CN114897277A - 一种基于lstm的突发型滑坡位移预测方法 - Google Patents

一种基于lstm的突发型滑坡位移预测方法 Download PDF

Info

Publication number
CN114897277A
CN114897277A CN202210824325.6A CN202210824325A CN114897277A CN 114897277 A CN114897277 A CN 114897277A CN 202210824325 A CN202210824325 A CN 202210824325A CN 114897277 A CN114897277 A CN 114897277A
Authority
CN
China
Prior art keywords
deformation rate
prediction
lstm
residual
displacement
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
CN202210824325.6A
Other languages
English (en)
Other versions
CN114897277B (zh
Inventor
唐宇峰
蔡宇
陈星红
杨泽林
周帅
王员
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.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
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 Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN202210824325.6A priority Critical patent/CN114897277B/zh
Publication of CN114897277A publication Critical patent/CN114897277A/zh
Application granted granted Critical
Publication of CN114897277B publication Critical patent/CN114897277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种基于LSTM的突发型滑坡位移预测方法，其内容包括：按“流转训练”方法，通过集合经验模态分解（EEMD）将由累计位移序列得到的变形速率序列分解，得到周期项及趋势项；分别通过多项式拟合及周期项LSTM网络得到变形速率的趋势项及周期项预测值，并由趋势项及周期项预测值之和得到主预测变形速率；将主预测变形速率与预设或预测的残差预测变形速率相加，得到总预测变形速率；通过总预测变形速率与下一循环实际变形速率对比得到残差变形速率序列；通过残差变形速率序列建立残差LSTM网络，对下一循环的残差变形速率进行预测；将总预测变形速率与该次实测位移进行相加，得到对下一循环的最终预测位移。

