序列分解成n个本征模态函数和一个残差项；将残差项作为趋势项；将累计位移与趋势项的差值作为周期项；
S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理；
S5：建立门控循环单元神经网络，将S4中处理好的训练集和测试集数据，按不同时间尺度分别输入模型中，实现各自周期项位移的预测；采用相关系数R2和均方根误差RMSE对预测结果进行评价；
S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测；
S7：将不同时间尺度下的周期项预测值和趋势项预测值叠加得到累计位移的预测，并通过相关系数R2和均方根误差RMSE对预测结果进行评价，得到最优的时间尺度。
2、根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S1中，滑坡所在区域的降雨量、库水位、地下水位将作为周期项位移预测时的影响因素考虑；对监测数据提取时考虑日、周、旬三个时间尺度；采用ARIMA算法进行插补时，根据现有数据对缺失值进行预测填补，确保有95％的置信区间。
3、根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S2中，对同一套数据分别进行日、周、旬不同时间尺度的提取时，会导致所提取出的数据量不同，因此为保证预测结果对比时的变量单一性和科学性，从S1中提取出的日数据和周数据需再次进行提取，保证日、周、旬的预测数据量相同。
4、根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S3中，集合经验模态分解算法是在经验模态分解算法的基础上，在原始信号中加入白噪声序列，然后在进行经验模态分解；推荐选取白噪声标准差参数为0.2，白噪声添加次数通常为数百次；集合经验模态分解具体方法如下：
S3.1，通过向待分析序列x(t)中加入第一组白噪声ω1(t)，构成白噪声和时间序列的混合体X1(t)：
X1(t)＝x(t)+ω1(t) (1)
S3.2，对混合体X1(t)进行经验模态分解，分解得到第一阶的n个本征模态函数和一项残差的组合：
式中，X1(t)为加入第一组白噪声后的信噪混合体，cj1为经验模态分解出的第一阶本征模态函数，r1n为经验模态分解出的第一阶残差项；
S3.3，再向待分析序列x(t)中加入第二组白噪声序列ω2(t)，构成新的白噪声和时间序列的混合体X2(t)：
X2(t)＝x(t)+ω2(t) (3)
S3.4，对混合体X2(t)进行经验模态分解，分解得到第二阶的n个本征模态函数和一项残差的组合：
式中，X2(t)为加入第二组白噪声后的信噪混合体，cj2为经验模态分解出的第二阶本征模态函数，r2n为经验模态分解出的第二阶残差项；
S3.5，重复以上步骤，经过N次添加、分解后，得到N阶本征模态函数分量，将每阶分量中相对应的本征模态函数划为同一分量组，即最终共有n个分量组，每个分量中有N个相对应的本征模态函数分量；
S3.6，对每个分量组取平均得：
式中，IMFj为最终分解出的本征模态函数，N为添加白噪声的次数和EMD分解的次数，cji为各个分量组中的本征模态函数。
5、根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S4中，在对训练集和测试集进行划分时，通常取前80％的数据作为训练集，后20％的数据作为测试集，数据进行归一化时采用如下公式：
式中，y为归一化后的结果，ymax为归一化后数据中的最大值，ymin为归一化后数据中的最小值，x为需要归一化的数，xmax为归一化前数据中的最大值，xmin为归一化后数据中的最小值，通常将数据归一化至[-1,1]之间。
6、根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S5中，采用的门控循环单元模型源于LSTM模型，和LSTM相比，门控循环单元模型的内部信息流动比较简洁，参数也更少，效果也较好，因此也是当前非常流形的一种网络，门控循环单元模型也擅长处理各种时序问题，为保证变量的单一性和对比的科学性，各时间尺度下的门控循环单元模型中的参数应保持一致，门控循环单元模型搭建的具体步骤：
S5.1，划分训练集和测试集中的输入项和输出项，对多维门控循环单元模型来说输入项的维度较高，输出项的维度较低，通常输出项是所需要的预测结果，而输入项是对输出项的各种影响因素，门控循环单元模型公式如下：
式中，x'(t)为第t时刻隐含层的输入，h(t)为第t时刻当前层的输出，h(t-1)为第t-1时刻当前层的输出，z(t)和r(t)分别为更新门和重置门，是输入x'(t)和前一时刻输出h(t-1)的汇总；σ为sigmoid激活函数，tanh为双曲正切函数，Wr为重置门训练参数矩阵，Wz为更新门训练参数矩阵，其中[]表示两个向量相连，*表示矩阵的乘积；
