[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

说明书

本发明提供一种基于ST‑SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法，包括数据预处理、曲线分段、空间权矩阵获取、建模及预测、预测效果评价；数据预处理读取滑坡位移数据和坐标数据，并做预处理；曲线分段绘制滑坡位移‑时间曲线，并提出ST‑SEEP法对曲线进行分段处理；空间权矩阵获取采用K‑means聚类法对监测点进行空间聚类，并获取空间权矩阵；建模及预测建立时空ARMA模型并预测滑坡位移时空序列；预测效果评价采用绝对误差和均方根误差来评价预测结果。本发明的有益效果：实现了监测点空间关系的定量分析，更为有效地利用了空间关系；将时空自回归移动平均统计模型引入了滑坡预测领域，公式和参数物理意义明确，过程清晰，能够准确地预测滑坡位移。

技术领域

本发明属于工程地质学技术领域，涉及一种基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法。

背景技术

滑坡位移预测是滑坡领域的前沿课题，精确预测滑坡位移对滑坡灾害预报具有重要意义。现有的滑坡位移预测方法大多是时间序列预测，即通过监测滑坡的历史位移，利用单个监测点的历史位移时间序列数据来预测此监测点未来位移，以此代表滑坡位移预测结果。

时空序列预测方法相比传统的时间序列预测，增加了数据的空间维度。目前融合传感器的时间和空间序列得到网络时空序列并输入神经网络对滑坡位移进行预测，它考虑了空间因素，但所使用的神经网络对数据进行拟合的过程难以解释，相关参数物理意义不明确；同时直接计算同一时间两监测点位移的差值作为空间序列元素，再将每个时间的空间序列叠加进而得到网络时空序列的做法，未能对监测点之间的空间关系进行定量分析，对空间关系的利用效果不够理想。

目前并不存在能够通过可解释的模型，量化空间关系，对滑坡位移的时空序列进行预测的技术，因此，有必要开发一种基于统计模型并结合监测点的坐标数据量化空间关系的滑坡位移时空预测技术来获得更准确的滑坡位移预测结果。

发明内容

本发明所要解决的技术问题是提供一种基于ST-SEEP分段法和时空ARMA模型的滑坡位移多线性预测方法，该预测方法所使用的参数物理意义明确，过程清晰，且能够对监测点之间的空间关系进行定量分析。

为解决上述技术问题，本发明所采用的技术方案是：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，然后侦测数据缺失部分，当存在数据缺失即采用插值法对数据进行补充完整；并确认预测所需要使用的滑坡位移数据的时间段，读取各监测点在该时间段开始时刻的坐标数据；

S2，曲线分段，绘制滑坡位移-时间曲线，并提出一种ST-SEEP法来对滑坡位移时空序列进行分段；

S3，空间权矩阵获取，利用步骤S1读取的各监测点的坐标数据，采用聚类算法如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；

S4，建模及预测，依次取出步骤S2得到的多段线性时空序列，并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平稳操作获得平稳序列，当还是不平稳，则继续进行高阶差分平稳操作，直到获得平稳序列为止；将平稳序列输入时空自回归移动平均模型进行预测，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；

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

在S1中，采用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；