Description

一种基于LSTM的突发型滑坡位移预测方法
技术领域
本发明涉及滑坡预测领域，具体而言，涉及一种基于LSTM的突发型滑坡位移预测方法。
背景技术
基于监测数据与智能算法相结合的超前预测是近年来滑坡位移预测的主要方法。一方面，从数据监测方面来看，由于我国滑坡体数量庞大，在实际工程中受到经费和人工的限制难以对多类型传感器监测进行大规模的推广，而是将位移监测作为最广泛的监测手段。因此，如何在仅有位移监测的前提下有效的进行滑坡位移预测就显得至关重要。另一方面，突发型滑坡是最容易造成人员伤亡及财产损失的滑坡类型之一，但由于其从位移突变到产生滑坡的时间非常短且其累计位移-时间曲线存在明显的“突变点”，现有方法在解决突变型滑坡位移预测时存在明显的精度不足，难以提供有效的预警时间。因此，建立合适的方法，对突发型滑坡地质灾害进行预测，提高预测的响应速度、增加预警后的应急响应时间是具有十分重要的实际意义的。
发明内容
本发明的主要目的旨在解决现有技术中所存在的对于突发型滑坡位移预测具有明显滞后性、预测精度差的问题，提供一种基于LSTM的突发型滑坡位移预测方法，从而为滑坡预警提供科学依据，为保障人民生命财产安全提供可靠支撑。
实现本发明目的的技术解决方案为：一种基于LSTM的突发型滑坡位移预测方法，包括以下步骤：
步骤一：根据滑坡监测实测的累计位移序列，计算得到其变形速率序列；
步骤二：按“流转训练”方法，通过集合经验模态分解（EEMD）将变形速率序列分解得到周期项及趋势项；
步骤三：通过多项式拟合对趋势项变形速率进行预测，得到趋势项预测变形速率；
步骤四：根据周期项变形速率序列，设置周期项LSTM预测网络的相关参数，建立“流转训练”的周期项动态LSTM预测网络对周期项变形速率进行预测，并由趋势项预测变形速率及周期项预测变形速率相加，得到主预测变形速率；
步骤五：将主预测变形速率与残差预测变形速率相加，得到总预测变形速率；
步骤六：根据下一循环的实测位移数据得到下一循环的实际变形速率后，将该实际变形速率与总预测变形速率相减，得到残差变形速率；
步骤七：每个循环将计算得到的残差变形速率加入残差变形速率序列，并设置残差LSTM预测网络的相关参数，通过“流转训练”的方式，建立基于残差变形速率序列的动态残差LSTM预测网络，每计算一个循环对下一循环的残差预测变形速率进行预测；
步骤八：将总预测变形速率与最新一次实测位移相加，得到对下一循环的位移预测数据；
步骤九：返回步骤二，重复以上步骤，每计算一个循环，可对下一次的位移进行预测。
进一步的，所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，所述LSTM方法包括周期项LSTM预测网络、残差LSTM预测网络；
周期项LSTM预测网络：采用周期项变形速率数据序列为输入，求得周期项变形速率预测值；残差LSTM预测网络：采用变形速率数据实际值与总预测变形速率值的差值数据序列，即残差变形速率为输入，求得残差预测变形速率；
进一步的，步骤二中，通过“流转训练”的方式采用EEMD对由位移监测数据序列得到的位移变形速率序列进行分解，得到变形速率的趋势项及周期项；
所谓“流转训练”，是指每获取一次位移监测数据，都要对位移及变形速率序列进行更新，并重新进行训练的动态方法；
进一步的，步骤三中，进行多项式拟合时，会根据均方根误差（RMSE）来判定拟合精度，并在3~5阶内自动选择多项式拟合的阶数；
进一步的，步骤四中，设置的“流转训练”的动态周期项LSTM预测网络，其相关参数包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数；
进一步的，步骤四与步骤七中，所述的周期项LSTM预测网络及残差LSTM预测网络均分为输入层、隐含层和输出层，神经网络的训练由多次迭代组成，每次迭代都要进行正向传播及反向传播；
对于正向传播，采用当前时间步的输入和上个时间步的输出进行运算，得到当前时间步的输出，来建立输入和输出间的关系以及输出间的历史相关性，其计算过程为：
Figure 100002_DEST_PATH_IMAGE001
其中
Figure 100002_DEST_PATH_IMAGE002
分别为遗忘门、输入门、当前输入单元状态、当前时刻单元状态、输出、最终输出；
Figure 100002_DEST_PATH_IMAGE003
分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵；
Figure 100002_DEST_PATH_IMAGE004
分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵的偏置项;
Figure 100002_DEST_PATH_IMAGE005
表示两个向量连接为一个更长向量；
Figure 100002_DEST_PATH_IMAGE006
为sigmoid函数，
Figure 100002_DEST_PATH_IMAGE007
为将实数映射到
Figure 100002_DEST_PATH_IMAGE008
的双正切函数；
对于反向传播，对计算每个参数及隐藏状态的梯度进行计算；首先，计算最后一个时间步的隐藏状态及参数，其次再计算倒数第二个时间步的隐藏状态及参数，依次类推；在得到每个参数的梯度后，使用每个参数减去梯度的设定倍数来完成反向传播；
进一步的，步骤四与步骤七中，建立“流转训练”的动态周期项LSTM预测网络与残差LSTM预测网络时，每次建立网络均采用已有数据的最后一个进行验证，其余数据用于网络训练，并对下一次主变形速率数据进行预测，每次循环加入一次新的实测数据，都要进过一次重新训练，建立全新的周期项LSTM预测网络和残差LSTM预测网络进行预测；
进一步的，残差变形预测速率初始值设置为0；设残差LSTM预测网络的起始循环数为a，则在2~(a-1)次循环中，其残差变形预测速率即为上一循环得到的实际变形数据与总预测变形速率的插值，不通过残差LSTM预测网络进行预测；自第a次循环起，采用“流转训练”的残差LSTM预测网络预测残差预测变形速率；
