CN115510748A - 基于变分模态分解和cnn-gru的滑坡位移预测方法 - Google Patents

基于变分模态分解和cnn-gru的滑坡位移预测方法 Download PDF

Info

Publication number
CN115510748A
CN115510748A CN202211188248.6A CN202211188248A CN115510748A CN 115510748 A CN115510748 A CN 115510748A CN 202211188248 A CN202211188248 A CN 202211188248A CN 115510748 A CN115510748 A CN 115510748A
Authority
CN
China
Prior art keywords
data
gru
landslide
prediction
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.)
Pending
Application number
CN202211188248.6A
Other languages
English (en)
Inventor
许强
朱星
王有林
李为乐
刘俊峰
李树武
杨贤
赵志祥
包健
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.)
PowerChina Northwest Engineering Corp Ltd
Chengdu Univeristy of Technology
Original Assignee
PowerChina Northwest Engineering Corp Ltd
Chengdu Univeristy of Technology
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 PowerChina Northwest Engineering Corp Ltd, Chengdu Univeristy of Technology filed Critical PowerChina Northwest Engineering Corp Ltd
Priority to CN202211188248.6A priority Critical patent/CN115510748A/zh
Publication of CN115510748A publication Critical patent/CN115510748A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种基于变分模态分解和CNN‑GRU的滑坡位移预测方法，包括S1、对滑坡位移变形进行监测，得到监测数据，将监测数据分为周期项和趋势项；S2、通过灰色关联度分析法计算每个滑坡影响因素与滑坡位移的关联度，选取关联度较大的滑坡影响因素作为趋势项的预测数据；S3、对周期项和趋势项的数据进行归一化处理，并将周期项和趋势项的位移数据分为训练集、测试集和验证集；S4、建立GRU模型，并采用训练集对GRU模型进行训练；S5、将验证集输入训练后的GRU模型进行预测。使用灰色关联度分析法，分析如历史滑坡位移、降雨量和水位等数据对周期项数据的影响，并选择关联度高的数据作为周期项的影响因素，提高了数据质量，进而提高了预测的准确性。

