[发明专利]一种基于敏感状态的滑坡预测模型构建方法及系统

摘要

本发明公开了一种基于敏感状态的滑坡预测模型构建方法及系统，构建过程大致如下：首先联合支持向量回归机(SVR)和粒子群优化算法(PSO)，将滑坡位移预测分解得到滑坡位移序列预测模型和滑坡对外界影响因素的敏感因子。对敏感因子进行K均值(K‑means)聚类分析剔除噪声得到不同的敏感状态。针对外界影响因素对敏感状态的影响特性采用长短期记忆神经网络(LSTM)实现敏感状态预测模型，通过对位移序列预测模型和敏感状态预测模型的结果进行融合得到滑坡月位移的预测结果。本发明的构建方法及系统预测精度高。

主权项

1.一种基于敏感状态的滑坡预测模型构建方法，其特征在于，包含如下步骤：S1、获取目标滑坡的历史样本点数据，每个样本点(x_i，y_i)包含多个外界影响因素的数值x_i以及在这些外界影响因素的作用下的滑坡位移值y_i，样本点的个数为m，m为大于1的正整数；S2、根据所述历史样本点数据，采用支持SVR算法对滑坡外界影响因素下的响应函数f(x)进行拟合，并采用PSO粒子群算法对敏感因子集合Q中的所有敏感因子进行寻优；二者循环迭代，直到PSO粒子群算法收敛，得到最优的敏感因子集合Q＝{q₁，q₂，...，q_m}；其中，SVR算法采用下述线性回归函数进行拟合：f(x)＝ω^Tx+b上式中，x为所述历史样本点数据中的x_i组成的输入向量，为输出量，y为所述历史样本点数据中的y_i组成的输出向量；w和b为长度均为m的待拟合的向量，T为转置；S3、选取最优的敏感因子集合Q下的SVR模型作为位移序列预测模型；S4、采用K均值聚类算法对最优的敏感因子集合Q中的m个敏感因子进行聚类，得到k个分类，并将每个分类作为一个敏感状态，以得到k个敏感状态S＝{S₁，S₂，...，S_k}；S5、将每个所述样本点以及对应的敏感状态作为一个训练样本，所有的训练样本训练LSTM模型，得到敏感状态预测模型；S6、分别利用位移序列预测模型和敏感状态模型对测试数据进行预测，将得到的位移序列和敏感状态进行相乘融合，得到滑坡位移预测值。