[发明专利]基于梯度提升机与二次规划的阶跃型滑坡位移预测方法

说明书

本发明提供一种基于梯度提升机与二次规划的阶跃型滑坡位移预测方法，将阶跃型滑坡累计位移量分解为趋势项位移和周期项位移，首先利用多项式模型最小二乘算法对趋势项位移量变化曲线进行拟合；然后通过多种归一化方式结合来获得较高准确度的梯度提升机‑二次规划模型；最后叠加趋势项位移量变化曲线拟合结果和梯度提升机‑二次规划模型的输出结果，获得阶跃型滑坡位移量的预测曲线；由此可见，本发明可以分别获得滑坡趋势项位移和周期项位移的分析预测模型，能够实现阶跃型滑坡总位移量预测值的自动获取，具有参数设置简单、适用于低维特征矩阵的特点，有效弥补了非线性模型参数设置和数据预处理在滑坡位移预测中的不足。

技术领域

本发明属于滑坡地质灾害预测预警的技术领域，尤其涉及一种基于梯度提升机与二次规划的阶跃型滑坡位移预测方法。

背景技术

基于滑坡位移-时间曲线变化趋势预测滑坡状态与滑动时间是滑坡稳定性监测与评估的主要方法之一。阶跃型滑坡的位移-时间曲线具有多个台阶型特征，通过时间序列加法模型可将其分为趋势项位移和周期项位移两项，由外界条件综合影响产生的周期项位移需要结合对应时期的多种外界因素建立非线性模型进行拟合预测。目前已有多种非线性机器学习算法被广泛应用于滑坡位移-时间曲线的预测研究，包括神经网络和支持向量机等方法。其中结合神经网络和灰色模型可建立位移量预测模型，适用于模拟预报单调递增或递减的指数监测时序，但为了搭建适合当前时间序列的神经网络模型，需要利用人为经验设置隐藏层个数、每层包含神经元个数等参数，且不同网络所得预测准确度差异较大，因此难以获得最优参数组合；支持向量机可将低维数据集映射到更高维度，从而在高维空间中通过线性回归实现滑坡位移量的预测，然而支持向量机对数据预处理结果要求较高，且更适用于高维度特征矩阵，因此利用低维特征矩阵进行预测难以达到最优的预测精度。

梯度提升机是集成学习的非线性模型算法之一，选择梯度提升树为基学习器，利用多个基学习器的加权组合构建强学习器，每一轮通过拟合残差，沿损失函数负梯度方向更新学习器，预测准确度优于单一学习器，因此梯度提升机算法可用于阶跃型滑坡周期项位移的拟合及预测。另外数据归一化是数据预处理中的主要步骤，数据归一化方法的选择会对位移预测效果产生实质性影响，所以在构建周期项位移预测模型中需要考虑归一化方法选择的主观性和随机性对于结果预测准确度的影响。

因此，为了解决基于梯度提升机与二次规划的阶跃型滑坡位移预测问题，有必要研究基于梯度提升机与二次规划的阶跃型滑坡位移预测方法。

发明内容

为解决上述问题，本发明提供一种基于梯度提升机与二次规划的阶跃型滑坡位移预测方法，能够解决阶跃型滑坡台阶型特征预测难度较大、归一化方法选择具有主观性、参数设置复杂等问题，从而获得阶跃型滑坡位移预测的有效模型。

一种基于梯度提升机与二次规划的阶跃型滑坡位移预测方法，包括以下步骤：

S1：基于时间序列加法模型，利用指数平滑方法将阶跃型滑坡累计位移量分解为趋势项位移y_T(k)和周期项位移y_P(k)，其中，k＝1,2,3,…N，N为阶跃型滑坡累计位移量的监测周期数量；

S2：采用最小二乘法对各监测周期的趋势项位移y_T(k)进行拟合，得到趋势项位移的变化曲线

S3：构建各监测周期的特征向量x(k)，并将N个监测周期的特征向量x(k)组成特征矩阵X＝[x(1),x(2),…,x(N)]；其中，所述特征向量包括N_f个特征，N_f个特征分别为监测周期的监测期次、该监测周期的至少前4个监测周期对应的周期项位移、该监测周期及其至少前5个监测周期的降雨量、该监测周期及其至少前5个监测周期的库水位变化量；

S4：利用灰色关联度分析算法获取各个特征与周期项位移的关联度r_q，其中，q＝1,2,…,N_f，且关联度r_q越大，关联度r_q对应的特征对周期项位移的影响越大；