[发明专利]一种基于多影响因子的滑坡位移动态预测方法

权利要求书

1.一种基于多影响因子的滑坡位移动态预测方法，其特征在于，具体按照以下步骤实施：

步骤1、根据时间序列加法模型将滑坡累计变形位移时间曲线分解；

步骤2、采用移动平均法从滑坡累计变形位移时间曲线分解中提取趋势项位移；

步骤3、采用3次多项式对趋势项位移进行预测；

步骤4、采用灰色关联度筛从预测趋势项位移中选出主要影响因子并将其作为深度学习LSTM神经网络模型初始输入矢量，预测滑坡周期项位移；

步骤5、根据时间序列分解原理，将各位移子序列预测值叠加，得到位移的最终预测值，完成滑坡位移动态预测。

2.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤1具体按照以下实施：根据时间序列加法模型将滑坡累计变形位移时间曲线分解为：

S_t＝ω_t+ψ_t (1)。

3.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤2中移动平均法按照以下实施：

F_t＝(A_t-1+A_t-2+A_t-3+...+A_t-n)/n (2)

其中，F_t为对下一期的预测值，n为移动平均的时期个数，A_t-1为前期实际值，A_t-2、A_t-3与A_t-n为前两期、前三期直至前n期的实际值。

4.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤3中采用3次多项式对趋势项位移进行预测按照以下实施：

y＝d₁t³+d₂t²+d₃t+d₄ (3)

其中d₁、d₂、d₃、d₄、为多项式系数，采用最小二乘确定多项式各系数后并进行训练，将前一期次的位移预测值加入训练样本重新拟合，并预测当前期次位移。

5.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、采用灰色关联度筛选出主要影响因子；

具体步骤如下：

Step1：构建[m,n]维矩阵X_i'＝(x_i'(1),x_i'(2),...,x_i'(m))^T,i＝1,2,...,n,n为因子类型个数，m为期数；

Step2：确定参考序列X₀'＝(x₀'(1),x₀'(2),...,x₀'(m))，其中x₀'(m)为输入期数波动项位移量；

Step3：采用均值法对各影响因子数据及参考序列进行无量纲化，如公式(4)所示：

Step4：逐个计算每个影响因子对象与参考序列对应元素的绝对差值|x₀(k)-x_i(k)|，(k＝1,...,m，i＝1,...,n)；

Step5：计算关联系数ζ_i(k)及关联度r_i；

公式(5)，(6)中k＝1,...,m，其中ρ为分辨系数；

步骤4.2、采用深度学习LSTM神经网络模型预测滑坡周期项位移。