Description

基于变分模态分解和CNN-GRU的滑坡位移预测方法
技术领域
本发明属于滑坡预测领域，尤其是一种基于变分模态分解和CNN-GRU的滑坡位移预测方法。
背景技术
滑坡是我国最受关注的地质灾害之一，每年都会造成大量的伤亡和财产损失。建立可靠的滑坡预警方法是降低滑坡损失的有效途径。如果精准度较高的滑坡位移预测方法能够运用，将会大量减少滑坡造成的伤亡和经济损失。
滑坡位移预测模型主要可以分为物理模型和数据驱动模型两大类。传统的研究SVM模型、随机森林模型将唯一预测视为静态回归问题。然而，滑坡的变形是非线性和动态的，变形通常会受到时间相关因素的影响(如，水库水位和降雨量的变化)。与传统的物理模型相比，数据驱动模型过程简单、成本更低、精准度更高，因此运用的更加广泛。RNN模型已被广泛适用于动态预测，然后该模型具有长时依赖问题，性能不佳。LSTM模型则需要大量参数来构造网络，导致计算量增加且有过拟合的风险。RNN模型、LSTM在预测中，通常由于异常值较多，模型较为复杂，导致预测精准度不高。
CN202110888118.2-公开了一种水库库岸滑坡的位移预测方法，采用训练集对滑坡位移预测模型进行训练的过程较为复杂，不能有效提取特征；此外，未考虑滑坡影响因素与滑坡之间的关联度，导致数据质量不够高。
发明内容
本发明所要解决的技术问题是提供一种基于变分模态分解和CNN-GRU的滑坡位移预测方法，简化训练过程，提高数据质量，进而提供预测准确性。
为解决上述问题，本发明采用的技术方案为：基于变分模态分解和CNN-GRU的滑坡位移预测方法，包括
S1、对滑坡位移变形进行监测，得到监测数据，并将监测数据分为周期项和趋势项；
S2、通过灰色关联度分析法计算每个滑坡影响因素与滑坡位移的关联度，选取关联度较大的滑坡影响因素作为趋势项的预测数据；
S3、分别对周期项和趋势项的数据进行归一化处理，并分别将周期项和趋势项的位移数据分为训练集、测试集和验证集；
S4、构建CNN-GRU模型，所述CNN-GRU模型包括依次连接的输入层、卷积层、池化层、第一GRU层、第二GRU层以及输出层；将训练集通过输入层输入，卷积层对训练集进行特征的提取，池化层将特征值的维度降低；将通过池化层的特征序列作为GRU层的输入，使第一GRU层和第二GRU层完成预测，输出层输出预测结果；在训练时，使用均方根误差作为损失函数，并用Adam优化算法更新模型参数；每完成一代训练，采用测试集验证误差是否下降，若至少连续10个一代训练的误差都未下降，则停止训练；
S5、将验证集输入训练后的GRU模型进行预测。
进一步地，步骤S5包括
S51、将验证集输入模型，得到预测结果；
S52、对验证结果进行反归一化；
S53、采用损失函数对预测值与真实值进行评估，得到模型的精准度；
S54、将预测完成的趋势项和周期项累加得到完整的预测数据，完成滑坡位移预测。
进一步地，步骤S2中，滑坡影响因素包括降雨量和水位。
进一步地，步骤S1中，采用高精度GNSS、卫星遥感或者人工测量对滑坡位移变形进行监测。
进一步地，步骤S3中，按照6：3：1的比例将周期项和趋势项的位移数据分为训练集、测试集和验证集。
进一步地，步骤S1中，采用变分模态分解法将监测数据分为周期项和趋势项。
本发明的有益效果是：使用灰色关联度分析法，分析如历史滑坡位移、降雨量和水位等数据对周期项数据的影响，并选择关联度高的数据作为周期项的影响因素，提高了数据质量，进而提高了预测的准确性。
CNN网络具有良好的特征提取能力，并且将特征值进行升维，获取更多的特征序列来进行下一步的预测，更加有效的抽取出了数据的特征，获得的模型精准度更高。
附图说明
图1是本发明的示意图；
图2是本发明的流程示意图；
图3是本发明的CNN-GRU模型结构图；
图4是某边坡的滑坡位移监测数据图；
图5是趋势项的原始数据与预测数据的对比图；
图6是周期项的原始数据与预测数据的对比图；
图7是CNN-GRU模型在验证集上的预测结果与原始数据的对比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的基于变分模态分解和CNN-GRU的滑坡位移预测方法，如图1、图2所示，包括S1、对滑坡位移变形进行监测，得到监测数据，并将监测数据分为周期项和趋势项。
具体可以采用高精度GNSS、卫星遥感或者人工测量等方式对滑坡位移变形进行监测。周期项即在没有外界因素干扰下，边坡自身运动导致的位移数据，而趋势项则是边坡在外界因素的影响下导致的位移数据。充分考虑周期项和趋势项的滑坡位移，可以保证预测的精度。
监测数据可以通过变分模态分解法进行划分，滑坡位移的监测数据具有很多的异常值，使用变分模态分解法，可以减少异常值对预测精准度的影响。
变分模态分解(VMD)总体是一个变分问题，主要包括该问题的构造和求解两部分。对于任何给定的信号f，变分问题就是使得每个模态的估计带宽和最小，并且满足uk之和等于原始信号f，因此求解问题可以表示为一个约束变分问题，如下所示：
Figure BDA0003868325450000031
Figure BDA0003868325450000032
其中f是原始信号，uk是第k个模态，K是需要分解的模态个数，ωk是uk的中心频率，δ(t)是狄拉克系数，*是卷积运算符，t代表当前时间点，s.t.是约束条件，j为复数的虚部，
Figure BDA0003868325450000035
是偏导符号。通过引入二次惩罚项和拉格朗日乘发算子，将该优化问题转化为无约束优化问题，得到的无约束问题如下：
