[发明专利]基于多种算法组合的滑坡位移预测方法

说明书

本发明公开了一种基于多种算法组合的滑坡位移预测方法，包括以下步骤：步骤一：对滑坡累计位移Y_t进行数据采集；步骤二：基于DES计算模型，预测累计位移Y_t中的趋势位移分量T_t；步骤三：从累计位移Y_t中减去DES计算模型预测的趋势位移分量T_t，得到周期位移P_t，用VMD方法将周期位移P_t分解为K个IMF分量和一个噪声分量；步骤四：建立LSTM模型预测各IMF分量和噪声分量，并通过最大信息系数MIC筛选LSTM模型的输入特征；步骤五：将IMF分量和噪声分量的预测结果相加，得到周期位移P_t的预测结果，然后将预测结果与趋势位移分量T_t相加，得到总位移的预测结果。本发明采用双指数平滑法、变分模态分解法和长短期记忆网络法组合对滑坡位移实现精确预测。

技术领域

本公开涉及地质灾害防灾减灾技术领域，特别是涉及一种基于多种算法组合的滑坡位移预测方法。

背景技术

滑坡是边坡岩土沿贯通剪切破坏面滑动的地质现象，受地形、岩性、水文、人类活动等多种环境因素的相互作用影响，滑坡的运动和破坏不仅会导致环境恶化，也会破坏基础设施并造成人员伤亡。迄今为止，滑坡位移预测主要有物理模型、统计模型和智能模型三种方法：(1)在物理模型中，基于蠕变理论和岩土材料的特殊物理特性，采用模型来预测位移，如三级蠕变、Hayashi模型和Fukuzono模型；(2)统计模型采用时间序列分析的原理来预测滑坡位移，如指数平滑模型、自回归综合移动平均模型等；(3)智能模型主要使用机器学习或深度学习算法预测滑坡位移，如反向传播神经网络(BP)、支持向量回归(SVR)、极限学习机(ELM)等。然而，目前在这些滑坡位移研究中，常因滑坡位移随机分量无法准确提取、最优训练数据集及时效性无法确定等，造成位移预测精度不稳定。因此，需要拟建一种新的混合方法来对滑坡位移进行预测。

发明内容

有鉴于现有技术的至少一个缺陷，本发明的目的是提供一种基于多种算法组合的滑坡位移预测方法，采用双指数平滑法、变分模态分解法和长短期记忆网络法组合对滑坡位移实现精确预测。

为了达到上述目的，本发明采用如下技术方案：一种基于多种算法组合的滑坡位移预测方法，包括以下步骤：

步骤一：对滑坡累计位移Y_t进行数据采集；

步骤二：基于DES计算模型，预测累计位移Y_t中的趋势位移分量T_t；

步骤三：从累计位移Y_t中减去DES计算模型预测的趋势位移分量T_t，得到周期位移P_t，然后用VMD模态分解和信号处理方法将周期位移P_t分解为K个IMF分量和一个噪声分量；

步骤四：建立LSTM模型预测各IMF分量和噪声分量，并通过最大信息系数MIC筛选LSTM模型的输入特征；

步骤五：将所有IMF分量和噪声分量的预测结果相加，得到周期位移P_t的预测结果，然后将预测结果与趋势位移分量T_t相加，得到总位移的预测结果。

所述步骤二中，DES计算模型通过公式(1)预测累计位移Y_t中的趋势位移分量T_t；

公式(1)中，S_t表示时间序列t的稳定分量；b_t表示时间序列t的趋势分量；Y_t是时间t的观测值；α和β是区间[1,0]内的平滑参数；T_t+m是时间t+m的预测值，其中m＝1。t-1是t的前一刻。