S5.2，设置门控循环单元模型的基本参数设置，确定输入项x'(t)的维度、输出项y(t)的维度和隐藏层的层数，通常隐藏层层数越多，整个网络的误差就越小，但会使整个网络复杂化，增加网络的训练时间，也有可能出现“过拟合”现象；隐藏层层数越少，虽然可以使网络复杂度降低，减少训练时间，但可能会出现“欠拟合”现象；因此需要选取合适的隐藏层层数；
选取相关系数R2和均方根误差RMSE作为预测结果的评价指标，其中R2越大RMSE越小，则预测精度越高，相关系数R2和均方根误差RMSE的公式如下：
式中，为预测值，Li为实际值，n为数据量。
7、根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S6中，经集合经验模态分解出的趋势项位移近似一条单调增加的曲线，因此能够直接进行多项式的拟合预测，趋势项预测精度的评价指标仍采用相关系数R2和均方根误差RMSE。
8、根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S7中，因为趋势项和周期项均由累计位移分解而来，且三者均为时间序列，因此根据时间序列的加法模型，将各时间尺度下的趋势项预测值和周期项预测值叠加，得到各自的滑坡累计位移预测值，采用相关系数R2和均方根误差RMSE评价预测精度，最终得到最优的时间尺度。
本发明有如下有益效果：
1、本发明通过对不同时间尺度下的累计位移和影响因素进行提取后，分别利用EEMD-GRU模型进行累计位移的分解和预测，最终选取出最优的时间尺度。本发明中采用的EEMD分解算法可以更好的对时间序列进行分解，该分解方法不仅保证了原始序列的特性，还有效缓解了利用EMD分解时所产生的模态混叠的现象；采用GRU模型对周期项位移进行预测，该模型即可有效避免过拟合现象保证预测的精度，又可减少模型的预测时间。从不同时间尺度对水库阶跃型滑坡累积位移进行预测分析，从而得出最优的滑坡位移预测时间尺度，进一步提升预测精度。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明的方法流程图。
图2为本发明的EEMD算法分解流程图。
图3为本发明的GRU结构框架图。
图4为本发明实例中白家包滑坡不同时间尺度下的累计位移图。
图5为本发明实例中EEMD分解不同时间尺度下的累计位移结果图。
图6为本发明实例中GRU模型预测不同时间尺度下的周期项位移结果图。
图7为本发明实例中白家包滑坡不同时间尺度下的累计位移预测结果图。
具体实施方式
下面结合附图对本发明的实施方式做进一步的说明。
实施例1：
本发明公开了一种基于EEMD-GRU模型不同时间尺度下水库阶跃型滑坡累计位移预测方法，包括如下步骤：
S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期，监测内容一般包括滑坡累计位移、降雨量、库水位、地下水位；若监测数据中存在缺失则可采用ARIMA算法对缺失值进行插补。
监测数据提取时可考虑日、周、旬三个时间尺度，所提取出的监测数据将作为周期项位移预测时的影响因素，采用ARIMA算法进行插补时，可根据现有数据对缺失值进行预测填补，确保有95％的置信区间。
S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取，对同一套数据分别进行日、周、旬不同时间尺度的提取时，会导致所提取出的数据量不同。因此为保证预测结果对比时的变量单一性和科学性，从S1中提取出的日数据和周数据需再次进行提取，保证日、周、旬的预测数据量相同。
S3：采用集合经验模态分解(EEMD)算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解，将累计位移时间序列分解成n个本征模态函数(IMF)和一个残差项(Residual)。将残差项作为趋势项；将累计位移与趋势项的差值作为周期项。
集合经验模态分解(EEMD)算法是在经验模态分解(EMD)算法的基础上，在原始信号中加入白噪声序列，然后再进行EMD分解。一般推荐选取白噪声标准差参数(Nstd)为0.2，白噪声添加次数通常为数百次。集合经验模态分解(EEMD)具体方法如下：
(1)通过向待分析序列x(t)中加入第一组白噪声ω1(t)，构成白噪声和时间序列的混合体X1(t)：
X1(t)＝x(t)+ω1(t) (1)
(2)对混合体X1(t)进行EMD算法分解。分解得到第一阶的n个本征模态函数(IMF)和一项残差的组合：
式中，X1(t)为加入第一组白噪声后的信噪混合体，cj1为经验模态分解出的第一阶本征模态函数，r1n为经验模态分解出的第一阶残差项；
