CN117132007A - 一种基于动态串联pso-bilstm的滑坡变形速率预测方法 - Google Patents
一种基于动态串联pso-bilstm的滑坡变形速率预测方法 Download PDFInfo
- Publication number
- CN117132007A CN117132007A CN202311411223.2A CN202311411223A CN117132007A CN 117132007 A CN117132007 A CN 117132007A CN 202311411223 A CN202311411223 A CN 202311411223A CN 117132007 A CN117132007 A CN 117132007A
- Authority
- CN
- China
- Prior art keywords
- deformation rate
- pso
- bilstm
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 230000000737 periodic effect Effects 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 15
- 239000012895 dilution Substances 0.000 claims description 13
- 238000010790 dilution Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000007865 diluting Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000006403 short-term memory Effects 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于动态串联PSO‑BILSTM的滑坡变形速率预测方法,其内容包括:设置相关参数,并在每一次循环中,依次进行以下步骤:首先,通过集合经验模态分解(EEMD)将变形速率序列进行分解,得到周期项及趋势项变形速率序列;其次,分别通过多项式拟合及周期项PSO‑BILSTM预测网络,得到趋势项及周期项变形速率预测值,并将预测值分别加入趋势项变形速率序列及周期项变形速率序列;再次,以趋势项变形速率序列、周期项变形速率序列及残差变形速率序列为输入,建立总PSO‑BILSTM预测网络,得到总预测变形速率,最后,由总预测变形速率和监测变形速率,相减得到下一循环计算所需的残差变形速率。
Description
技术领域
本发明涉及滑坡预测领域,具体而言,涉及一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法。
背景技术
每年产生的地质灾害都会造成重大的人员伤亡和财产损失,而滑坡地质灾害作为地质灾害最常见的灾害类型之一,变形速率是对其进行防控最主要的依据,因此,对滑坡变形速率进行预测,对于减少人员伤亡和经济损失都是具有十分重要的实际意义的。
在实际工程中,预测的准确度和时效性都对技术的推广有着重要的影响,而地质灾害在其变形过程中,可能会发生与历史变形趋势完全不符的变形趋势甚至突变,导致现有方法在预测类似问题时产生困难,因此,建立一种动态预测且深层优化的多层耦合算法,同时通过一定方法平衡准确率与计算时间成本之间关系,对于提高预测的准确率和响应速度、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,提供一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,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:一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,包括以下步骤:
步骤一:设置进行滑坡变形速率预测的相关参数;
步骤二:对监测得到的动态变形速率序列进行数据预处理,通过集合经验模态分解将预处理后的变形速率序列进行分解,得到周期项变形速率序列和趋势项变形速率序列;
步骤三:通过多项式拟合对趋势项变形速率序列进行拟合并预测,得到趋势项预测变形速率,并将该预测的变形速率加入趋势项预测变形速率序列;
步骤四:按设置的保留数和稀释倍数对周期项变形速率序列数据量进行保留和稀释,建立周期项PSO-BILSTM(Particle Swarm Optimization,PSO;BI-directional LongShort-Term Memory,BILSTM)的预测网络,即粒子群算法优化的双向长短时记忆神经网络对周期项变形速率进行预测,并将预测结果加入周期项预测变形速率序列;
步骤五:建立总PSO-BILSTM预测网络对总预测变形速率进行预测,得到总预测变形速率;
步骤六:加入下一次变形速率监测数据,将监测数据与总预测变形速率进行相减,得到下一循环建立总PSO-BILSTM网络所需的残差率及残差值,并将残差值加入残差变形速率序列;
步骤七:返回步骤二并重复步骤二~步骤七,每重复一个循环,可对下一次的变形速率进行预测。
进一步的,所述变形速率方法包括周期项PSO-BILSTM预测网络、总PSO-BILSTM预测网络。