Figure BDA0003868325450000033
其中α是二次惩罚因子，其中f是原始信号，uk是第k个模态，K是需要分解的模态个数，ωk是uk的中心频率，δ(t)是狄拉克系数，λ表示拉格朗日乘数，*是卷积运算符，t代表当前时间点，s.t.是约束条件，j为复数的虚部，
Figure BDA0003868325450000036
是偏导符号，结合交替方向乘子迭代算法求解，更新后的uk，ωk，λ如下所示：
Figure BDA0003868325450000034
Figure BDA0003868325450000041
Figure BDA0003868325450000042
其中τ为噪声容忍度，t代表当前时间点，i是复数的实部，
Figure BDA0003868325450000043
f(ω)、ui(ω)和
Figure BDA0003868325450000044
分别表示
Figure BDA0003868325450000045
f(t)、ui(t)和λ(t)的傅里叶变换。
S2、通过灰色关联度分析法计算每个滑坡影响因素与滑坡位移的关联度，选取关联度较大的滑坡影响因素作为趋势项的预测数据，并对数据进行降噪。
常见的滑坡影响因素一般包括降雨量和水位，水位包括水库水位以及江河水位，如果边坡位于水库边，则水位为水库水位，如果边坡位于河流两旁，则水位为江河水位。除了这几种常见的影响因素，还有地震、飓风、人类活动等影响因素。通过灰色关联度分析法可以计算出滑坡影响因素与滑坡位移的关联度，与滑坡位移的关联度越高，则对滑坡位移的影响越大，因此，将关联度较大的滑坡影响因素作为趋势项的预测数据，充分考虑与滑坡位移关联度较大的因素，可以保证预测的准确性，同时忽略关联度较小的影响因素，可以减少数据量，简化预测模型，降低计算量。如，在人迹罕至的水库或河流处，则只需要考虑降雨和水位这两种关联度较大的滑坡影响因素，并将这两种影响因素作为预测数据；又如靠近市区，车辆经常通过的道路边坡，需要考虑降雨、水位以及车辆通行这几种关联度较大的滑坡影响因素。
通过灰色关联度分析法计算每个滑坡影响因素与滑坡位移的关联度，可以定义以下关联系数的参考公式：
Figure BDA0003868325450000046
其中,ρ为分辨系数,它可以提高关联系数之间的显著差异性,s和t分别表示两个序列，i表示第i个指标，ρ∈(0,1)。令
Figure BDA0003868325450000047
为xs对于x0在k点的灰色关联系数,可记为ξ0s,k点关联系数ξ(x0(k),xs(k))记为ξ0s(k)。然后计算灰色加权关联度，计算公式为：
Figure BDA0003868325450000048
其中Ri就是第i个指标对理想对象(参考数列，一般该数列都是1，就是最优情况)的加权关联度，就可以认为是评价的结果，k表示第k个点，w代表权值。
S3、分别对周期项和趋势项的数据进行归一化处理，并分别将周期项和趋势项的位移数据分为训练集、测试集和验证集。具体地，按照6：3：1的比例将周期项和趋势项的位移数据分为训练集、测试集和验证集。
通过归一化对数据进行预处理，则归一化的公式为：
Figure BDA0003868325450000051
x为数据值，x*为归一化后的值，
Figure BDA0003868325450000052
为数据的均值，σ为标准差，
S4、建立CNN-GRU模型，并采用训练集对CNN-GRU模型进行训练，然后采用验证集对模型进行验证。建立的CNN-GRU模型如图3所示，采用以下方式进行构建：
S41、构建CNN-GRU模型，所述CNN-GRU模型包括依次连接的输入层、卷积层、池化层、第一GRU层、第二GRU层以及输出层。其中，卷积层可进行特征的提取，池化层将特征值的维度降低，从而使模型可以抽取更加广范围的特征，以获取更多信息来进行预测。同时减小了下一层的输入大小，进而减少计算量和参数个数，降低了网络训练的时难度。
CNN网络中，卷积核的计算公式为：
xt＝tanh(ht*kt+bt)
其中xt表示卷积后的输出值，tanh表示激活函数，ht是输入向量，kt是卷积核权重，bt是卷积核偏置，*是卷积运算符。在卷积层进行特征提取后，由于提取出的特征维数过高，会被传递到池化层进行降维处理，减少网络训练的时难度。
构建GRU网络，将通过CNN层的特征序列作为门控循环单元网络GRU的输入，使用GRU层完成预测。
具体地，将CNN网络提取的特征序列作为输入，用于预测，GRU网络有2个门(重置门和更新门)，公式如下：
rt＝σ(Wr·[ht-1,xt])
zt＝σ(Wz·[ht-1,xt])
Figure BDA0003868325450000053
Figure BDA0003868325450000054
在式中，rt和zt分别表示重置门状态、更新门状态，Wr、Wz、Wh表示可训练权重的参数矩阵，xt为当前时刻的输入向量，ht和ht-1分别为当前时刻和前一时刻的状态记忆变量，l表示单位矩阵，
Figure BDA0003868325450000055
为当前候选集状态，t为当前时刻，*是卷积运算符，σ代表全连接层和激活函数。
S42、将训练集通过输入层输入，卷积层对训练集进行特征的提取，池化层将特征值的维度降低。
S43、将通过池化层的特征序列作为GRU层的输入，使第一GRU层和第二GRU层完成预测，输出层输出预测结果。