(3)再向待分析序列x(t)中加入第二组白噪声序列ω2(t)，构成新的白噪声和时间序列的混合体X2(t)：
X2(t)＝x(t)+ω2(t) (3)
式中，X2(t)为加入第二组白噪声后的信噪混合体，cj2为经验模态分解出的第二阶本征模态函数，r2n为经验模态分解出的第二阶残差项；
(4)对混合体X2(t)进行EMD算法分解。分解得到第二阶的n个本征模态函数(IMF)和一项残差的组合：
(5)重复以上步骤，经过N次添加、分解后，得到N阶本征模态函数分量。将每阶分量中相对应的IMF划为同一分量组，即最终共有n个分量组，每个分量中有N个相对应的IMF分量。
(6)对每个分量组取平均得：
式中，IMFj为最终分解出的本征模态函数，N为添加白噪声的次数和EMD分解的次数，cji为各个分量组中的本征模态函数。
S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理。对训练集和测试集进行划分时，通常取前80％的数据作为训练集，后20％的数据作为测试集。数据进行归一化时可采用如下公式：
式中，y为归一化后的结果，ymax为归一化后数据中的最大值，ymin为归一化后数据中的最小值，x为需要归一化的数，xmax为归一化前数据中的最大值，xmin为归一化后数据中的最小值，通常将数据归一化至[-1，1]之间。
S5：建立门控循环单元(GRU)神经网络，将S3中处理好的训练集和测试集数据，按不同时间尺度分别输入模型中，实现各自周期项位移的预测。采用相关系数R2和均方根误差RMSE对预测结果进行评价。
采用的GRU模型源于长短时记忆网络(LSTM)模型，和LSTM相比，GRU的内部信息流动比较简洁，参数也更少，效果也较好，因此也是当前非常流形的一种网络，GRU也擅长处理各种时序问题。为保证变量的单一性和对比的科学性，各时间尺度下的GRU模型中的参数应保持一致。GRU模型搭建的具体步骤：
(1)划分训练集和测试集中的输入项和输出项。对多维GRU模型来说输入项的维度较高，输出项的维度较低。通常输出项是所需要的预测结果，而输入项是对输出项的各种影响因素。GRU模型公式如下：
式中，x'(t)为第t时刻隐含层的输入，h(t)为第t时刻当前层的输出，h(t-1)为第t-1时刻当前层的输出，z(t)和r(t)分别为更新门和重置门，是输入x'(t)和前一时刻输出h(t-1)的汇总。σ为sigmoid激活函数，tanh为双曲正切函数，Wr为重置门训练参数矩阵，Wz为更新门训练参数矩阵。其中[]表示两个向量相连，*表示矩阵的乘积。
(2)设置GRU模型的基本参数设置，确定输入项x'(t)的维度、输出项y(t)的维度和隐藏层的层数。一般来说，隐藏层层数越多，整个网络的误差就越小，但会使整个网络复杂化，增加网络的训练时间，也有可能出现“过拟合”现象；隐藏层层数越少，虽然可以使网络复杂度降低，减少训练时间，但可能会出现“欠拟合”现象。因此需要选取合适的隐藏层层数。
选取相关系数R2和均方根误差RMSE作为预测结果的评价指标，其中R2越大RMSE越小，则预测精度越高。相关系数R2和均方根误差RMSE的公式如下：
式中，为预测值，Li为实际值，n为数据量。
S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测。经EEMD分解出的趋势项位移近似一条单调增加的曲线，因此可以直接进行多项式的拟合预测。趋势项预测精度的评价指标仍采用相关系数R2和均方根误差RMSE。
S7：将不同时间尺度下的周期项预测值和趋势项预测值叠加得到累计位移的预测，并通过相关系数R2和均方根误差RMSE对预测结果进行评价，得到最优的时间尺度。所述步骤S7中，因为趋势项和周期项均由累计位移分解而来，且三者均为时间序列。因此根据时间序列的加法模型，将各时间尺度下的趋势项预测值和周期项预测值叠加，得到各自的滑坡累计位移预测值，并采用相关系数R2和均方根误差RMSE评价预测精度。最终得到最优的时间尺度。
实施例2：
本发明采用湖北长江三峡滑坡野外科学观测研究站对白家包滑坡的自动监测数据，选取最优的时间尺度。监测数据自2017年10月30日至2020年1月27日共820组数据，包括滑坡累计位移、降雨量、库水位、地下水位。分别以日、周、旬对监测数据进行提取，提取出日数据820组、周数据117组、旬数据82组数据。为保证最终预测结果对比的科学性和变量的单一性，对日数据和周数据进行而二次提取，即提取日、周数据的后82组数据用于预测。
采用EEMD分解方法分别对日、周、旬累计位移进行位移时间序列的分解，得到三个尺度下的周期项位移和相对应的趋势项位移。将分解出的三种时间尺度下的周期项位移和对应的影响因素进行训练集和测试集的划分，均取前80％作为训练集，后20％作为测试集。
