[发明专利]一种基于机器学习的滑坡位移高精度预测方法

说明书

本发明公开了一种基于机器学习的滑坡位移高精度预测方法，针对传统乌鸦算法迭代效率差、过度拟合导致泛化精度低的问题进行了两点改进：1、乌鸦在没有领导者情况下，用乌鸦个体执行莱维飞行来取代随机搜索方式，有效地降低了乌鸦个体搜索的盲目性；2、为有效避免算法中存在的过拟合现象，针对支持向量机模型中的参数寻优问题，改变传统搜索算法中选取最优适应度值的方法，将常规支持向量机优化算法中以选取最小适应度值为原则修改为选取最优适应度值区间所对应的支持向量机最小参数值，通过基于改进的乌鸦搜索算法再对支持向量机参数进行优化。本发明方法有效改进高维滑坡位移数据搜索时的收敛效率，提高了支持向量机的回归精度和泛化能力。

技术领域

本发明属于滑坡位移高精度预测领域，涉及到一种基于机器学习的滑坡位移高精度预测技术，它以人工智能算法(AI)、机器学习、滑坡位移预测等领域为实际应用背景，可用于在多因子共同影响的复杂环境中滑坡体位移趋势和大小的高精度预测应用方向。

背景技术

滑坡灾害是由滑坡体内部地质构造和外部影响因素共同作用，导致滑坡体的下滑和崩塌，其发展演化是一个较复杂的非线性动力学系统。滑坡系统既受其内部地层分布特征、岩性等非线性因素的作用，又会受到外部降雨、问题及灌溉等随机因素的影响，导致很难对滑坡体未来一段时间内的位移变化进行准确的预测。因此，需通过深入分析滑坡运动内部和外部因素的基础上，结合机器学习算法的优势构建出合理的滑坡位移预测模型，对滑坡体的运动趋势和大小进行准确预报。

常见的滑坡位移线性预测拟合模型有灰色模型、卡尔曼滤波模型、灰色位移矢量角模型等。此类模型建立在大量的实验数据和频繁的实地考察上，耗时耗力，预测结果虽具有一定的物理基础，但应用条件却十分严苛且仅拟合单因素最有效，但实际情况中滑坡会受到多种外在因素的影响(如降雨、温度和灌溉因子等)，针对此类情况上述模型则不易解决。因此，一些机器学习非线性拟合模型，例如 BP神经网络模型、粒子群算法、遗传算法、乌鸦算法、支持向量机模型等模型相继出现。

常用的参数优化算法包括粒子群算法和遗传算法，其中粒子群算法(PSO) 主要用于优化全局问题。在优化问题中，所有的解分别被指定的粒子所代替，首先定义一个适应值函数，对每个粒子的适用性进行评判，其次每个粒子根据所有粒子的“飞行经验”群游，从而得到最适解。每个粒子在寻优过程中同时考虑自身最优和全局最优，其速度和位置随着迭代过程的进行而不断更新。遗传算法 (GA)是模拟生物进化过程的一类优化算法，具有很强鲁棒性。全局搜索和隐含并行是遗传算法的两个主要特征。其原理是将所有的解都统一编码，使得解空间转变为类似生物体的染色体空间，然后定义其适应度，使较优解的适应度也较高。再对种群施加遗传算子，如变异、交叉、选择等，确定最优参数的方向，使得种群向其不断进化发展。

本发明涉及到的乌鸦算法是在2016年由Askarzadeh发表的《A novelmetaheuristic method for solving constrained engineeringoptimizationproblems: Crow search algorithm》论文(ISSN 0045-7949)提出的一种新型群智能算法。乌鸦具有较好的记忆力，当有其它生物入侵就可以通知其它的乌鸦逃跑；另外，还可以观察并记住其它鸟类藏食地点，等主人离去再偷取食物，并且其它鸦群也会跟随领导者寻找食物。基于以上分析，乌鸦搜索算法(CSA)有如下理想化原则:

(1)乌鸦以群居形式生活。

(2)乌鸦能够记住其隐藏食物的位置。

(3)乌鸦会跟随领导者一起去偷取食物。

(4)乌鸦以概率保护自己的隐藏食物。

CSA在求解优化问题时可以研究表述如下:

生成乌鸦种群向量