[发明专利]一种混合机器学习模型的滑坡位移预测方法

权利要求书

1.一种混合机器学习模型的滑坡位移预测方法，其特征在于，包括如下步骤：

S1、从滑坡山体位移监测点和影响因素传感器获取N组滑坡位移数据，并对N组滑坡位移数据进行预处理；

S2、将预处理后的N组滑坡位移数据分解为N组趋势项和N组周期项，N组趋势项包括N组影响因素趋势项和N组位移趋势项，N组周期项包括N组影响因素周期项和N组位移周期项；具体是：

将第i个监测点采集到的第k组位移数据用表示，k＝1,2,3,…,N，第j个传感器第k组数据表示为和通过小波去燥后得到数据和采用HP滤波器从和中提取出趋势项和

S3、用前M组位移趋势项构建滑坡趋势项位移预测模型，并作为训练集，训练趋势项位移预测模型，得到趋势位移量，并将趋势位移量输出；其中M+L＝N；L组位移趋势项不输入到趋势项位移预测模型中，只用来验证此模型对该实例滑坡位移是否适用；

将所获取趋势项位移数据进行二次指数平滑构建趋势项位移预测模型具体方法是：

F_T+t＝a_t+Tb_t

上述公式中为一次平滑值，为二次平滑值，α为平滑系数，F_T+t为T+t时的预测值，T为间隔时间；t＝0时，令

S4、用前M组影响因素周期项和前M组位移周期项构建滑坡周期项位移预测模型，并作为训练集，训练周期项位移预测模型；将后L组影响因素周期项输入训练好的周期项位移预测模型中，得到周期位移量，并将周期位移量输出；L组位移趋势项不输入到趋势项位移预测模型中，只用来验证此模型对该实例滑坡位移是否适用；

动态多群粒子群优化ELM的算法步骤为：

S4-1、确定模型输入，输出：将影响因子周期项和周期位移进行灰度关联性分析，选取关联系数大于0.5的indim个因素作为模型输入，而周期位移作为输出，极限学习机则有indim个输入层，hiddennum个隐含层，和outdim个输出层；

S4-2、初始化，对要训练的权值和阈值进行随机初始化；选择合适的种群规模，设定每个小种群的规模n，子群个数m，和子群随机重构周期R，由于输入层和隐含层，隐含层和输出层之间的每两个神经元之间均有一个权值W和阈值b，则粒子维度；

D＝(indim+1)*hiddennum+(hiddennum+1)*outdim

其中W有kW＝indim*hiddennum+hiddennum*outdim个，b有kb＝hiddennum+outdim个采用动态多群粒子群算法优化模型ELM的输入权值和阈值，将ELM的输入权值和阈值对粒子进行编码；

S4-3、确定适值函数，以训练样本的均方误差作为粒子群算法的适值函数，适值越小说明预测值准确度越高，得到的权值和阈值就越接近全局最优。最适应度函数设定为真实值与预测值为二次范数的最小值，Pⁱ表示第i个监测点的周期位移预测值，

S4-4、计算每个粒子的个体极值和全局极值；更新粒子速度和位子，并周期性重构子群；

S4-5、迭代，直到满足终止条件max最大迭代次数或erro可接受最小误差范围退出得到模型参数即权值和阈值；

S5、将步骤S3得到的趋势位移量和步骤S4得到的周期位移量相加整合，得到总滑坡位移预测值；

步骤S1中，所述的预处理，是将N组位移和影响因素数据均看作时间序列，进行小波去燥处理。

2.根据权利要求1所述的一种混合机器学习模型的滑坡位移预测方法，其特征在于，步骤S2中，所述的分解，是采用霍德里克-普雷斯科特滤波器将预处理后的滑坡位移数据分解成趋势项和周期项。