进一步的,步骤一中,滑坡变形速率预测的相关参数包括数据预处理平滑系数P、预测循环总数C、PSO数据稀释倍数D、PSO数据保留数R、周期项PSO-BILSTM启动残差率R1、总PSO-BILSTM启动循环数C2、总PSO-BILSTM启动残差率R2、动态滑窗截取数据I。
进一步的,步骤二中,对动态变形速率序列进行数据预处理是按实测的变形速率序列和步骤一中设置的预处理平滑系数P,将变形速率序列中每一项n(1<n≤N,N为变形序列总数)的数据调整为序列中第(n-P)~n项中数据的最大值。
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,周期项变形速率序列要经过保留和稀释两种操作,其方法是按照稀释倍数D,将周期项变形速率序列中除去保留项R外的其他数据量稀释为1/D个。
进一步的,步骤四和步骤五中,周期项PSO-BILSTM预测网络和总PSO-BILSTM预测网络中,PSO寻优的相关参数包括隐含层节点数、初始学习率、学习率降低因子、正则化系数,且只有当残差率大于周期项PSO-BILSTM启动残差率R1时,才采用PSO方法对周期项PSO-BILSTM预测网络进行优化;同样的,只有当残差率大于总PSO-BILSTM启动残差率R2时,才采用PSO方法对总PSO-BILSTM预测网络进行优化。
进一步的,步骤四中,周期项PSO-BILSTM预测网络中以时间序号和周期项变形速率序列作为二维输入,以周期项变形速率为输出。
进一步的,步骤五中,总PSO-BILSTM预测网络在循环次数大于总PSO-BILSTM启动循环数C2时才会启动,且总PSO-BILSTM预测网络以趋势项预测变形速率序列、周期项预测变形速率序列和上一循环得到的残差变形速率序列作为三维输入,以待预测的实际变形速率为输出;其中,残差变形速率序列中第一个值设为0,序列其他值由步骤六计算求得。
进一步的,步骤七中,重复的循环数量为预测循环总数C,当完成C个循环后,计算终止。
本发明的有益效果是:与现有的滑坡变形速率预测方法相比,本发明采用了动态、串联的PSO-BILSTM方法进行滑坡变形速率预测,一方面比传统动态预测方法具有更高的预测精度,另一方面采用多种手段来降低了计算的时间成本,平衡了计算精度和计算时间成本之间的关系。该发明成果可为滑坡等地质灾害的预测预警提供更可靠的技术支撑。
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PSO-BILSTM的计算流程图;
图2是本发明的计算流程图;
图3是本发明实施例一提供的某滑坡实测变形速率曲线与预处理数据曲线对比图;
图4是本发明实施例一提供的本发明的预测变形速率曲线与不同方法预测变形速率曲线对比图。
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1,一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,包括步骤如下:
步骤一:设置进行滑坡变形速率预测的相关参数;
步骤二:对监测得到的动态变形速率序列进行数据预处理,通过集合经验模态分解将变形速率序列进行分解,得到周期项变形速率序列和趋势项变形速率序列;
步骤三:通过多项式拟合对趋势项变形速率序列进行拟合并预测,得到趋势项预测变形速率,并将该预测的变形速率加入趋势项预测变形速率序列;
步骤四:按设置的保留数和稀释倍数对周期项变形速率序列数据量进行保留和稀释,建立周期项PSO-BILSTM的预测网络对周期项变形速率进行预测,并将预测结果加入周期项预测变形速率序列;
步骤五:建立总PSO-BILSTM预测网络对总预测变形速率进行预测,得到总预测变形速率;
步骤六:加入下一次变形速率监测数据,将监测数据与总预测变形速率进行相减,得到下一循环建立总PSO-BILSTM网络所需的残差率及残差值,并将残差值加入残差变形速率序列;
步骤七:返回步骤二并重复步骤二~步骤七,每重复一个循环,可对下一次的变形速率进行预测。
进一步的,所述变形速率方法包括周期项PSO-BILSTM预测网络、总PSO-BILSTM预测网络。
进一步的,步骤一中,滑坡变形速率预测的相关参数包括数据预处理平滑系数P、预测循环总数C、PSO数据稀释倍数D、PSO数据保留数R、周期项PSO-BILSTM启动残差率R1、总PSO-BILSTM启动循环数C2、总PSO-BILSTM启动残差率R2、动态滑窗截取数I。
进一步的,步骤二中,对动态变形速率序列进行数据预处理是按实测的变形速率序列和步骤一中设置的预处理平滑系数P,将变形速率序列中每一项n(1<n≤N,N为变形序列总数)的数据调整为序列中第(n-P)~n项中数据的最大值。
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,周期项变形速率序列要经过保留和稀释两种操作,其方法是按照稀释倍数D,将周期项变形速率序列中除去保留项R外的其他数据量稀释为1/D个。
进一步的,步骤四和步骤五中,周期项PSO-BILSTM预测网络和总PSO-BILSTM预测网络中,PSO寻优的相关参数包括隐含层节点数、初始学习率、学习率降低因子、正则化系数,且只有当残差率大于周期项PSO-BILSTM启动残差率R1时,才采用PSO方法对周期项PSO-BILSTM预测网络进行优化;同样的,只有当残差率大于总PSO-BILSTM启动残差率R2时,才采用PSO方法对总PSO-BILSTM预测网络进行优化。
进一步的,步骤四中,周期项PSO-BILSTM预测网络中以时间序号和周期项变形速率序列作为二维输入,以周期项变形速率为输出。
