[发明专利]一种混合机器学习模型的滑坡位移预测方法

说明书

本发明公开了一种混合机器学习模型的滑坡位移预测方法，对滑坡监测点进行滑坡影响因素挖掘和滑坡位移数据采集和预处理并作为模型的训练数据；将获得的滑坡影响因素和滑坡位移数据看作时间序列进行小波去燥处理；基于时间序列原理，采用霍德里克‑普雷斯科特滤波器(HP)将去燥后的滑坡影响因素和位移数据分解成趋势项和周期项。针对趋势项和周期项分别采用二阶指数平滑(DBS)的方法和动态多群粒子群(DMS‑PSO)优化极限学习机(ELM)模型进行位移预测。最后将预测的周期项位移和趋势项位移相加得到总的滑坡预测位移。通过该周期项位移预测模型可以更好的求解全局最优解，使预测精度和可靠性更高。

技术领域

本发明涉及计算机数学领域，具体是一种混合机器学习模型的滑坡位移预测方法。

背景技术

山体滑坡是一种常见的地质灾害，它是指斜坡上的岩石、土体，受地下水、降雨、地震及人类工业与日常活动等内外因素影响，在重力作用下，沿着贯通的剪切破坏面，发生整体或者分散地顺坡向下滑动的一种自然现象。因滑坡而导致的特大灾害事故频发，给人类的生命财产安全带来巨大的隐患。加强对滑坡的防、治等相关研究具有重大的意义，对滑坡位移预测的研究关系到众多工程的选址以及周边居民的生命财产安全；滑坡的预测预报能够为人员和财产的安全转移赢得宝贵的时间；能够有效减轻甚至是避免滑坡造成的生命财产损失。从而为政府进行灾情决策提供可视化、动态化的技术支持。

现阶段，许多学者对滑坡位移预测进行了大量的研究。滑坡位移预测大致可分为三种类型：确定性预测模型、统计预测模型和非线性预测模型。

目前，传统的滑坡位移预测方法采用预测模型要根据地质环境建立复杂的力学方程和统计模型，计算量大、建模周期长，同时随着技术的发展获取数据信息不断增加，传统建模方法对数据使用程度偏低造成大量数据浪费。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种混合机器学习模型的滑坡位移预测方法，该方法将时间序列分析原理、动态多群粒子群优化算法、极限学习机相结合，数据利用率高，避免数据资源的浪费；模型结构简单，建模时间短，降低建模成本；分解滑坡位移，分项预测提高预测精度，使计算高效，可信度高。

实现本发明目的的技术方案是：

一种混合机器学习模型的滑坡位移预测方法，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；

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；

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；

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；

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。

步骤S3中，所述的趋势项位移预测模，是采用二阶指数平滑的方法构建。

步骤S4中，所述的周期项位移预测模型，是采用动态多群粒子群优化算法的极限学习机来构建，具体方法如下：