对不同时间尺度下的训练集和测试集中的数据进行归一化处理，分别导入GRU模型对周期项位移进行预测。导入的数据中所有的影响因素作为模型的输入项，周期性位移作为模型的输出项。确定GRU模型的输入维度为9，输出维度为1，隐藏层层数为10，最大迭代次数为1000。EEMD分解出的趋势项可直接利用多项式进行拟合预测。滑坡的累计位移的预测可根据时间序列加法模型，将相同时间尺度下的周期项预测值和趋势项预测值叠加得到累计位移的预测值。
采用相关系数R2和均方根误差RMSE对三个时间尺度下的累计位移预测结果进行评价、对比，最终得出最优的时间尺度为旬。
Claims (6)
1.基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于，包括以下步骤：
S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期，监测内容包括：滑坡累计位移、降雨量、库水位和地下水位；若监测数据中存在缺失则采用ARIMA算法对缺失值进行插补；
所述步骤S1中，滑坡所在区域的降雨量、库水位、地下水位将作为周期项位移预测时的影响因素考虑；对监测数据提取时考虑日、周、旬三个时间尺度；采用ARIMA算法进行插补时，根据现有数据对缺失值进行预测填补，确保有95%的置信区间；
S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取；
所述步骤S2中，对同一套数据分别进行日、周、旬不同时间尺度的提取时，会导致所提取出的数据量不同，因此为保证预测结果对比时的变量单一性和科学性，从S1中提取出的日数据和周数据需再次进行提取，保证日、周、旬的预测数据量相同；
S3：采用集合经验模态分解算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解，将累计位移时间序列分解成n个本征模态函数和一个残差项；将残差项作为趋势项；将累计位移与趋势项的差值作为周期项；
S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理；
S5：建立门控循环单元神经网络，将S4中处理好的训练集和测试集数据，按不同时间尺度分别输入模型中，实现各自周期项位移的预测；采用相关系数R² 和均方根误差RMSE对预测结果进行评价；
S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测；
S7：将不同时间尺度下的周期项预测值和趋势项预测值叠加得到累计位移的预测，并通过相关系数R² 和均方根误差RMSE对预测结果进行评价、对比，最终得出最优的时间尺度为旬。
2.根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S3中，集合经验模态分解算法是在经验模态分解算法的基础上，在原始信号中加入白噪声序列，然后在进行经验模态分解；推荐选取白噪声标准差参数为0.2，白噪声添加次数通常为200~300次；集合经验模态分解具体方法如下：
S3.1，通过向待分析序列中加入第一组白噪声/>，构成白噪声和时间序列的混合体/>：
（1）
S3.2，对混合体进行经验模态分解，分解得到第一阶的n个本征模态函数和一项残差的组合：
（2）
式中，为加入第一组白噪声后的信噪混合体，/>为经验模态分解出的第一阶本征模态函数，/>为经验模态分解出的第一阶残差项；
S3.3，再向待分析序列中加入第二组白噪声序列/>，构成新的白噪声和时间序列的混合体/>：
（3）
S3.4，对混合体进行经验模态分解，分解得到第二阶的n个本征模态函数和一项残差的组合：
（4）
式中，为加入第二组白噪声后的信噪混合体，/>为经验模态分解出的第二阶本征模态函数，/>为经验模态分解出的第二阶残差项；
S3.5，重复以上步骤，经过N次添加、分解后，得到N阶本征模态函数分量，将每阶分量中相对应的本征模态函数划为同一分量组，即最终共有n个分量组，每个分量中有N个相对应的本征模态函数分量；
S3.6，对每个分量组取平均得：
（5）
式中，为最终分解出的本征模态函数，N为添加白噪声的次数和EMD分解的次数，为各个分量组中的本征模态函数。
3.根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S4中，在对训练集和测试集进行划分时，取前80%的数据作为训练集，后20%的数据作为测试集，数据进行归一化时采用如下公式：
（6）
式中，y为归一化后的结果，y max为归一化后数据中的最大值，y min为归一化后数据中的最小值，x为需要归一化的数，x max为归一化前数据中的最大值，x min为归一化后数据中的最小值，通常将数据归一化至[-1,1]之间。
