CN116522286A - 一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 - Google Patents
一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 Download PDFInfo
- Publication number
- CN116522286A CN116522286A CN202310396175.8A CN202310396175A CN116522286A CN 116522286 A CN116522286 A CN 116522286A CN 202310396175 A CN202310396175 A CN 202310396175A CN 116522286 A CN116522286 A CN 116522286A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- prediction
- algorithm
- 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
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 147
- 238000007477 logistic regression Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims abstract description 45
- 230000000737 periodic effect Effects 0.000 claims abstract description 38
- 238000007635 classification algorithm Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种逻辑回归优化的SVR‑LSTM滑坡位移预测方法及系统包括:收集各监测点的滑坡位移数据,采用平均移动法将数据分解为趋势项数据和周期项数据;根据滑坡位移数据构建数据集,并初步筛选候选输入因素,对候选输入因素和周期项数据进行Pearson相关系数分析获取模型输入因子;利用支持向量回归算法和LSTM算法分别对趋势项和周期项进行预测,并分别获取两种算法对应的总位移预测结果;将模型输入因子和总位移预测结果作为LR分类算法的备选因素,通过LR分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值;本发明的方法有助于提高预测结果的准确性及稳定性,在滑坡易发区的滑坡位移预测中具有应用潜力。
Description
技术领域
本发明涉及滑坡位移预测技术领域,具体为一种逻辑回归优化的SVR-LSTM滑坡位移预测方法及系统。
背景技术
滑坡是一种常见的突发地质灾害,我国是世界上发生地质灾害频繁的国家之一,随着极端气候常态化,滑坡灾害造成的危害猝不及防。相比于地震,发生滑坡的面积范围较小,但是发生频率比地震高。为了让人民群众安全、财产安全得到有效的保证,对滑坡进行位移预测是很有必要的,从而实现预险于前,达到减轻滑坡危害的目的。
目前,因滑坡位移预测受到国内外学者的高度关注,使得滑坡位移预测的发展得以稳步进行。但传统的预测模型往往存在预测精度不高,泛化能力较弱的问题;单一算法模型其自身可能存在易陷入局部最优值、收敛精度不高的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
本发明实施例的第一方面,提供一种逻辑回归优化的SVR-LSTM滑坡位移预测方法,包括:收集各监测点的滑坡位移数据,采用平均移动法将所述滑坡位移数据分解为趋势项数据和周期项数据;根据所述滑坡位移数据构建数据集,并初步筛选候选输入因素,对所述候选输入因素和所述周期项数据进行Pearson相关系数分析获取模型输入因子;利用支持向量回归算法和LSTM算法分别对所述趋势项数据和周期项数据进行预测,并分别获取两种算法对应的总位移预测结果;将所述模型输入因子和所述总位移预测结果作为逻辑回归分类算法的备选因素,通过所述逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
作为本发明所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法的一种优选方案,其中:将所述滑坡位移数据分解为趋势项数据和周期项数据包括,
采用平均移动法对所述滑坡位移数据中的波动进行平滑处理,并提取出趋势项数据,根据移动平均周期提取周期项数据;
所述平均移动法的计算包括,
其中,表示趋势项位移在时间步t的值,Xt表示累计位移在时间步t的值,n表示移动平均周期。
作为本发明所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法的一种优选方案,其中:所述模型输入因子的获取包括,
对所述候选输入因素和所述周期项数据进行Pearson相关系数分析,选取若干个所述Pearson相关系数最大值对应的候选输入因素,作为周期项位移预测模型中的输入因子;
所述Pearson相关系数的计算包括,
其中,X和Y表示两个等长向量,N表示向量元素个数。
作为本发明所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法的一种优选方案,其中:所述对趋势项数据和周期项数据进行预测包括,
利用支持向量回归算法和LSTM算法分别对所述趋势项数据和周期项数据进行预测,所述趋势项数据采用单变量预测模型,所述周期项数据采用多变量预测模型;
根据所述趋势项数据,将55%~65%的数据作为所述单变量预测模型的训练集进行训练,将10%~20%的数据作为所述单变量预测模型的验证集来调整模型的超参数,并获取基于支持向量回归算法和LSTM算法的趋势项数据最优预测模型,根据所述趋势项数据最优预测模型分别获取基于支持向量回归算法和LSTM算法的趋势项数据预测结果;