进一步的，步骤七中，设置的残差LSTM预测网络的相关参数除了包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数，还包括残差LSTM预测网络启动的起始循环数；
本发明的有益效果是：与现有的滑坡位移预测方法相比，本发明在进行突发型滑坡位移预测时采用全“流转训练”的方式，最大程度的包含了突变性位移信息，因此对于突变性位移数据预测具有更好的响应速度，另外，通过建立“流转训练”的残差LSTM变形速率预测网络并与主网络叠加，进一步提高了滑坡预测的精度。该发明成果可为滑坡预警提供更可靠的技术支撑，对于保障人民生命财产安全是有十分重要的意义的。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明的分析流程图；
图2是本发明实施例一提供的某滑坡实测位移数据曲线图；
图3是本发明实施例一提供的某滑坡变形速率数据曲线图；
图4是本发明实施例一提供的某滑坡实际变形速率、本发明方法预测变形速率与传统方法预测变形速率对比图；
图5是本发明实施例一提供的某滑坡实测位移数据、本发明方法预测位移数据与传统方法预测位移数据对比图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的实施案例和附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1，一种基于LSTM的突发型滑坡位移预测方法，包括步骤如下：
步骤一：根据滑坡监测实测的累计位移序列，计算得到其变形速率序列；
步骤二：按“流转训练”方法，通过集合经验模态分解（EEMD）将变形速率序列分解得到周期项及趋势项；
步骤三：通过多项式拟合对趋势项变形速率进行预测，得到趋势项预测变形速率；
步骤四：根据周期项变形速率序列，设置周期项LSTM预测网络的相关参数，建立“流转训练”的周期项动态LSTM预测网络对周期项变形速率进行预测，并由趋势项预测变形速率及周期项预测变形速率相加，得到主预测变形速率；
步骤五：将主预测变形速率与残差预测变形速率相加，得到总预测变形速率；
步骤六：根据下一循环的实测位移数据得到下一循环的实际变形速率后，将该实际变形速率与总预测变形速率相减，得到残差变形速率；
步骤七：每个循环将计算得到的残差变形速率加入残差变形速率序列，并设置残差LSTM预测网络的相关参数，通过“流转训练”的方式，建立基于残差变形速率序列的动态残差LSTM预测网络，每计算一个循环对下一循环的残差预测变形速率进行预测；
步骤八：将总预测变形速率与最新一次实测位移相加，得到对下一循环的位移预测数据；
步骤九：返回步骤二，重复以上步骤，每计算一个循环，可对下一次的位移进行预测。
进一步的，所述的基于LSTM的突发型滑坡位移预测方法，所述LSTM方法包括周期项LSTM预测网络、残差LSTM预测网络；
周期项LSTM预测网络：采用周期项变形速率数据序列为输入，求得周期项变形速率预测值；残差LSTM预测网络：采用变形速率数据实际值与总预测变形速率值的差值数据序列，即残差变形速率为输入，求得残差预测变形速率；
进一步的，步骤二中，通过“流转训练”的方式采用EEMD对由位移监测数据序列得到的位移变形速率序列进行分解，得到变形速率的趋势项及周期项；
所谓“流转训练”，是指每获取一次位移监测数据，都要对位移及变形速率序列进行更新，并重新进行训练的动态方法；
进一步的，步骤三中，进行多项式拟合时，会根据均方根误差（RMSE）来判定拟合精度，并在3~5阶内自动选择多项式拟合的阶数；
进一步的，步骤四中，设置的“流转训练”的动态周期项LSTM预测网络，其相关参数包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数；
进一步的，步骤四与步骤七中，所述的周期项LSTM预测网络及残差LSTM预测网络均分为输入层、隐含层和输出层，神经网络的训练由多次迭代组成，每次迭代都要进行正向传播及反向传播；
对于正向传播，采用当前时间步的输入和上个时间步的输出进行运算，得到当前时间步的输出，来建立输入和输出间的关系以及输出间的历史相关性，其计算过程为：
Figure 770626DEST_PATH_IMAGE001
其中
Figure 953346DEST_PATH_IMAGE002
分别为遗忘门、输入门、当前输入单元状态、当前时刻单元状态、输出、最终输出；
Figure 733083DEST_PATH_IMAGE003
分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵；
Figure 534817DEST_PATH_IMAGE004
分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵的偏置项;
Figure 349189DEST_PATH_IMAGE005
表示两个向量连接为一个更长向量；
Figure 437231DEST_PATH_IMAGE006
为sigmoid函数，
Figure 969843DEST_PATH_IMAGE007
为将实数映射到
Figure 434323DEST_PATH_IMAGE008
的双正切函数；
对于反向传播，对计算每个参数及隐藏状态的梯度进行计算；首先，计算最后一个时间步的隐藏状态及参数，其次再计算倒数第二个时间步的隐藏状态及参数，依次类推；在得到每个参数的梯度后，使用每个参数减去梯度的设定倍数来完成反向传播；
进一步的，步骤四与步骤七中，建立“流转训练”的动态周期项LSTM预测网络与残差LSTM预测网络时，每次建立网络均采用已有数据的最后一个进行验证，其余数据用于网络训练，并对下一次主变形速率数据进行预测，每次循环加入一次新的实测数据，都要进过一次重新训练，建立全新的周期项LSTM预测网络和残差LSTM预测网络进行预测；