4.根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S5中，采用的门控循环单元模型源于LSTM模型，为保证变量的单一性和对比的科学性，各时间尺度下的门控循环单元模型中的参数应保持一致，门控循环单元模型搭建的具体步骤：
S5.1，划分训练集和测试集中的输入项和输出项，对多维门控循环单元模型来说输入项的维度较高，输出项的维度较低，通常输出项是所需要的预测结果，而输入项是对输出项的各种影响因素，门控循环单元模型公式如下：
（7）
式中，为第t时刻隐含层的输入，/>为第t时刻当前层的输出，/>为第/>时刻当前层的输出，/>和/>分别为更新门和重置门，/>是输入/>和前一时刻输出的汇总；/>为sigmoid激活函数，tanh为双曲正切函数，/>为重置门训练参数矩阵，为更新门训练参数矩阵，其中[ ]表示两个向量相连，*表示矩阵的乘积；
S5.2，设置门控循环单元模型的基本参数设置，确定输入项的维度、输出项/>的维度和隐藏层的层数，隐藏层层数越多，整个网络的误差就越小，但会使整个网络复杂化，增加网络的训练时间，也有可能出现“过拟合”现象；隐藏层层数越少，虽然可以使网络复杂度降低，减少训练时间，但可能会出现“欠拟合”现象；
选取相关系数R² 和均方根误差RMSE作为预测结果的评价指标，其中R² 越大RMSE 越小，则预测精度越高，相关系数R² 和均方根误差RMSE的公式如下：
（8）
（9）
式中，为预测值，L i为实际值，n为数据量。
5.根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S6中，经集合经验模态分解出的趋势项位移近似一条单调增加的曲线，因此能够直接进行多项式的拟合预测，趋势项预测精度的评价指标仍采用相关系数R²和均方根误差RMSE。
6.根据权利要求1所述基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S7中，因为趋势项和周期项均由累计位移分解而来，且三者均为时间序列，因此根据时间序列的加法模型，将各时间尺度下的趋势项预测值和周期项预测值叠加，得到各自的滑坡累计位移预测值，采用相关系数R²和均方根误差RMSE评价预测精度，最终得到最优的时间尺度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610887.0A CN114897257B (zh) | 2022-05-31 | 2022-05-31 | 基于eemd-gru模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610887.0A CN114897257B (zh) | 2022-05-31 | 2022-05-31 | 基于eemd-gru模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114897257A CN114897257A (zh) | 2022-08-12 |
| CN114897257B true CN114897257B (zh) | 2024-06-14 |
Family
ID=82726414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210610887.0A Active CN114897257B (zh) | 2022-05-31 | 2022-05-31 | 基于eemd-gru模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897257B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050270A (zh) * | 2023-02-07 | 2023-05-02 | 合肥学院 | 一种pm2.5浓度预测方法及系统 |
| CN116340891B (zh) * | 2023-05-26 | 2024-09-20 | 北京京东乾石科技有限公司 | 虚拟对照组的生成方法和装置及分析系统 |
| CN117132007B (zh) * | 2023-10-29 | 2024-03-08 | 四川轻化工大学 | 一种基于动态串联pso-bilstm的滑坡变形速率预测方法 |