步骤S42和S43的过程中，利用训练集迭代模型参数，使用均方根误差作为损失函数，并用Adam优化算法更新模型参数。将训练集的所有数据对CNN-GRU模型进行一次训练称为一代训练(epoch)，每完成一次一代训练，将测试集的数据输入CNN-GRU模型，以验证误差是否下降。若至少连续10次一代训练的误差都未下降，则停止训练。
CNN网络具有良好的特征提取能力，并且将特征值进行升维，获取更多的特征序列来进行下一步的预测，更加有效的抽取出了数据的特征。GRU网络相较于传统RNN网络，解决了长时间依赖的问题，而LSTM网络，存在参数过多，计算量较大的问题，GRU网络通过优化LSTM网络的内部结构，减少了模型预测所需计算量。
建立CNN-GRU模型时，需要对周期项和趋势项分别建立CNN-GRU模型，然后分别进行训练，从而得到训练后的周期项CNN-GRU模型以及训练后的趋势项CNN-GRU模型。
S5、将验证集输入训练后的GRU模型进行预测。具体地，
S51、将验证集输入CNN-GRU模型进行越策，得到预测结果。其中，周期项的验证集输入训练后的周期项CNN-GRU模型，趋势项的验证集输入训练后的趋势项CNN-GRU模型，周期项和趋势项分别进行预测。
S52、对所有的预测结果进行反归一化。
S53、采用损失函数对预测值与真实值进行评估，得到模型的精准度，以验证预测的准确性。周期项和趋势项的预测值需分别进行评估。
S54、将预测完成的趋势项和周期项累加得到完整的预测数据，完成滑坡位移预测。即将周期项的预测结果与趋势项的预测结果相加，得到完整的滑坡位移预测结果。
使用均方根误差RMSE和均方误差MSE来验证模型的精确度，公式为：
Figure BDA0003868325450000061
Figure BDA0003868325450000062
Figure BDA0003868325450000063
为i点的预测值，xi为i点的真实值，i为第i个值，n为数值的总数
对某边坡的滑坡位移进行监测，某边坡的监测数据如图4所示。采用本发明的方法对边坡进行滑坡位移预测，趋势项的原始数据与预测数据对比如图5所示，周期项的原始数据与预测数据对比如图6所示，CNN-GRU模型在验证集上的预测结果与原始数据的对比如下表以及图7所示，
CNN-GRU在验证集上的预测结果与监测数据对比
Figure BDA0003868325450000071
可以看出，预测结果与原始数据基本吻合，均方根误差RMSE和均方误差MSE的值比较小，预测准确度较高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于变分模态分解和CNN-GRU的滑坡位移预测方法，其特征在于，包括
S1、对滑坡位移变形进行监测，得到监测数据，并将监测数据分为周期项和趋势项；
S2、通过灰色关联度分析法计算每个滑坡影响因素与滑坡位移的关联度，选取关联度较大的滑坡影响因素作为趋势项的预测数据；
S3、分别对周期项和趋势项的数据进行归一化处理，并分别将周期项和趋势项的位移数据分为训练集、测试集和验证集；
S4、构建CNN-GRU模型，所述CNN-GRU模型包括依次连接的输入层、卷积层、池化层、第一GRU层、第二GRU层以及输出层；将训练集通过输入层输入，卷积层对训练集进行特征的提取，池化层将特征值的维度降低；将通过池化层的特征序列作为GRU层的输入，使第一GRU层和第二GRU层完成预测，输出层输出预测结果；在训练时，使用均方根误差作为损失函数，并用Adam优化算法更新模型参数；每完成一代训练，采用测试集验证误差是否下降，若至少连续10个一代训练的误差都未下降，则停止训练；
S5、将验证集输入训练后的GRU模型进行预测。
2.如权利要求1所述的基于变分模态分解和CNN-GRU的滑坡位移预测方法，其特征在于，步骤S5包括
S51、将验证集输入模型，得到预测结果；
S52、对预测结果进行反归一化；
S53、采用损失函数对预测值与真实值进行评估，得到模型的精准度；
S54、将预测完成的趋势项和周期项累加得到完整的预测数据，完成滑坡位移预测。
3.如权利要求1所述的基于变分模态分解和CNN-GRU的滑坡位移预测方法，其特征在于，步骤S2中，滑坡影响因素包括降雨量和水位。
4.如权利要求1所述的基于变分模态分解和CNN-GRU的滑坡位移预测方法，其特征在于，步骤S1中，采用高精度GNSS、卫星遥感或者人工测量对滑坡位移变形进行监测。
5.如权利要求1所述的基于变分模态分解和CNN-GRU的滑坡位移预测方法，其特征在于，步骤S3中，按照6：3：1的比例将周期项和趋势项的位移数据分为训练集、测试集和验证集。
6.如权利要求1所述的基于变分模态分解和CNN-GRU的滑坡位移预测方法，其特征在于，步骤S1中，采用变分模态分解法将监测数据分为周期项和趋势项。
CN202211188248.6A 2022-09-28 2022-09-28 基于变分模态分解和cnn-gru的滑坡位移预测方法 Pending CN115510748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211188248.6A CN115510748A (zh) 2022-09-28 2022-09-28 基于变分模态分解和cnn-gru的滑坡位移预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211188248.6A CN115510748A (zh) 2022-09-28 2022-09-28 基于变分模态分解和cnn-gru的滑坡位移预测方法

