CN114897277B - 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 PDFInfo
- Publication number
- CN114897277B CN114897277B CN202210824325.6A CN202210824325A CN114897277B CN 114897277 B CN114897277 B CN 114897277B CN 202210824325 A CN202210824325 A CN 202210824325A CN 114897277 B CN114897277 B CN 114897277B
- Authority
- CN
- China
- Prior art keywords
- deformation rate
- prediction
- residual
- lstm
- network
- 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 74
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000000737 periodic effect Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 abstract 1
- 230000004044 response Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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)
- Economics (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)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (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相减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
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,得到周期项及趋势项;
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,并对更新后的变形速率序列重新进行EEMD分解、多项式预测及LSTM网络训练,从而采用新的多项式及LSTM预测网络对下一次变形速率进行预测的动态预测方法。
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”的动态周期项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,得到该次循环的总预测变形速率;
残差变形速率是指某循环实测变形速率与上一循环总预测变形速率之间的差值,而残差预测变形速率是对残差变形速率的预测,其取值方法如下:(1)残差预测变形速率初始值设置为0;(2)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该循环新实测变形速率与上一循环得到的总预测变形速率与之间的差值,即此时等于当前循环的残差变形速率;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,即通过第1~(a-1)次循环中的残差预测变形速率建立残差序列,并通过残差序列建立残差LSTM 预测网络,再通过残差LSTM预测网络得到第a次循环的残差预测变形速率;
步骤六:在得到下一循环的实测位移数据,并进一步得到下一循环的实际变形速率后,将下一循环的实际变形速率与该次循环总预测变形速率相减,得到下一循环所需的残差变形速率;
步骤七:将该循环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,若此时循环数超过了设置的残差LSTM起始循环数,则通过“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,对下一循环所需的残差预测变形速率进行预测;
步骤八:将该次循环的总预测变形速率与该次循环的实测位移相加,得到对下一循环的位移预测数据;
步骤九:返回步骤一,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,所述基于LSTM的突发型滑坡位移预测方法包括周期项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,步骤四与步骤七中,设置的“流转训练”的动态周期项 LSTM预测网络及残差LSTM预测网络,其相关参数均包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数,每次迭代都要进行正向传播及反向传播,同时残差LSTM预测网络的设置参数还包括残差LSTM预测网络启动的起始循环数;
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;
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot =σ (Wo · [ht-1,xt]+bo)
ht=ot·tanh(ct)
其中ft、it、ct、ot、ht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;Wf、Wi、Wc、Wo分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵;bf、bi、bc、bo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;[ht-1,xt]表示两个向量连接为一个更长向量;σ为sigmoid函数,tanh为将实数映射到[-1,1]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;
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,得到周期项及趋势项;
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,并对更新后的变形速率序列重新进行EEMD分解、多项式预测及LSTM网络训练,从而采用新的多项式及LSTM预测网络对下一次变形速率进行预测的动态预测方法;
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”的动态周期项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,得到该次循环的总预测变形速率;
残差变形速率是指某循环实测变形速率与上一循环总预测变形速率之间的差值,而残差预测变形速率是对残差变形速率的预测,其取值方法如下:(1)残差预测变形速率初始值设置为0;(2)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该循环新实测变形速率与上一循环得到的总预测变形速率与之间的差值,即此时等于当前循环的残差变形速率;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,即通过第1~(a-1)次循环中的残差预测变形速率建立残差序列,并通过残差序列建立残差LSTM 预测网络,再通过残差LSTM预测网络得到第a次循环的残差预测变形速率;
步骤六:在得到下一循环的实测位移数据,并进一步得到下一循环的实际变形速率后,将下一循环的实际变形速率与该次循环总预测变形速率相减,得到下一循环所需的残差变形速率;
步骤七:将该循环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,若此时循环数超过了设置的残差LSTM起始循环数,则通过“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,对下一循环所需的残差预测变形速率进行预测;
步骤八:将该次循环的总预测变形速率与该次循环的实测位移相加,得到对下一循环的位移预测数据;
步骤九:返回步骤一,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,所述基于LSTM的突发型滑坡位移预测方法包括周期项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,步骤四与步骤七中,设置的“流转训练”的动态周期项 LSTM预测网络及残差LSTM预测网络,其相关参数均包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数,每次迭代都要进行正向传播及反向传播,同时残差LSTM预测网络的设置参数还包括残差LSTM预测网络启动的起始循环数;
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;
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(ct)
其中ft、it、ct、ot、ht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;Wf、Wi、Wc、Wo分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵;bf、bi、bc、bo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;[ht-1,xt]表示两个向量连接为一个更长向量;σ为sigmoid函数,tanh为将实数映射到[-1,1]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;
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V(280+i)主;
(5)将第280+i组数据的主预测变形速率V(280+i)主与残差预测变形速率数据V(280+i)残相加,得到对第280+i组总预测变形速率V(280+i)总;