进一步的,步骤五中,总PSO-BILSTM预测网络在循环次数大于总PSO-BILSTM启动循环数C2时才会启动,且总PSO-BILSTM预测网络以趋势项预测变形速率序列、周期项预测变形速率序列和上一循环得到的残差变形速率序列作为三维输入,以待预测的实际变形速率为输出;其中,残差变形速率序列中第一个值设为0,序列其他值由步骤六计算求得。
进一步的,步骤七中,重复的循环数量为预测循环总数C,当完成C个循环后,计算终止。
下面以具体滑坡案例为例对本发明方法进行说明。
实施例
以四川省某实测案例为例。自2020年3月14日至2020年9月17日间对该案例进行了地表裂缝监测,其中每小时一组数据,共得到了其11776组位移监测数据。具体实施过程如下:
(1)设置相关参数,其中数据预处理平滑系数P=1、预测循环总数I=20、PSO数据稀释倍数D=3、PSO数据保留数Re=5、周期项PSO-BILSTM启动残差率R1=0.1、总PSO-BILSTM启动循环数C2=11、总PSO-BILSTM启动残差率R2=0.15、动态滑窗截取数据I=50;
(2)按数据预处理平滑系数P=1对变形速率序列进行数据预处理,其实测数据与预处理后数据对比如图3所示;设i为此时循环的次数(i =1,2,…,20),则通过对变形速率序列的第i到第(30+i-1)组数据进行EEMD分解,得到趋势项变形速率序列及周期项变形速率序列;
(3)分别采用三次、四次、五次多项式对趋势项变形速率序列进行拟合,并选取均方根误差最小的拟合阶数来对第30+i组数据的趋势项变形速率序列进行预测,并将预测值加入趋势项预测变形速率序列;
(4)根据周期项变形速率序列,分成两种情况进行预测。情况一:当该次循环的残差率R(i)大于周期项PSO-BILSTM启动残差率R1=0.1时,采用PSO对BILSTM进行优化,由Re=5,此时保留序列中最后5项,由D=3,将剩余项数量稀释为1/3,并用保留和稀释后的序列进行PSO优化,从而建立周期项PSO-BILSTM的预测网络,并对30+ i项的周期项变形速率进行预测;情况二:当该次循环的残差率R(i)小于周期项PSO-BILSTM启动残差率R1=0.1时,直接根据周期项变形速率序列建立BILSTM预测网络对30+i项周期项变形速率进行预测。最后,将预测结果加入周期项预测变形速率序列;
(5)对于总预测变形速率,分为两种情况进行预测。情况一:当计算的循环数i<C2时,不建立PSO-BILSTM预测网络进行预测,趋势项预测变形速率及周期项变形速率之和即为对第i+1项的总预测变形速率;情况二:当计算的循环数i≥C2时,采用周期项预测变形速率序列、趋势项预测变形速率序列、残差变形速率序列为输入,实际监测变形速率序列为输出,建立总PSO-BILSTM预测网络,得到对第i+1项的总预测变形速率;
步骤六:加入第i+1的监测变形速率数据,并与第i+1项的总预测变形速率进行相减,得到第(i+1)个循环预测所需的残差值,并将残差值加入残差变形速率序列,同时计算出第i+1个循环所需的残差率R(i+1);
步骤七:令i=i+1,依次进行步骤二到步骤六,直至20次循环结束。
通过以上步骤,经过20次循环计算后,可以得到第31组至第50组的总预测变形速率,总预测变形速率与预处理后的监测变形速率对比如图4所示。为体现本发明的优势,令此时的计算类型定义为类型Ι,并分别采用单动态BILSTM网络(令R1=100,C2>20,定义为类型Ⅱ)、单动态PSO-BLSTM网络(令R1=0.1,R2=100,C2=11,定义为类型Ⅲ)、全PSO优化的串联PSO-BILSTM网络(令Re=30,R1=0,R2=0,C2=11,定义为类型IV)的预测结果进行了对比, 并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:
其中,为实测值,为预测值,为样本数量。MAPE越接近0表示效果越好;RMSE越接近0表示预测值与真实值越吻合。
评价结果为见表1:
表1 不同类型预测方法评价结果
可见相对于类型Ⅱ和类型Ⅲ,本发明的预测精度具有明显优势,而相对于类型IV,本发明方法在保证了精度的前提下,大大的减少了计算成本,验证了本发明方法的准确性和计算效率。本发明结果对于提高滑坡地质灾害预测的精度和响应速度、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 (10)
1.一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,包括以下步骤:
步骤一:设置进行滑坡变形速率预测的相关参数;
步骤二:对监测得到的动态变形速率序列进行数据预处理,通过集合经验模态分解将预处理后的变形速率序列进行分解,得到周期项变形速率序列和趋势项变形速率序列;
步骤三:通过多项式拟合对趋势项变形速率序列进行拟合并预测,得到趋势项预测变形速率,并将该预测的变形速率加入趋势项预测变形速率序列;
步骤四:按设置的保留数和稀释倍数对周期项变形速率序列数据量进行保留和稀释,建立周期项PSO-BILSTM的预测网络对周期项变形速率进行预测,并将预测结果加入周期项预测变形速率序列;
步骤五:建立总PSO-BILSTM预测网络对总预测变形速率进行预测,得到总预测变形速率;
步骤六:加入下一次变形速率监测数据,将监测数据与总预测变形速率进行相减,得到下一循环建立总PSO-BILSTM网络所需的残差率及残差值,并将残差值加入残差变形速率序列;
步骤七:返回步骤二并重复步骤二~步骤七,每重复一个循环,可对下一次的变形速率进行预测。
