[发明专利]一种滑坡点位移预测方法、预测设备及存储介质

说明书

本发明提供一种滑坡点位移预测方法、预测设备及存储介质，方法包括以下步骤：重构形成重构项，采用结合t检验的CEEMD分解方法，分解出高频项、低频项和趋势项；将原始项、重构项、高频项和低频项作为周期项输入参数待选项，将趋势项作为趋势项输入参数待选项；使用CEEMD将滑坡累计位移时间序列数据得到滑坡位移周期项和滑坡位移趋势项；将滑坡位移周期项与周期项输入参数待选项对比进行优选；将滑坡位移趋势项与趋势项输入参数待选项对比进行优选；对群智能优化算法进行优选，与SVR模型结合，得到滑坡累计位移预测结果。本发明提出的技术方案的有益效果是：对滑坡位移影响较大的诱发因素进行优选，基于多群智能优化算法建立SVR预测模型，可提高预测精度。

技术领域

本发明涉及地质灾害预测技术领域，尤其涉及一种滑坡点位移预测方法、预测设备及存储介质。

背景技术

我国地形复杂，山地众多，是地质灾害高发区域，其中，滑坡地质灾害发生频率高，危害范围广，伤害程度大，每年造成的巨大经济与人员损失，因而成为悬在人民头顶的达摩克利斯剑。为提前做好防控，降低人财损失，滑坡位移预测预报成为滑坡地质灾害研究的热点与难点，国内外专家几十年来做了大量研究。

虽然滑坡位移的预测方法众多，但是基本流程是相同的。其中，滑坡位移的分解和预测模型的建立是影响最终预测效果的关键。常用的例如：时序分析法和简单移动平均法的结合、EMD分解、EEEMD、CEEMD分解、VMD分解、小波分解。上述方法都得到一定的应用，但其中，CEEMD分解后的残余项作为趋势项在使用最小二乘法拟合时存在多项式次数少了拟合不准确，多了又会产生过拟合问题，严重影响预测精度。再者，现有研究往往集中在利用优化算法对SVR模型本身的核函数参数g和惩罚因子C进行寻优以提高其精确性。常用的寻优方法包括了粒子寻优(PSO)、遗传算法(GA)、蚁群优化算法(ACO)等等。由于优化算法的NFL理论，没有一个算法是普适的，针对新的结构，应当探讨其使用效果。同时模型参数的选取也是一个重要的思考问题，常用的灰色关联模型、LCSS法，均有一定的效果，但是需要开拓新的模型参数选择方法。

因此，针对上述问题，采用新的算法及架构形成新的滑坡位移预测方法以提高滑坡位移预测精度，丰富滑坡预测理论具有非常重要的实际意义与应用前景。

发明内容

有鉴于此，为解决上述问题，本发明的实施例提供了一种滑坡点位移预测方法、预测设备及存储介质。

本发明的实施例提供一种滑坡点位移预测方法，包括以下步骤：

S1对原始降雨、库水位、滑坡累计位移时间序列数据--诱发因素原始项进行重构形成诱发因素重构项；

S2采用结合t检验的CEEMD分解方法，将诱发因素重构项分解出诱发因素高频项、诱发因素低频项和趋势项；将诱发因素原始项、诱发因素重构项、诱发因素高频项和诱发因素低频项作为周期项输入参数待选项，将趋势项作为趋势项输入参数待选项；

S3使用CEEMD分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余项，将所有的IMF分量累加得到滑坡位移周期项，残余项为滑坡位移趋势项；

S4将滑坡位移周期项与周期项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为周期项输入参数；将滑坡位移趋势项与趋势项输入参数待选项进行相似度对比，挑选相似程度最高的两项作为趋势项输入参数；

S5对群智能优化算法进行优选，并与SVR模型结合，对周期项输入参数进行群智能优化后的SVR预测得到周期项位移SVR预测模型的最优预测结果，对趋势项输入参数进行群智能优化后的SVR预测得到趋势项位移SVR预测模型的最优预测结果，将周期项位移SVR预测模型的最优预测结果与趋势项位移SVR预测模型的最优预测结果累加得到滑坡累计位移预测结果。

进一步地，步骤S1具体为：