采用上述预测方式获取基于支持向量回归算法和LSTM算法的周期项数据预测结果。
作为本发明所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法的一种优选方案,其中:所述逻辑回归分类算法的备选因素包括,
将所述基于支持向量回归算法和LSTM算法的趋势项数据预测结果以及周期项数据预测结果对应相加,得到基于支持向量回归算法和LSTM算法的总位移预测结果;
将所述模型输入因子、基于支持向量回归算法的总位移预测结果、基于LSTM算法的总位移预测结果以及两个总位移预测结果的差值作为逻辑回归分类算法的备选因素。
作为本发明所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法的一种优选方案,其中:所述总位移预测值的获取包括,
对所述备选因素和所述候选输入因子进行Pearson相关系数分析,选取所述Pearson相关系数分析中相关性大的因素作为逻辑回归分类算法模型的输入因子;
将前60组输入因子作为所述逻辑回归分类算法模型的训练集进行训练,得到最优分类预测模型,将剩下的12组数据作为预测数据集,通过所述逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
作为本发明所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法的一种优选方案,其中:还包括,
对所述预测数据集中的位移监测值和逻辑回归优化的总位移预测值进行评估,并计算均方根误差和平均绝对百分比误差,实现对滑坡位移的预测评估。
本发明实施例的第二方面,提供一种逻辑回归优化的SVR-LSTM滑坡位移预测系统,包括:
数据采集单元,用于收集各监测点的滑坡位移数据,采用平均移动法将所述滑坡位移数据分解为趋势项数据和周期项数据;
数据处理单元,用于根据所述滑坡位移数据构建数据集,并初步筛选候选输入因素,对所述候选输入因素和所述周期项数据进行Pearson相关系数分析获取模型输入因子,利用支持向量回归算法和LSTM算法分别对所述趋势项数据和周期项数据进行预测,并分别获取两种算法对应的总位移预测结果;
位移预测单元,用于将所述模型输入因子和所述总位移预测结果作为逻辑回归分类算法的备选因素,通过所述逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
本发明实施例的第三方面,提供一种设备,所述设备包括,
处理器;
用于存储处理器可执行指令的存储器;
所述处理器被配置为调用所述存储器存储的指令,以执行本发明任一实施例所述的方法。
本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,包括:
所述计算机程序指令被处理器执行时实现如本发明任一实施例所述的方法。
本发明的有益效果:本发明提供一种逻辑回归优化的SVR-LSTM滑坡位移预测方法及系统,使用两种不同的算法对数据集和测试集分别进行了预测,在得到两种不同算法的总位移预测结果之后,通过逻辑回归算法计算各预测值权重后得到的最终滑坡位移预测值,有效地构建了滑坡位移与因素之间的响应关系,有助于提高预测结果的准确性及稳定性,体现了该方法建立下的集成模型在滑坡易发区的滑坡位移预测中具有应用潜力。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明提供的一种逻辑回归优化的SVR-LSTM滑坡位移预测方法及系统的整体流程图;
图2为本发明提供的一种逻辑回归优化的SVR-LSTM滑坡位移预测方法及系统的实施例中滑坡位移预测结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1为本发明的一个实施例,提供了一种逻辑回归优化的SVR-LSTM滑坡位移预测方法,包括:
S1:收集各监测点的滑坡位移数据,采用平均移动法将滑坡位移数据分解为趋势项数据和周期项数据。需要说明的是:
滑坡位移数据包括位移量,降雨量,库水位;
进一步的,将滑坡位移数据分解为趋势项数据和周期项数据包括,
采用平均移动法对滑坡位移数据中的波动进行平滑处理,并提取出趋势项数据,根据移动平均周期提取周期项数据;
具体的,平均移动法的计算包括,
其中,表示趋势项位移在时间步t的值,Xt表示累计位移在时间步t的值,n表示移动平均周期;
应说明的,单点移动平均法,是将时间序列数据以一定的长度去计算一次移动平均,能够将时间序列的趋势及其变化较好地反映出来。
S2:根据滑坡位移数据构建数据集,并初步筛选候选输入因素,对候选输入因素和周期项数据进行Pearson相关系数分析获取模型输入因子。需要说明的是:
模型输入因子的获取包括,
对候选输入因素和周期项数据进行Pearson相关系数分析,选取若干个Pearson相关系数最大值对应的候选输入因素,作为周期项位移预测模型中的输入因子;
具体的,Pearson相关系数的计算包括,
其中,X和Y表示两个等长向量,N表示向量元素个数;
应说明的,Pearson相关系数法规定两个连续变量间关系的取值范围为[-1,1],用以衡量两连续变量间关系的大小与方向,1表示正相关,0表示不存在相关关系,-1表示负相关。
S3:利用支持向量回归算法和LSTM算法分别对趋势项数据和周期项数据进行预测,并分别获取两种算法对应的总位移预测结果。需要说明的是:
对趋势项数据和周期项数据进行预测包括,
利用支持向量回归算法和LSTM算法分别对趋势项数据和周期项数据进行预测,趋势项数据采用单变量预测模型,周期项数据采用多变量预测模型;
根据趋势项数据,将55%~65%的数据作为单变量预测模型的训练集进行训练,将10%~20%的数据作为单变量预测模型的验证集来调整模型的超参数,并获取基于支持向量回归算法和LSTM算法的趋势项数据最优预测模型,根据趋势项数据最优预测模型分别获取基于支持向量回归算法和LSTM算法的趋势项数据预测结果;
采用上述预测方式获取基于支持向量回归算法和LSTM算法的周期项数据预测结果。
