Nothing Special   »   [go: up one dir, main page]

CN110427654B - 一种基于敏感状态的滑坡预测模型构建方法及系统 - Google Patents

一种基于敏感状态的滑坡预测模型构建方法及系统 Download PDF

Info

Publication number
CN110427654B
CN110427654B CN201910613757.0A CN201910613757A CN110427654B CN 110427654 B CN110427654 B CN 110427654B CN 201910613757 A CN201910613757 A CN 201910613757A CN 110427654 B CN110427654 B CN 110427654B
Authority
CN
China
Prior art keywords
sensitive
landslide
prediction model
value
factors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910613757.0A
Other languages
English (en)
Other versions
CN110427654A (zh
Inventor
刘勇
胡宝丹
许昌
刘洋洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910613757.0A priority Critical patent/CN110427654B/zh
Publication of CN110427654A publication Critical patent/CN110427654A/zh
Application granted granted Critical
Publication of CN110427654B publication Critical patent/CN110427654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

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。

Description

一种基于敏感状态的滑坡预测模型构建方法及系统
技术领域
本发明涉及滑坡预测领域,更具体地说,涉及一种基于敏感状态的滑坡预测模型构建方法及系统。
背景技术
滑坡数学预测模型最初主要基于灰色理论,随着研究的深入,引入了众多的理论和方法。陈明东等(1988)将灰色系统理论的GM模型引入滑坡位移曲线的拟合分析。张倬元等(1988)针对岩体失稳前的平稳状态和非平稳状态转换,提出了黄金分割预测方法。晏同珍(1989)结合二次曲线回归和灰色理论提出了生物繁衍动态模型预测方法。殷坤龙等(1996)基于信息模型和灰色模型对滑坡进行了时空预测分析研究。虽然滑坡数学预测模型的研究取得了一定的进步,但由于其无法充分揭示滑坡演化的实际过程和内在规律,导致其适用性和适用性较差。得益于近年来机器学习和智能算法的发展,滑坡数学预测模型的内涵得到了极大的丰富。Muller等(1997)提出了适用于滑坡位移时间序列的支持向量回归机模型。张白一等(1998)将人工神经网络引入到滑坡位移预测研究中。Pradhan等(2010)在考虑近十种影响因素的条件下改进了基于神经网络的滑坡预测模型。牛瑞卿等(2012)提出一种基于粗糙集的支持向量回归机预测模型,用于滑坡位移预测研究。罗飞雪等(2010)等提出利用经验模态分解(EMD)法能有效将位移时间序列分解为特征尺度不同的分量。Shiluo等(2018)在利用EMD方法分解滑坡位移的基础上,利用S曲线和长短期记忆神经网络分别对趋势项和周期项进行预测,使滑坡位移预测精度得到很大的提高。目前,滑坡数学预测模型的研究以单一算法为主,部分学者利用EMD方法初步实现了通过复合算法构建预测模型,但针对分解得到的模态分量尚缺乏合理的物理解释。而且,滑坡在不同敏感状态下对相同的外界影响因素会做出不同的响应,同时外界影响因素也使得滑坡内部结构和土体性质发生改变,引起滑坡敏感状态的跃迁。利用单一的回归过程很难解耦这种耦合关系,导致很多预测算法难以准确地拟合出滑坡多敏感状态下对外界激励的响应曲线。
发明内容
本发明要解决的技术问题在于,针对现有技术中,滑坡在不同敏感状态下对相同的外界影响因素会做出不同的响应,同时外界影响因素也使得滑坡内部结构和土体性质发生改变,引起滑坡敏感状态的跃迁,利用单一的回归过程很难解耦这种耦合关系,导致很多预测算法难以准确地拟合出滑坡多敏感状态下对外界激励的响应曲线的技术缺陷,提供了一种基于敏感状态的滑坡预测模型构建方法及系统。
根据本发明的第一方面,本发明为解决其技术问题,所提供的基于敏感状态的滑坡预测模型构建方法包含如下步骤:
S1、获取目标滑坡的历史样本点数据,每个样本点(xi,yi)包含多个外界影响因素的数值xi以及在这些外界影响因素的作用下的滑坡位移值yi,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,K,qm};其中,SVR算法采用下述线性回归函数进行拟合:
f(x)=ωTx+b
上式中,x为所述历史样本点数据中的xi组成的输入向量,
Figure GDA0004094189150000021
为输出量,y为所述历史样本点数据中的yi组成的输出向量;ω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,K,Sk};