| CN118193504B (zh) * | 2024-05-20 | 2024-08-27 | 高速铁路建造技术国家工程研究中心 | 基于emd和gru的桥梁传感器时序缺失数据重构方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627066A (zh) * | 2021-08-03 | 2021-11-09 | 成都理工大学 | 一种水库库岸滑坡的位移预测方法 |
| CN114511150A (zh) * | 2022-02-16 | 2022-05-17 | 成都理工大学 | 一种基于深度学习的滑坡位移时空预测方法 |
-
2022
- 2022-05-31 CN CN202210610887.0A patent/CN114897257B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627066A (zh) * | 2021-08-03 | 2021-11-09 | 成都理工大学 | 一种水库库岸滑坡的位移预测方法 |
| CN114511150A (zh) * | 2022-02-16 | 2022-05-17 | 成都理工大学 | 一种基于深度学习的滑坡位移时空预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114897257A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114897257B (zh) | 基于eemd-gru模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法 | |
| Plischke | An effective algorithm for computing global sensitivity indices (EASI) | |
| CN111985719B (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN115077474A (zh) | 一种基于机器学习的地面沉降趋势预测方法及系统 | |
| CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
| CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
| CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
| CN110045413A (zh) | 一种地震短期预测方法和装置 | |
| Buscema et al. | Artificial Adaptive Systems to predict the magnitude of earthquakes. | |
| CN114168574B (zh) | 一种面向工业负荷的数据缺失处理方法及装置 | |
| CN115438576A (zh) | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 | |
| CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
| CN114897277B (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
| CN115098999A (zh) | 一种多模态融合的燃料电池系统性能衰减预测方法 | |
| CN115510748A (zh) | 基于变分模态分解和cnn-gru的滑坡位移预测方法 | |
| CN113111573B (zh) | 基于gru的滑坡位移预测方法 | |
| CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
| CN110889630A (zh) | 一种主动配电网分布式状态估计方法 | |
| CN114154753A (zh) | 一种负荷预测方法及系统 | |
| KR101280388B1 (ko) | 지공간사건발생 예측 시스템 및 방법 | |
| CN115204036A (zh) | 基于CNN-LSTM的电离层foF2预测方法、装置及存储介质 | |
| CN113033091A (zh) | 一种滑坡位移预测方法 | |
| CN117172085B (zh) | 一种pccp断丝预测方法、装置、计算机设备及介质 | |
| CN116796873A (zh) | 一种架空输电线路工程量量化评估方法及系统 | |
| CN117875726B (zh) | 基于深度学习的价值链优化管控方法 |
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 |