进一步的，残差预测变形速率初始值设置为0；设残差LSTM预测网络的起始循环数为a，则在2~(a-1)次循环中，其残差预测变形速率即为上一循环得到的实际变形数据与总预测变形速率的插值，不通过残差LSTM预测网络进行预测；自第a次循环起，采用“流转训练”的残差LSTM预测网络预测残差预测变形速率；
进一步的，步骤七中，设置的残差LSTM预测网络的相关参数除了包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数，还包括残差LSTM预测网络启动的起始循环数；
下面以具体滑坡案例为例对本发明方法进行说明。
实施例一
以某滑坡案例为例进行探讨。自2020年5月6日至2021年9月25日间对该案例进行了位移监测，其中每小时一组数据，共得到了其7541组位移监测数据。数据及现场调查情况表明，该滑坡体在滑坡前的位移一直相对稳定，但在2021年9月25日产生了突发型滑坡，监测终止。由于本发明主要针对的是突发型滑坡位移数据预测，因此仅选取了其滑坡前的300组监测数据为例进行分析，如图2所示。设此时有280组数据，每次循环对其后一组数进行预测并与实际数据进行对比分析其精度，共计20次循环，具体实施过程如下：
（1）根据位移监测数据，获取其变形速率，如图3所示；
（2）对变形速率序列的前279+i组数据进行EEMD分解，得到趋势项及周期项，其中i为循环次数，这里循环20次，因此i=1,2,3,……,20；
（3）对趋势项分别采用三次、四次、五次多项式进行多项式拟合，并按均方根误差最小来进行精度评价，选取精度最高的拟合阶数来对280+i组数据的趋势项进行预测；
（4）设置周期项LSTM预测网络的相关参数，其中初始学习率为0.005，每次网络进行500论训练，输入及输出维数均为1维，隐含层节点数选取为100；然后，通过周期项变形速率数据序建立“流转训练”的周期项LSTM预测网络，其中，序列中最后一组数据为验证数据，其余数据为训练数据，并对第280+i组的周期项变形速率进行预测，得到第对280+i组的周期项预测变形速率，并与趋势项预测变形速率进行相加，得到主预测变形速率
Figure DEST_PATH_IMAGE010
；
（5）将第280+i组数据的主预测变形速率
Figure 994879DEST_PATH_IMAGE010
与残差预测变形速率数据
Figure DEST_PATH_IMAGE012
相加，得到对第280+i组总预测变形速率
Figure DEST_PATH_IMAGE014
；
其中当i=1时，残差预测变形速率数据
Figure 784981DEST_PATH_IMAGE012
为0，设此时设置残差变形速率预测的LSTM网络启动的初始数据序列为a=8，则当i≥8时，建立残差变形速率预测的LSTM网络，对
Figure 680256DEST_PATH_IMAGE012
进行预测，当1<i<8，直接采用步骤8中
Figure 682847DEST_PATH_IMAGE012
结果；
（6）根据第280+i次循环的实测位移数据得到第280+i次循环的实际变形速率后，将该实际变形速率与
Figure 471811DEST_PATH_IMAGE014
相减，得到下一循环的残差变形速率；
（7）将残差变形速率
Figure 167235DEST_PATH_IMAGE012
加入残差变形速率序列，设置残差LSTM预测网络的相关参数，其中即初始学习率为0.005，每次网络进行500论训练，输入及输出维数均为1维，隐含层节点数选取为100；当i≥10时，通过残差变形速率数据序列建立“流转训练”的残差LSTM预测网络，其中，序列中最后一组数据为验证数据，其余数据为训练数据，并对第280+i+1组的残差变形速率进行预测，得到残差预测变形速率
Figure 799073DEST_PATH_IMAGE012
；
（8）将
Figure 339776DEST_PATH_IMAGE014
与第279+i个实测位移数据相加，得到对第280+i组位移的预测位移数据
Figure DEST_PATH_IMAGE016
；
（9）令i=i+1，重复步骤2~8。
通过以上步骤，经过20次循环计算后，可以得到第281组至第300组的总变形速率预测数据及总位移预测数据。为体现本发明的优势，分别采用了传统静态LSTM网络（类型Ι）、动态LSTM网络预测（类型Ⅱ）、基于全“流转训练”的EMD分解+ LSTM预测（类型Ⅲ）、以及本发明提出的全“流转训练”+残差修正预测（类型IV）四种方法进行了预测分析。如图4所示为总变形速率预测对比图，图5为总位移预测数据对比图，可见本发明方法比传统LSTM方法具有明显优势。
同时，目前常用的方法均是以累计位移作为预测分析的输入，而本发明是通过对变形速率序列进行预测而得到累计位移预测值。为对比分析两种预测效果的优劣，本发明分别采用两种输入对类型Ι~类型IV四种方法进行了计算。为消除随机性影响，每种计算类型均进行了三次计算，得到了其预测结果的平均值。
为进一步体现本发明方法的优势，采用绝对百分比误差（MAPE）及均方根误差（RMSE）两种指标对预测模型进行精度评价，其表达式分别为：
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE018
为实测值，
Figure DEST_PATH_IMAGE019
为预测值，
Figure DEST_PATH_IMAGE020
为样本数量。其中，MAPE表达了预测值与实测值的平均偏离程度，其越接近0表示效果越好；RMSE为预测值与真实值之间的偏差，越接近0表示预测值与真实值越吻合。
评价结果为：
Figure DEST_PATH_IMAGE021
可见本发明的预测精度具有明显优势，其结果对突发型滑坡地质灾害进行预测，提高预测的响应速度、增加预警后的应急响应时间是具有十分重要的实际意义的。

