[发明专利]一种混合机器学习模型的滑坡位移预测方法

摘要

本发明公开了一种混合机器学习模型的滑坡位移预测方法，对滑坡监测点进行滑坡影响因素挖掘和滑坡位移数据采集和预处理并作为模型的训练数据；将获得的滑坡影响因素和滑坡位移数据看作时间序列进行小波去燥处理；基于时间序列原理，采用霍德里克‑普雷斯科特滤波器(HP)将去燥后的滑坡影响因素和位移数据分解成趋势项和周期项。针对趋势项和周期项分别采用二阶指数平滑(DBS)的方法和动态多群粒子群(DMS‑PSO)优化极限学习机(ELM)模型进行位移预测。最后将预测的周期项位移和趋势项位移相加得到总的滑坡预测位移。通过该周期项位移预测模型可以更好的求解全局最优解，使预测精度和可靠性更高。

主权项

1.一种混合机器学习模型的滑坡位移预测方法，其特征在于，包括如下步骤：S1、从滑坡山体位移监测点和影响因素传感器获取N组滑坡位移数据，并对N组滑坡位移数据进行预处理；S2、将预处理后的N组滑坡位移数据分解为N组趋势项和N组周期项，N组趋势项包括N组影响因素趋势项和N组位移趋势项，N组周期项包括N组影响因素周期项和N组位移周期项；S3、用前M组位移趋势项构建滑坡趋势项位移预测模型，并作为训练集，训练趋势项位移预测模型，得到趋势位移量，并将趋势位移量输出；其中M+L=N；S4、用前M组影响因素周期项和前M组位移周期项构建滑坡周期项位移预测模型，并作为训练集，训练周期项位移预测模型；将后L组影响因素周期项输入训练好的周期项位移预测模型中，得到周期位移量，并将周期位移量输出；S5、将步骤S3得到的趋势位移量和步骤S4得到的周期位移量相加整合，得到总滑坡位移预测值。