[发明专利]基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法

权利要求书

1.一种基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法，其特征是，它包括如下步骤：

S1，数据预处理，读取滑坡位移时空序列数据，对所述时空序列数据做预处理操作，读取滑坡监测点的坐标数据；

S2，曲线分段，绘制滑坡位移-时间曲线，提出ST-SEEP分段法，并对曲线采用ST-SEEP分段法进行分段得到多段线性时空序列；

S3，空间权矩阵获取，利用步骤S1读取的滑坡监测点的坐标数据，采用K-means聚类算法对各监测点进行空间聚类，再根据聚类结果得到空间权矩阵；

S4，建模及预测，建立时空ARMA模型，对步骤S2得到的多段线性时空序列进行预测，得到滑坡位移时空预测序列；

S5，预测效果评价，输出预测序列，采用两个指标，即绝对误差和均方根误差，来衡量预测结果的准确性和稳定性；

在S2中，采用ST-SEEP法对滑坡位移时空序列进行分段的过程为：

S2-1，观察滑坡位移-时间曲线，遴选有效监测点；设定一固定周期T，计算该监测点历史位移-时间曲线中固定周期T的斜率；

S2-2，计算第i次移动前后的固定周期T的斜率的差值D_i；

设D_i的阈值为μ，当D_iμ时，将该时间点作为一个新的分割点，按相同方法继续向前移动直到得到所有的分割点，根据这些分割点将滑坡位移时空序列分为多段线性时空序列。

2.根据权利要求1所述的基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法，其特征是，在S1中，还包括侦测数据缺失部分，当存在数据缺失即采用插值法对数据进行补充完整；

所述采用线性插值法对数据进行补充完整的过程为：

S1-1，依次判断时空序列数据中第N列，即第N个监测点的时间序列数据中某缺失部分的数据缺失量n，当时间单位为天数时即是缺失n天的数据；

S1-2，通过插值的方式补充数据缺失的部分；

并确认预测所需要使用的滑坡位移数据的时间段，所述滑坡监测点的坐标数据为各监测点在该时间段开始时刻的坐标数据。

3.根据权利要求1所述的基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法，其特征是，采用K-means聚类法对各监测点进行空间聚类，再根据聚类结果得到空间权矩阵的过程为：

S3-1，初始化聚类中心，即首先在监测点集合中随机选择一个监测点作为初始聚类中心放入容器中；

S3-2，迭代聚类，即依次将集合中的监测点分到最近的聚类中心所属的类，并放入与聚类中心对应的新容器中；经过一次聚类后，计算新容器中所有监测点坐标作为聚类中心的新坐标，并更新该类聚类中心；之后再次进行聚类操作，经过n次迭代得到预设的结果；

S3-3，对聚类后的监测点绘出分类散点图，结合一维矩阵聚类结果来确定空间权矩阵。

4.根据权利要求3所述的基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法，其特征是，聚类前首先要确定聚类数k，采用肘部法先模拟所有可能的k值对应的K-means聚类结果，并结合现实中监测点在滑坡上的分布情况选择聚类效果最好的k值。

5.根据权利要求1所述的基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法，其特征是，在S4中，建立时空ARMA模型，对步骤S2得到的多段线性时空序列进行预测，得到滑坡位移时空预测序列的过程为：

判断各段时空序列是否平稳，若平稳则继续下一步；若不平稳则对其执行差分操作获得平稳序列；当还是不平稳，则继续进行高阶差分，直到获得平稳序列为止；将平稳序列输入时空ARMA模型进行预测，得到各段未来的滑坡位移时空序列；设差分阶数为d，经过d阶差分的序列由模型预测的结果要做d阶还原，还原是差分的逆过程；合并各段，成为完整的位移时空预测序列。