Claims (9)

1.一种基于LSTM的突发型滑坡位移预测方法，包括以下步骤：
步骤一：根据滑坡监测实测的累计位移序列，计算得到其变形速率序列；
步骤二：按“流转训练”方法，通过集合经验模态分解（EEMD）将变形速率序列分解得到周期项及趋势项；
步骤三：通过多项式拟合对趋势项变形速率进行预测，得到趋势项预测变形速率；
步骤四：根据周期项变形速率序列，设置周期项LSTM预测网络的相关参数，建立“流转训练”的周期项动态LSTM预测网络对周期项变形速率进行预测，并由趋势项预测变形速率及周期项预测变形速率相加，得到主预测变形速率；
步骤五：将主预测变形速率与残差预测变形速率相加，得到总预测变形速率；
步骤六：根据下一循环的实测位移数据得到下一循环的实际变形速率后，将该实际变形速率与总预测变形速率相减，得到残差变形速率；
步骤七：每个循环将计算得到的残差变形速率加入残差变形速率序列，并设置残差LSTM预测网络的相关参数，通过“流转训练”的方式，建立基于残差变形速率序列的动态残差LSTM预测网络，每计算一个循环对下一循环的残差预测变形速率进行预测；
步骤八：将总预测变形速率与最新一次实测位移相加，得到对下一循环的位移预测数据；
步骤九：返回步骤二，重复以上步骤，每计算一个循环，可对下一次的位移进行预测。
2.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，所述LSTM方法包括周期项LSTM预测网络、残差LSTM预测网络；
周期项LSTM预测网络：采用周期项变形速率数据序列为输入，求得周期项变形速率预测值；残差LSTM预测网络：采用变形速率数据实际值与总预测变形速率值的差值数据序列，即残差变形速率为输入，求得残差预测变形速率。
3.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，步骤二中，通过“流转训练”的方式采用EEMD对由位移监测数据序列得到的位移变形速率序列进行分解，得到变形速率的趋势项及周期项；
所谓“流转训练”，是指每获取一次位移监测数据，都要对位移及变形速率序列进行更新，并重新进行训练的动态方法。
4.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，步骤三中，进行多项式拟合时，会根据均方根误差（RMSE）来判定拟合精度，并在3~5阶内自动选择多项式拟合的阶数。
5.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，步骤四中，设置的“流转训练”的动态周期项LSTM预测网络，其相关参数包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数。
6.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，步骤四与步骤七中，所述的周期项LSTM预测网络及残差LSTM预测网络均分为输入层、隐含层和输出层，神经网络的训练由多次迭代组成，每次迭代都要进行正向传播及反向传播；
对于正向传播，采用当前时间步的输入和上个时间步的输出进行运算，得到当前时间步的输出，来建立输入和输出间的关系以及输出间的历史相关性，其计算过程为；
Figure DEST_PATH_IMAGE001
其中
Figure DEST_PATH_IMAGE002
分别为遗忘门、输入门、当前输入单元状态、当前时刻单元状态、输出、最终输出；
Figure DEST_PATH_IMAGE003
分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵；
Figure DEST_PATH_IMAGE004
分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵的偏置项;
Figure DEST_PATH_IMAGE005
表示两个向量连接为一个更长向量；
Figure DEST_PATH_IMAGE006
为sigmoid函数，
Figure DEST_PATH_IMAGE007
为将实数映射到
Figure DEST_PATH_IMAGE008
的双正切函数；
对于反向传播，对计算每个参数及隐藏状态的梯度进行计算；首先，计算最后一个时间步的隐藏状态及参数，其次再计算倒数第二个时间步的隐藏状态及参数，依次类推；在得到每个参数的梯度后，使用每个参数减去梯度的设定倍数来完成反向传播。
7.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，步骤四中与步骤七，建立“流转训练”的周期项LSTM预测网络与残差LSTM预测网络时，每次建立网络均采用已有数据的最后一个进行验证，其余数据用于网络训练，并对下一次主变形速率数据进行预测，每次循环加入一次新的实测数据，都要进过一次重新训练，建立全新的周期项LSTM预测网络和残差LSTM预测网络进行预测。
8.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，残差预测变形速率初始值设置为0；设残差LSTM预测网络的起始循环数为a，则在2~(a-1)次循环中，其残差预测变形速率即为上一循环得到的实际变形数据与总预测变形速率的插值，不通过残差LSTM预测网络进行预测；自第a次循环起，采用“流转训练”的残差LSTM预测网络预测残差预测变形速率。
9.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法，其特征在于，步骤七中，设置的残差LSTM预测网络的相关参数除了包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数，还包括残差LSTM预测网络启动的起始循环数。
CN202210824325.6A 2022-07-14 2022-07-14 一种基于lstm的突发型滑坡位移预测方法 Active CN114897277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210824325.6A CN114897277B (zh) 2022-07-14 2022-07-14 一种基于lstm的突发型滑坡位移预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210824325.6A CN114897277B (zh) 2022-07-14 2022-07-14 一种基于lstm的突发型滑坡位移预测方法