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。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建方法中,xi是指月降雨量和库水下降值,yi是指月位移值。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建方法中,步骤S2具体包括如下步骤:
S201:基于所述历史样本点数据,根据SVR算法对f(x)进行拟合,拟合出ω和b的具体值,进而得到响应函数f(x)的具体表达形式;其中,敏感因子集合Q的初始值为预先设定;
S202:采用PSO粒子群算法对m个敏感因子进行寻优,寻优后更新敏感因子集合Q;其中,使用下述均方误差MSE作为PSO算法的适应度函数:
Figure GDA0004094189150000031
S203:判断条件MSE≤R是否成立?若是,则到步骤S204;否则,采用最新计算出来的最优敏感因子集合Q更新
Figure GDA0004094189150000032
中的Q并返回步骤S201;其中,R为预设的阈值,且R>0;
S204:停止迭代,将最后一次迭代时的敏感因子集合Q作为最优的最优敏感因子集合Q。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建方法中,步骤S4中的K均值聚类算法具体包括如下步骤:
从所述m个敏感因子中随机选择k个聚类中心,并分别计算每个敏感因子与k个聚类中心之间的欧式距离,以将各敏感因子划分到与其距离最近的聚类中心所代表的类中,进而根据下述公式准则函数计算平方误差E:
Figure GDA0004094189150000041
上式中,Cj表示聚类后的第j类,x表示类Cj中的数据,ui为类Cj中所有敏感因子的均值;平方误差E表示了类内数据围绕聚类中心的紧密程度,值越小则类内数据相似度较高,聚类结果越好;
利用各个类的敏感因子均值ui更新各个类的初始聚类中心,并以此迭代,直到E的值小于预设的最小化误差值;进而得到最优的k个聚类中心和对应的k个类。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建方法中,步骤S6中所述进行相乘融合具体是指通过下述公式进行融合:
Figure GDA0004094189150000042
其中,S预测∈S,w、b为位移序列预测模型中确定的系数,x实测为实际测量得到的界影响因素的数值。
根据本发明的另一方面,本发明为解决其技术问题,还提供了一种基于敏感状态的滑坡预测模型构建系统,包含如下模块:
数据获取模块,用于获取目标滑坡的历史样本点数据,每个样本点(xi,yi)包含多个外界影响因素的数值xi以及在这些外界影响因素的作用下的滑坡位移值yi,样本点的个数为m,m为大于1的正整数;
PSO-SVR模块,用于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,K,qm};其中,SVR算法采用下述线性回归函数进行拟合:
f(x)=ωTx+b
上式中,x为所述历史样本点数据中的xi组成的输入向量,
Figure GDA0004094189150000051
为输出量,y为所述历史样本点数据中的yi组成的输出向量;ω和b为长度均为m的待拟合的向量,T为转置;
第一模型获取模块,用于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;
聚类处理模块,用于采用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,K,Sk};
第二模型获取模块,用于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;
位移预测模块,用于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。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建系统中,xi是指月降雨量和库水下降值,yi是指月位移值。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建系统中,PSO-SVR模块具体包括如下单元:
SVR处理单元,用于基于所述历史样本点数据,根据SVR算法对f(x)进行拟合,拟合出ω和b的具体值,进而得到响应函数f(x)的具体表达形式;其中,敏感因子集合Q的初始值为预先设定;
PSO寻优单元,用于采用PSO粒子群算法对m个敏感因子进行寻优,寻优后更新敏感因子集合Q;其中,使用下述均方误差MSE作为PSO算法的适应度函数:
Figure GDA0004094189150000061
判断处理单元,用于判断条件MSE≤R是否成立?若是,则到步骤S204;否则,采用最新计算出来的最优敏感因子集合Q更新
Figure GDA0004094189150000062
中的Q并返回步骤S201;其中,R为预设的阈值,且R>0;
迭代终止单元,用于停止迭代,将最后一次迭代时的敏感因子集合Q作为最优的最优敏感因子集合Q。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建系统中,聚类处理模块中的K均值聚类算法具体采用如下单元实现:
聚类计算单元,用于从所述m个敏感因子中随机选择k个聚类中心,并分别计算每个敏感因子与k个聚类中心之间的欧式距离,以将各敏感因子划分到与其距离最近的聚类中心所代表的类中,进而根据下述公式准则函数计算平方误差E:
Figure GDA0004094189150000063
上式中,Cj表示聚类后的第j类,x表示类Cj中的数据,ui为类Cj中所有敏感因子的均值;平方误差E表示了类内数据围绕聚类中心的紧密程度,值越小则类内数据相似度较高,聚类结果越好;