2.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,所述变形速率方法包括周期项PSO-BILSTM预测网络、总PSO-BILSTM预测网络。
3.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,步骤一中,滑坡变形速率预测的相关参数包括数据预处理平滑系数P、预测循环总数C、PSO数据稀释倍数D、PSO数据保留数R、周期项PSO-BILSTM启动残差率R1、总PSO-BILSTM启动循环数C2、总PSO-BILSTM启动残差率R2、动态滑窗截取数据I。
4.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,步骤二中,对动态变形速率序列进行数据预处理是按实测的变形速率序列和步骤一中设置的预处理平滑系数P,将变形速率序列中每一项n(1<n≤N,N为变形序列总数)的数据调整为序列中第(n-P)~n项中数据的最大值。
5.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,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。
6.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,步骤四中,周期项变形速率序列要经过保留和稀释两种操作,其方法是按照稀释倍数D,将周期项变形速率序列中除去保留项R外的其他数据量稀释为1/D个。
7.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,步骤四和步骤五中,周期项PSO-BILSTM预测网络和总PSO-BILSTM预测网络中,PSO寻优的相关参数包括隐含层节点数、初始学习率、学习率降低因子、正则化系数,且只有当残差率大于周期项PSO-BILSTM启动残差率R1时,才采用PSO方法对周期项PSO-BILSTM预测网络进行优化;同样的,只有当残差率大于总PSO-BILSTM启动残差率R2时,才采用PSO方法对总PSO-BILSTM预测网络进行优化。
8.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,步骤四中,周期项PSO-BILSTM预测网络中以时间序号和周期项变形速率序列作为二维输入,以周期项变形速率为输出。
9.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,步骤五中,总PSO-BILSTM预测网络在循环次数大于总PSO-BILSTM启动循环数C2时才会启动,且总PSO-BILSTM预测网络以趋势项预测变形速率序列、周期项预测变形速率序列和上一循环得到的残差变形速率序列作为三维输入,以待预测的实际变形速率为输出;其中,残差变形速率序列中第一个值设为0,序列其他值由步骤六计算求得。
10.如权利要求1所述的一种基于动态串联PSO-BILSTM的滑坡变形速率预测方法,其特征在于,步骤八中,重复的循环数量为预测循环总数C,当完成C个循环后,计算终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411223.2A CN117132007B (zh) | 2023-10-29 | 2023-10-29 | 一种基于动态串联pso-bilstm的滑坡变形速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411223.2A CN117132007B (zh) | 2023-10-29 | 2023-10-29 | 一种基于动态串联pso-bilstm的滑坡变形速率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132007A true CN117132007A (zh) | 2023-11-28 |
CN117132007B CN117132007B (zh) | 2024-03-08 |
Family
ID=88853086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311411223.2A Active CN117132007B (zh) | 2023-10-29 | 2023-10-29 | 一种基于动态串联pso-bilstm的滑坡变形速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132007B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN114897257A (zh) * | 2022-05-31 | 2022-08-12 | 三峡大学 | 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 |
CN114897277A (zh) * | 2022-07-14 | 2022-08-12 | 四川轻化工大学 | 一种基于lstm的突发型滑坡位移预测方法 |
WO2023284344A1 (zh) * | 2021-07-15 | 2023-01-19 | 长视科技股份有限公司 | 一种河道滑坡形变识别实现灾害预警的方法与系统 |
