[发明专利]一种基于多影响因子的滑坡位移动态预测方法

说明书

本发明公开了一种基于多影响因子的滑坡位移动态预测方法，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，解决了现有技术中存在的对于久远时刻的信息无法保留的问题。

技术领域

本发明属于滑坡位移预测技术领域，涉及一种基于多影响因子的滑坡位移动态预测方法。

背景技术

滑坡灾害严重威胁国家和人民的安全，因此滑坡预测预警显得尤为重要。位移作为滑坡灾害的一个宏观表征，长期以来被国内外学者作为滑坡预测预报的热点。目前对位移预测的方法主要有：1)将研究区观测点累计变形位移分解为受内在因素影响的趋势性位移与受外界因素影响的周期性位移或波动性位移，并分别对其进行建模预测，最终将以上两项预测值相加得到累计位移预测值。该方法考虑了滑坡体变形的演化机制，但没有切实考虑滑坡体演化过程中的动态特性。2)通过建立研究区位移特征影响因子与位移之间的预测模型，从而获得预测位移。该方法能够根据滑坡体变形特征与变形位移之间的相关性，在减少运算量的同时进一步提高了预测精度，但为避免时间复杂度，其所选影响因子不够全面。

近年来，诸如多项式拟合、神经网络、极限学习机、机器学习等智能算法因其具有较强的非线性映射能力以及可实现任意精度的函数逼近等优势，从而被众多学者广泛应用于地质灾害预报预警领域，并取得了一定的成果。然而在以往的滑坡位移预测案例中使用的BP、ELM等模型属于静态网络，没有考虑滑坡自身演变的动态特性，不能反映滑坡变形的真实过程，预测效果不佳。为此有关学者提出了一种动态神经网络RNN(循环神经网络)，因其具有记忆信息的能力从而用于对时序数据的处理和预测。然而在实际应用中由于RNN本身的结构特点，使其只能记忆上一时刻或者邻近时刻的信息，对于久远时刻的信息无法保留，导致RNN在训练时存在梯度消失或梯度爆炸问题，致使模型精度不够，预测结果不准确。

发明内容

本发明的目的是提供一种基于多影响因子的滑坡位移动态预测方法，解决了现有技术中存在的对于久远时刻的信息无法保留的问题。

本发明所采用的技术方案是，一种基于多影响因子的滑坡位移动态预测方法，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。

本发明的特点还在于：

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)。

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)