S4:将模型输入因子和总位移预测结果作为逻辑回归分类算法的备选因素,通过逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。需要说明的是:
逻辑回归分类算法的备选因素包括,
将基于支持向量回归算法和LSTM算法的趋势项数据预测结果以及周期项数据预测结果对应相加,得到基于支持向量回归算法和LSTM算法的总位移预测结果;
将模型输入因子、基于支持向量回归算法的总位移预测结果、基于LSTM算法的总位移预测结果以及两个总位移预测结果的差值作为逻辑回归分类算法的备选因素;
进一步的,总位移预测值的获取包括,
对备选因素和候选输入因子进行Pearson相关系数分析,选取Pearson相关系数分析中相关性大的因素作为逻辑回归分类算法模型的输入因子;
将前60组输入因子作为逻辑回归分类算法模型的训练集进行训练,得到最优分类预测模型,将剩下的12组数据作为预测数据集,通过逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值;
对预测数据集中的位移监测值和逻辑回归优化的总位移预测值进行评估,并计算均方根误差和平均绝对百分比误差,实现对滑坡位移的预测评估。
应说明的,本发明提供一种逻辑回归优化的SVR-LSTM滑坡位移预测方法及系统,使用两种不同的算法对数据集和测试集分别进行了预测,在得到两种不同算法的总位移预测结果之后,通过逻辑回归算法计算各预测值权重后得到的最终滑坡位移预测值,有效地构建了滑坡位移与因素之间的响应关系,有助于提高预测结果的准确性及稳定性,体现了该方法建立下的集成模型在滑坡易发区的滑坡位移预测中具有应用潜力。
本发明公开的第二方面,
提供一种逻辑回归优化的SVR-LSTM滑坡位移预测系统,包括:
数据采集单元,用于收集各监测点的滑坡位移数据,采用平均移动法将滑坡位移数据分解为趋势项数据和周期项数据;
数据处理单元,用于根据滑坡位移数据构建数据集,并初步筛选候选输入因素,对候选输入因素和周期项数据进行Pearson相关系数分析获取模型输入因子,利用支持向量回归算法和LSTM算法分别对趋势项数据和周期项数据进行预测,并分别获取两种算法对应的总位移预测结果;
位移预测单元,用于将模型输入因子和总位移预测结果作为LR分类算法的备选因素,通过LR分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
本发明公开的第三方面,
提供一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为调用存储器存储的指令,以执行前述中任意一项的方法。
本发明公开的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,包括:
计算机程序指令被处理器执行时实现前述中任意一项的方法。
本发明可以是方法、装置、系统和/或计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
实施例2
参照图2为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种逻辑回归优化的SVR-LSTM滑坡位移预测方法及系统的验证测试,为对本方法中采用的技术效果加以验证说明。
本实施例选取了长江三峡库区秭归县某滑坡,利用本发明提供的方法对其进行滑坡位移预测;
首先,通过各监测点收集滑坡位移相关数据,在本实施例中,通过滑坡监测点得到了84组滑坡位移相关数据,包括当月降雨量、过去两个月累计降雨量、当月最大日降雨量、当月降雨天数、当月平均库水位、当月库水位变化幅度、过去两个月库水位变化幅度、当月库水位下降天数、当月库水位累计下降幅度、当月库水位上升天数、当月库水位累计上升幅度。利用移动平均法将其中的滑坡位移数据分解为趋势项数据和位移项数据,根据滑坡位移数据构建数据集,并初步筛选候选输入因素,对候选输入因素和周期项数据进行Pearson相关系数分析获取模型输入因子。
其次,将影响因素输入原始数据集,按一定比例将原始数据集分解为拟合集与预测集,本实施例中有84组数据输入原始数据集,将前72组数据作为拟合集,将剩下12组数据作为预测集;拟合集中,有60组数据作为训练集,用以训练模型,剩余12组数据作为验证集,用来调整模型的超参数;经过训练可以得到一个分别基于SVR算法和LSTM算法的滑坡趋势项最优预测模型,并获取模型的预测结果,将周期项预测结果与趋势项预测结果相加,分别得到基于SVR算法和LSTM算法的滑坡总位移预测结果。
然后,将模型输入因子与SVR模型预测值、LSTM模型预测值和SVR与LSTM模型预测值差值作为LR分类算法的备选因素,通过LR分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
最后,将逻辑回归优化的SVR-LSTM模型与SVR模型和LSTM模型对总位移预测结果进行对比,各模型总预测结果如图2所示,数据比对结果如表1所示;
表1:数据比对结果。
模型 | 总位移RMSE(mm) |
SVR | 34.58 |
LSTM | 28.18 |
LR优化SVR-LSTM | 26.48 |
基于图2和表1可以得到以下结论:①总体上,SVR模型的表现没有LSTM模型好,但是LSTM模型并没有在所有的时间步上都表现出色;②与SVR模型与LSTM模型相比,逻辑回归优化的SVR-LSTM模型预测的总位移与实测值更接近;③本实例涉及到的一种逻辑回归优化的SVR-LSTM滑坡位移预测方法,其综合了SVR与LSTM两种算法的优点,可以有效地构建滑坡位移与因素之间的响应关系,有助于提高预测结果的准确性及稳定性,在滑坡易发区的滑坡位移预测中具有应用潜力。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种逻辑回归优化的SVR-LSTM滑坡位移预测方法,其特征在于,包括:
收集各监测点的滑坡位移数据,采用平均移动法将所述滑坡位移数据分解为趋势项数据和周期项数据;