Publications (1)

Publication Number Publication Date
CN115510748A true CN115510748A (zh) 2022-12-23

Family

ID=84505720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211188248.6A Pending CN115510748A (zh) 2022-09-28 2022-09-28 基于变分模态分解和cnn-gru的滑坡位移预测方法

Country Status (1)

Country Link
CN (1) CN115510748A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227365A (zh) * 2023-05-06 2023-06-06 成都理工大学 一种基于改进vmd-tcn的滑坡位移预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227365A (zh) * 2023-05-06 2023-06-06 成都理工大学 一种基于改进vmd-tcn的滑坡位移预测方法
CN116227365B (zh) * 2023-05-06 2023-07-07 成都理工大学 一种基于改进vmd-tcn的滑坡位移预测方法

Similar Documents

Publication Publication Date Title
CN111191841B (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
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
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN113723007B (zh) 基于drsn和麻雀搜索优化的设备剩余寿命预测方法
CN109886496B (zh) 一种基于气象信息的农产量预测方法
CN113743016B (zh) 基于自编码器和回声状态网络的发动机剩余寿命预测方法
CN115077474A (zh) 一种基于机器学习的地面沉降趋势预测方法及系统
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及系统
Chen et al. A deep learning feature fusion based health index construction method for prognostics using multiobjective optimization
CN115146700A (zh) 一种基于Transformer序列到序列模型的径流预测方法
CN115510748A (zh) 基于变分模态分解和cnn-gru的滑坡位移预测方法
CN112414715A (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN112948743B (zh) 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法
CN112215495B (zh) 一种基于长短时记忆神经网络的污染源贡献度计算方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN117494898A (zh) 一种结合注意力机制的时间序列预测方法
CN117290726A (zh) 一种基于CAE-BiLSTM的动设备故障预警方法
CN116821697A (zh) 一种基于小样本学习的机械设备故障诊断方法
CN116933025A (zh) 基于vmd与dbo-lstm-at的变压器顶层油温预测方法
CN116378120A (zh) 一种基于自注意力机制的变形监测方法
CN116070508A (zh) 一种桥梁健康状态预测预警方法
Xu et al. Combined prediction model of concrete arch dam displacement based on cluster analysis considering signal residual correction
CN115630582A (zh) 一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备
CN116434531A (zh) 一种基于Conv1D-LSTM模型的短时交通流预测方法

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