其中当i=1时,残差预测变形速率数据V(280+i)残为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V(280+i)残进行预测,当1<i<8,直接采用步骤8中V(280+i)残结果;
(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V(280+i)总相减,得到下一循环的残差变形速率;
(7)将残差变形速率V(280+i)残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V(280+i+1)残;
(8)将V(280+i)总与第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X(280+i)pre;
(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:
评价结果为:
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 (5)
1.一种基于LSTM的突发型滑坡位移预测方法,其特征在于,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,得到周期项及趋势项;
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,并对更新后的变形速率序列重新进行EEMD分解、多项式预测及LSTM网络训练,从而采用新的多项式及LSTM预测网络对下一次变形速率进行预测的动态预测方法;
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”的动态周期项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,得到该次循环的总预测变形速率;
残差变形速率是指某循环实测变形速率与上一循环总预测变形速率之间的差值,而残差预测变形速率是对残差变形速率的预测,其取值方法如下:(1)残差预测变形速率初始值设置为0;(2)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该循环新实测变形速率与上一循环得到的总预测变形速率与之间的差值,即此时等于当前循环的残差变形速率;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,即通过第1~(a-1)次循环中的残差预测变形速率建立残差序列,并通过残差序列建立残差LSTM预测网络,再通过残差LSTM预测网络得到第a次循环的残差预测变形速率;
步骤六:在得到下一循环的实测位移数据,并进一步得到下一循环的实际变形速率后,将下一循环的实际变形速率与该次循环总预测变形速率相减,得到下一循环所需的残差变形速率;
步骤七:将该循环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,若此时循环数超过了设置的残差LSTM起始循环数,则通过“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,对下一循环所需的残差预测变形速率进行预测;
步骤八:将该次循环的总预测变形速率与该次循环的实测位移相加,得到对下一循环的位移预测数据;
步骤九:返回步骤一,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,所述基于LSTM的突发型滑坡位移预测方法包括周期项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。
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,步骤四与步骤七中,设置的“流转训练”的动态周期项LSTM预测网络及残差LSTM预测网络,其相关参数均包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数,每次迭代都要进行正向传播及反向传播,同时残差LSTM预测网络的设置参数还包括残差LSTM预测网络启动的起始循环数;
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;
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(ct)
其中ft、it、ct、ot、ht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;Wf、Wi、Wc、Wo分别为遗忘门、输入门、当前输入单元状态、输出的权重矩阵;bf、bi、bc、bo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;[ht-1,xt]表示两个向量连接为一个更长向量;σ为sigmoid函数,tanh为将实数映射到[-1,1]的双正切函数;
对于反向传播,对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。
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。
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 CN114897277A (zh) | 2022-08-12 |
CN114897277B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (12)
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 |
CN109992847B (zh) * | 2019-03-14 | 2022-08-05 | 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 |
CN110610035B (zh) * | 2019-08-28 | 2022-12-16 | 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 |
CN110986747B (zh) * | 2019-12-20 | 2021-03-19 | 桂林电子科技大学 | 一种滑坡位移组合预测方法及系统 |
CN111651941B (zh) * | 2020-04-30 | 2022-05-17 | 北京航空航天大学 | 一种全球电离层电子总含量预测的算法 |
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 |
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 |
CN112862069B (zh) * | 2021-01-21 | 2023-09-05 | 西北大学 | 基于svr-lstm混合深度学习的滑坡位移预测方法 |
CN112945162B (zh) * | 2021-01-26 | 2022-05-31 | 山西大学 | 一种堆积层滑坡位移预测模型及预测方法 |
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 |
-
2022
- 2022-07-14 CN CN202210824325.6A patent/CN114897277B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114897277A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897277B (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
CN112380098B (zh) | 一种时序异常检测方法、装置、计算机设备及存储介质 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
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 | |
CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
CN106528610A (zh) | 一种基于路径张量分解的知识图谱表示学习方法 | |
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 | |
CN112330951B (zh) | 一种基于生成对抗网络实现路网交通数据修复的方法 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN116362398A (zh) | 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法 | |
CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN105260615B (zh) | 一种粮食消费量预测方法 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
CN114548532A (zh) | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 | |
CN107909202B (zh) | 一种基于时间序列的油井产液量集成预测方法 | |
CN115217152B (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 | |
CN114239948B (zh) | 基于时序分解单元的深度交通流预测方法、介质及其设备 | |
CN113111573B (zh) | 基于gru的滑坡位移预测方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
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 | |
CN113377744A (zh) | 具有环境温度相关性的结构异常监测数据重建方法及装置 | |
CN111104298A (zh) | 一种基于lstm的电网服务器运行状态预测装置 |
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 |