根据所述滑坡位移数据构建数据集,并初步筛选候选输入因素,对所述候选输入因素和所述周期项数据进行Pearson相关系数分析获取模型输入因子;
利用支持向量回归算法和LSTM算法分别对所述趋势项数据和周期项数据进行预测,并分别获取两种算法对应的总位移预测结果;
将所述模型输入因子和所述总位移预测结果作为逻辑回归分类算法的备选因素,通过所述逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
2.如权利要求1所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法,其特征在于:将所述滑坡位移数据分解为趋势项数据和周期项数据包括,
采用平均移动法对所述滑坡位移数据中的波动进行平滑处理,并提取出趋势项数据,根据移动平均周期提取周期项数据;
所述平均移动法的计算包括,
其中,表示趋势项位移在时间步t的值,Xt表示累计位移在时间步t的值,n表示移动平均周期。
3.如权利要求1~2任一所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法,其特征在于:所述模型输入因子的获取包括,
对所述候选输入因素和所述周期项数据进行Pearson相关系数分析,选取若干个所述Pearson相关系数最大值对应的候选输入因素,作为周期项位移预测模型中的输入因子;
所述Pearson相关系数的计算包括,
其中,X和Y表示两个等长向量,N表示向量元素个数。
4.如权利要求3所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法,其特征在于:所述对趋势项数据和周期项数据进行预测包括,
利用支持向量回归算法和LSTM算法分别对所述趋势项数据和周期项数据进行预测,所述趋势项数据采用单变量预测模型,所述周期项数据采用多变量预测模型;
根据所述趋势项数据,将55%~65%的数据作为所述单变量预测模型的训练集进行训练,将10%~20%的数据作为所述单变量预测模型的验证集来调整模型的超参数,并获取基于支持向量回归算法和LSTM算法的趋势项数据最优预测模型,根据所述趋势项数据最优预测模型分别获取基于支持向量回归算法和LSTM算法的趋势项数据预测结果;
采用上述预测方式获取基于支持向量回归算法和LSTM算法的周期项数据预测结果。
5.如权利要求4所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法,其特征在于:所述逻辑回归分类算法的备选因素包括,
将所述基于支持向量回归算法和LSTM算法的趋势项数据预测结果以及周期项数据预测结果对应相加,得到基于支持向量回归算法和LSTM算法的总位移预测结果;
将所述模型输入因子、基于支持向量回归算法的总位移预测结果、基于LSTM算法的总位移预测结果以及两个总位移预测结果的差值作为逻辑回归分类算法的备选因素。
6.如权利要求5所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法,其特征在于:所述总位移预测值的获取包括,
对所述备选因素和所述候选输入因子进行Pearson相关系数分析,选取所述Pearson相关系数分析中相关性大的因素作为逻辑回归分类算法模型的输入因子;
将前60组输入因子作为所述逻辑回归分类算法模型的训练集进行训练,得到最优分类预测模型,将剩下的12组数据作为预测数据集,通过所述逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
7.如权利要求6所述的逻辑回归优化的SVR-LSTM滑坡位移预测方法,其特征在于:还包括,
对所述预测数据集中的位移监测值和逻辑回归优化的总位移预测值进行评估,并计算均方根误差和平均绝对百分比误差,实现对滑坡位移的预测评估。
8.一种逻辑回归优化的SVR-LSTM滑坡位移预测系统,其特征在于,包括:
数据采集单元,用于收集各监测点的滑坡位移数据,采用平均移动法将所述滑坡位移数据分解为趋势项数据和周期项数据;
数据处理单元,用于根据所述滑坡位移数据构建数据集,并初步筛选候选输入因素,对所述候选输入因素和所述周期项数据进行Pearson相关系数分析获取模型输入因子,利用支持向量回归算法和LSTM算法分别对所述趋势项数据和周期项数据进行预测,并分别获取两种算法对应的总位移预测结果;
位移预测单元,用于将所述模型输入因子和所述总位移预测结果作为逻辑回归分类算法的备选因素,通过所述逻辑回归分类算法计算支持向量回归模型和LSTM模型的权重,并对数据进行处理后得到逻辑回归优化的总位移预测值。
9.一种设备,其特征在于,所述设备包括,
处理器;
用于存储处理器可执行指令的存储器;
所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1~7中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1~7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396175.8A CN116522286A (zh) | 2023-04-14 | 2023-04-14 | 一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396175.8A CN116522286A (zh) | 2023-04-14 | 2023-04-14 | 一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522286A true CN116522286A (zh) | 2023-08-01 |
Family