CN116821586A (zh) * | 2023-06-28 | 2023-09-29 | 电子科技大学 | 基于注意力机制和双向门控循环单元的滑坡位移预测方法 |
-
2023
- 2023-10-29 CN CN202311411223.2A patent/CN117132007B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2023284344A1 (zh) * | 2021-07-15 | 2023-01-19 | 长视科技股份有限公司 | 一种河道滑坡形变识别实现灾害预警的方法与系统 |
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 |
CN114897257A (zh) * | 2022-05-31 | 2022-08-12 | 三峡大学 | 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 |
CN114897277A (zh) * | 2022-07-14 | 2022-08-12 | 四川轻化工大学 | 一种基于lstm的突发型滑坡位移预测方法 |
CN116821586A (zh) * | 2023-06-28 | 2023-09-29 | 电子科技大学 | 基于注意力机制和双向门控循环单元的滑坡位移预测方法 |
Non-Patent Citations (4)
Title |
---|
KE ZHANG, ETC: "Displacement prediction of step-like landslides based on feature optimization and VMD-Bi-LSTM: a case study of the Bazimen and Baishuihe landslides in the Three Gorges, China", 《BULLETIN OF ENGINEERING GEOLOGY AND THE ENVIRONMENT》, vol. 80, pages 8481 - 8502, XP037603265, DOI: 10.1007/s10064-021-02454-5 * |
唐宇峰 等: "动态残差修正LSTM算法的突发型滑坡位移预测", 《中国安全科学学报》, vol. 33, no. 8, pages 109 - 116 * |
唐菲菲 等: "结合注意力机制和Bi-LSTM的降雨型滑坡位移预测", 《测绘通报》, no. 9, pages 74 - 79 * |
张明岳 等: "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》, vol. 39, no. 6, pages 855 - 866 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132007B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472779B (zh) | 一种基于时间卷积网络的电力系统短期负荷预测方法 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN113177633A (zh) | 一种深度解耦时间序列预测方法 | |
CN110650153B (zh) | 一种基于聚焦损失深度神经网络的工控网络入侵检测方法 | |
CN113905391A (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
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 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN114897277B (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN116107279A (zh) | 基于注意力深度神经网络的流程工业能耗多目标优化方法 | |
CN117132007B (zh) | 一种基于动态串联pso-bilstm的滑坡变形速率预测方法 | |
CN113051828B (zh) | 一种工艺参数驱动的天然气水露点在线预测方法 | |
Zhang et al. | Research on tool wear prediction based on LSTM and ARIMA | |
CN116502959B (zh) | 一种基于元学习的产品制造质量预测方法 | |
CN116562454A (zh) | 一种应用于bim的长短时注意力机制网络的造价预测方法 | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN117610696A (zh) | 一种利用不同属性跨数据集的径流预测方法 | |
CN116050579A (zh) | 基于深度特征融合网络的建筑能耗预测方法及系统 | |
CN115657622A (zh) | 生产线物料传输控制方法及系统 | |
CN114998048A (zh) | 电量变化因素分析方法、装置、计算机设备和存储介质 | |
CN114820199A (zh) | 金融衍生品价格的预测方法、预测装置、存储介质和设备 |
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 |