Publications (2)

Publication Number Publication Date
CN114897277A true CN114897277A (zh) 2022-08-12
CN114897277B CN114897277B (zh) 2022-10-28

Family

ID=82730128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210824325.6A Active CN114897277B (zh) 2022-07-14 2022-07-14 一种基于lstm的突发型滑坡位移预测方法

Country Status (1)

Country Link
CN (1) CN114897277B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561563A (zh) * 2023-07-11 2023-08-08 电子科技大学 一种基于残差预测模型的边坡位移预测方法及相关装置
CN117132007A (zh) * 2023-10-29 2023-11-28 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

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109992847A (zh) * 2019-03-14 2019-07-09 桂林电子科技大学 一种混合机器学习模型的滑坡位移预测方法
CN110555515A (zh) * 2019-08-22 2019-12-10 南京信大气象科学技术研究院有限公司 一种基于eemd和lstm的短期风速预测方法
CN110610035A (zh) * 2019-08-28 2019-12-24 武汉科技大学 一种基于gru神经网络的滚动轴承剩余寿命预测方法
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
US10852439B1 (en) * 2020-04-30 2020-12-01 Beihang University Global ionospheric total electron content prediction system
CN112270229A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于奇异谱分析的滑坡体位移预测方法
CN112270400A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于多影响因子的滑坡位移动态预测方法
US20210073692A1 (en) * 2016-06-12 2021-03-11 Green Grid Inc. Method and system for utility infrastructure condition monitoring, detection and response
CN112862069A (zh) * 2021-01-21 2021-05-28 西北大学 基于svr-lstm混合深度学习的滑坡位移预测方法
CN112945162A (zh) * 2021-01-26 2021-06-11 山西大学 一种堆积层滑坡位移预测模型及预测方法
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
CN114548482A (zh) * 2021-12-24 2022-05-27 中铁西北科学研究院有限公司 一种基于蠕变型滑坡动能变化率临滑预警方法
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

