[发明专利]一种基于机器学习的滑坡位移高精度预测方法

权利要求书

1.一种基于机器学习的滑坡位移高精度预测方法，其特征在于，包括如下步骤：

【1】基于观测得到的滑坡体上监测点的位移序列X_t，利用移动平均法求得位移序列趋势项S_t，进而依据时间序列加法模型提取位移序列周期项V_t；

【2】采用基于改进的乌鸦算法优化支持向量机参数的智能组合模型对步骤【1】中的位移序列周期项V_t进行预测：

【2.1】建立基于改进乌鸦算法ICSA的支持向量机模型，并对改进乌鸦算法的参数进行初始化，包括种群数N，迭代次数iter_max，飞行长度fl和感知概率AP；

【2.2】确定预测步长L，将步骤【1】中提取的位移序列周期项V_t划分为训练集traindata和测试集testdata；将最大降雨、最小降雨、平均气温、温差和灌溉因子五类外部影响因子进行归一化处理，作为支持向量机模型训练的输入向量；

【2.3】引入莱维飞行因子和参数区间选取准则，通过改进乌鸦算法迭代确定支持向量机模型最优参数，通过最优组合模型对序列周期项进行预测，具体步骤为：

【2.3.1】初始化乌鸦位置和记忆：

对支持向量机模型中待优化参数惩罚因子C和核函数参数g进行参数优化；

【2.3.2】通过迭代记录每一次乌鸦位置(C，g)并计算适应度值；

【2.3.3】判断改进乌鸦算法迭代值是否达到最大迭代次数：若小于最大迭代次数重复步骤【2.3.1】～【2.3.2】；若达到最大迭代次数，得到参数优化后的支持向量机模型，并用测试集来测试优化后的支持向量机模型的预测性能；

在支持向量机模型参数优化过程中，对拟合误差采取范围选择，即允许拟合误差在一定范围内波动情况下，选择最小的C所对应的一组参数[C，g]；

其中，改进的乌鸦算法迭代步骤为：

在迭代过程中，可能会发生两种状态：

状态1：乌鸦j不知道乌鸦i正在跟随它，乌鸦i将接近乌鸦j的藏身之处；

状态2：当r_j＜AP^j，iter，乌鸦j发现乌鸦i的跟踪行为，将莱维飞行因子加入到位置更新，在缺少最优个体引导的情况下，乌鸦个体将转为莱维飞行来寻找食物源；

其中r_i，r_j分别是一个在0和1之间均匀分布的随机数，AP^j，iter表示在迭代第iter次时乌鸦j的感知概率，L(β)为莱维飞行因子；

x^i，iter+1表示乌鸦i在迭代第iter次时生成的下一代位置；x^i，iter表示乌鸦i在迭代第iter次时生成的位置；m^j，iter表示乌鸦j在迭代第iter次时的隐藏位置；fl^i，iter表示乌鸦i在迭代第iter次时的飞行步长；

由改进的乌鸦搜索算法对支持向量机进行参数寻优，确定最优乌鸦位置，即支持向量机的最优参数，得到最佳拟合的支持向量机模型，对滑坡位移序列周期项V_t进行拟合和预测；

其中莱维飞行因子的计算公式如下：

其中，μ，v是服从如下正态分布的随机数；

δ_v＝1

其中，β取常数1.5，δ_μ取常数0.6966；

【3】采用多项式对步骤【1】中的位移序列趋势项S_t进行预测：

采用最小二乘多项式拟合模型对位移序列趋势项S_t进行拟合，确定拟合最优次数和拟合参数，对位移序列趋势项S_t进行预报；

【4】根据时间序列加法模型，将位移序列周期项V_t和位移序列趋势项S_t预测结果相加，得到总位移序列X_t的预测值，通过与测试集计算比较，评价模型预测精度。