ID=87398619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310396175.8A Pending CN116522286A (zh) | 2023-04-14 | 2023-04-14 | 一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522286A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739184A (zh) * | 2023-08-08 | 2023-09-12 | 四川川核地质工程有限公司 | 一种滑坡预测方法及系统 |
-
2023
- 2023-04-14 CN CN202310396175.8A patent/CN116522286A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739184A (zh) * | 2023-08-08 | 2023-09-12 | 四川川核地质工程有限公司 | 一种滑坡预测方法及系统 |
CN116739184B (zh) * | 2023-08-08 | 2023-11-07 | 四川川核地质工程有限公司 | 一种滑坡预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733221A (zh) | 一种抗滑桩加固边坡的优化设计方法及系统 | |
CN112101660A (zh) | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 | |
CN116522286A (zh) | 一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 | |
Bashari et al. | Estimation of deformation modulus of rock masses by using fuzzy clustering-based modeling | |
Akinci et al. | Ensemble smoothed seismicity models for the new Italian probabilistic seismic hazard map | |
CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
CN113236228A (zh) | 一种单井产量快速预测方法及系统 | |
CN112347537A (zh) | 工程结构数值模型的校准方法、装置、电子设备及介质 | |
Baker et al. | Pacific earthquake engineering research center | |
CN115983477A (zh) | 基于K-means聚类与卷积神经网络模型的负荷预测方法 | |
Otake et al. | Practical dynamic reliability analysis with spatiotemporal features in geotechnical engineering | |
Wu et al. | Temporal convolution network‐based time frequency domain integrated model of multiple arch dam deformation and quantification of the load impact | |
CN113393144A (zh) | 地质滑坡静态要素风险分级的评估方法及评估装置 | |
Makouei et al. | Moments of order statistics and k-record values arising from the complementary beta distribution with application | |
CN112801344A (zh) | 基于dpsir模型的海岸带生态系统健康预测方法、电子设备及计算机可读介质 | |
CN116842375A (zh) | 一种基于VMD和GA-Elman的滑坡位移预测方法及系统 | |
CN116756700A (zh) | 基于滑窗法和Stacking集成学习算法的滑坡位移预测方法及系统 | |
Larson | Visualizing climate variability with time-dependent probability density functions, detecting it using information theory | |
CN110320573B (zh) | 一种反映储层产能的测井参数构建方法及系统 | |
Arabpour Roghabadi et al. | Prediction of standard penetration test N-value from dynamic probing light N-value using ANFIS and multiple regression models | |
CN111667125A (zh) | 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 | |
CN114881074B (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
CN117575106B (zh) | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 | |
CN114510767B (zh) | 一种基于三维立体建模的钢结构装配效果评估方法及系统 | |
da Fonseca et al. | DELIVERABLE D3. 3 Design guidelines for the application of soil characterisation and liquefaction risk assessment protocols |
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 |