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210073692A1 (en) * 2016-06-12 2021-03-11 Green Grid Inc. Method and system for utility infrastructure condition monitoring, detection and response
CN109992847A (zh) * 2019-03-14 2019-07-09 桂林电子科技大学 一种混合机器学习模型的滑坡位移预测方法
CN110555515A (zh) * 2019-08-22 2019-12-10 南京信大气象科学技术研究院有限公司 一种基于eemd和lstm的短期风速预测方法
CN110610035A (zh) * 2019-08-28 2019-12-24 武汉科技大学 一种基于gru神经网络的滚动轴承剩余寿命预测方法
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
US10852439B1 (en) * 2020-04-30 2020-12-01 Beihang University Global ionospheric total electron content prediction system
CN112270400A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于多影响因子的滑坡位移动态预测方法
CN112270229A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于奇异谱分析的滑坡体位移预测方法
CN112862069A (zh) * 2021-01-21 2021-05-28 西北大学 基于svr-lstm混合深度学习的滑坡位移预测方法
CN112945162A (zh) * 2021-01-26 2021-06-11 山西大学 一种堆积层滑坡位移预测模型及预测方法
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
CN114548482A (zh) * 2021-12-24 2022-05-27 中铁西北科学研究院有限公司 一种基于蠕变型滑坡动能变化率临滑预警方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NIU,XIAOXU: "A Novel Decomposition-Ensemble Learning Model Based on Ensemble Empirical Mode Decomposition and Recurrent Neural Network for Landslide Displacement Prediction", 《APPLIED SCIENCES-BASEL》 *
张明岳: "基于变分模态分解和双向长短时记忆神经网络模型的滑坡位移预测", 《山地学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561563A (zh) * 2023-07-11 2023-08-08 电子科技大学 一种基于残差预测模型的边坡位移预测方法及相关装置
CN116561563B (zh) * 2023-07-11 2023-09-29 电子科技大学 一种基于残差预测模型的边坡位移预测方法及相关装置
CN117132007A (zh) * 2023-10-29 2023-11-28 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
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

Also Published As

Publication number Publication date
CN114897277B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN114897277B (zh) 一种基于lstm的突发型滑坡位移预测方法
CN108256697A (zh) 一种用于电力系统短期负荷的预测方法
CN110119854B (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN111292525B (zh) 基于神经网络的交通流预测方法
CN108846199B (zh) 基于时空一体化的特高拱坝变形时空序列预测方法
CN111191841A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN110619389A (zh) 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
CN112766078B (zh) 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法
CN113762486B (zh) 换流阀故障诊断模型的构建方法、装置和计算机设备
Dong et al. An integrated deep neural network approach for large-scale water quality time series prediction
CN110119540B (zh) 一种用于生存风险分析的多输出梯度提升树建模方法
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN113836783B (zh) 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
CN116484747A (zh) 一种基于自适应优化算法与深度学习的污水智能监控方法
CN114841072A (zh) 一种基于差分融合Transformer的时序预测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN107909202B (zh) 一种基于时间序列的油井产液量集成预测方法
CN112464567B (zh) 基于变分同化框架的智能资料同化方法
CN116843012A (zh) 一种融合个性化上下文和时域动态特征的时序预测方法
CN114638421A (zh) 一种发电机组备件需求的预测方法
CN113962431A (zh) 一种两阶段特征处理的母线负荷预测方法
CN113688465A (zh) 一种基于载荷与状态结合的飞行器结构强度数字孪生方法
Petryshyn Modeling of the TIF processes in binary numeral systems based on the vector-branching diagrams

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