迭代处理单元,用于利用各个类的敏感因子均值ui更新各个类的初始聚类中心,并以此迭代,直到E的值小于预设的最小化误差值;进而得到最优的k个聚类中心和对应的k个类。
进一步地,在本发明的基于敏感状态的滑坡预测模型构建系统中,位移预测模块中所述进行相乘融合具体是指通过下述公式进行融合:
Figure GDA0004094189150000071
其中,S预测∈S,w、b为位移序列预测模型中确定的系数,x实测为实际测量得到的界影响因素的数值。
与现有的技术比较,本发明的优点是:
1、滑坡数学预测模型将滑坡位移预测分解为两个相对独立的过程可以有效地降低滑坡位移、敏感状态及外界影响因素之间的耦合关系,从而提高模型的预测精度。
2、与现有的BP神经网络、SVR、LSTM三种算法进行预测结果比较,提出的基于敏感状态的滑坡数学预测模型的预测误差最小,预测精度具有绝对的优势。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是基于敏感状态的滑坡预测模型构建方法一实施例的流程图;
图2是位移序列预测模型的拟合效果图;
图3是敏感因子和敏感状态图;
图4是由位移序列和敏感状态融合得到的月位移值及其误差图;
图5是位移序列和敏感状态预测模型预测结果图;
图6是预测位移和真实位移对比图;
图7是不同方法预测结果对比图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
滑坡数学预测模型的构建过程大致如下: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。具体流程如图1所示,本发明的系统与方法对应,后续仅对方法进行说明,基于敏感状态的滑坡预测模型构建系统的原理具体可参考下述关于基于敏感状态的滑坡预测模型构建方法的说明。
滑坡在不同的敏感状态下对外界影响因素的响应不同,在敏感程度低时,对较大的外界影响因素的响应较小,而在敏感程度高时,对较小的外界影响因素的响应较大。滑坡系统对外界影响因素的响应规律可以用下式表示:
g(x)=Q·f(x)
式中,g(x)表示的是滑坡整体的响应规律,Q代表不同的影响因子{q1,q2...qm},f(x)代表在某一敏感状态下对外界影响因素的响应函数。基于滑坡响应系统的上述特点,通过联合使用PSO和SVR算法将g(x)分解。
基于敏感状态的滑坡预测模型构建方法包含如下步骤:
S1、获取目标滑坡的历史样本点数据,每个样本点(xi,yi)包含多个外界影响因素的数值xi以及在这些外界影响因素的作用下的滑坡位移值yi,样本点的个数为m,m为大于1的正整数;具体的,xi是指月降雨量和库水下降值,yi是指月位移值。
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,K,qm};其中,SVR算法采用下述线性回归函数进行拟合:
f(x)=ωTx+b
上式中,x为所述历史样本点数据中的xi组成的输入向量,
Figure GDA0004094189150000091
为输出量,y为所述历史样本点数据中的yi组成的输出向量;ω和b为长度均为m的待拟合的向量,T为转置。
步骤S2具体包括如下步骤:
S201:基于所述历史样本点数据,根据SVR算法对f(x)进行拟合,拟合出ω和b的具体值,进而得到响应函数f(x)的具体表达形式;其中,敏感因子集合Q的初始值为预先设定,一般为随机生成;
S202:采用PSO粒子群算法对m个敏感因子进行寻优,寻优后更新敏感因子集合Q;其中,使用下述均方误差MSE作为PSO算法的适应度函数:
Figure GDA0004094189150000092
S203:判断条件MSE≤R是否成立?若是,则到步骤S204;否则,采用最新计算出来的最优敏感因子集合Q更新
Figure GDA0004094189150000093
中的Q并返回步骤S201;其中,R为预设的阈值,且R>0;
S204:停止迭代,将最后一次迭代时的敏感因子集合Q作为最优的最优敏感因子集合Q。
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。
在算法的迭代的过程中,通过上式计算每个粒子的适应度函数值,适应度函数值越小,粒子离最优解越近。各个粒子的位置根据粒子群优化算法的迭代公式进行更新。当所有粒子最终聚集到一个适应度函数值最小的位置时,该位置对应的解为最优解。该最优解为滑坡敏感因子,此时得到的SVR模型为位移序列预测模型。
滑坡位移监测周期长、难度大,监测数据包含较大的测量噪声。通过PSO寻优,导致这部分噪声转移到敏感因子上。敏感因子表现出随时间剧烈变化的特征。假设滑坡对外界影响因素的敏感程度是离散的,即滑坡的敏感程度可以划分为有限的状态。在同一状态下滑坡的敏感程度是相同的,敏感状态在外界影响因素的作用下随着时间发生跃迁。利用K均值算法将敏感因子转换为敏感状态。
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,K,Sk}。
K均值聚类算法具体包括如下步骤:
从所述m个敏感因子中随机选择k个聚类中心,并分别计算每个敏感因子与k个聚类中心之间的欧式距离,以将各敏感因子划分到与其距离最近的聚类中心所代表的类中,进而根据下述公式准则函数计算平方误差E:
Figure GDA0004094189150000101
上式中,Cj表示聚类后的第j类,x表示类Cj中的数据,ui为类Cj中所有敏感因子的均值;平方误差E表示了类内数据围绕聚类中心的紧密程度,值越小则类内数据相似度较高,聚类结果越好;
利用各个类的敏感因子均值ui更新各个类的初始聚类中心,并以此迭代,直到E的值小于预设的最小化误差值;进而得到最优的k个聚类中心和对应的k个类。
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。
滑坡的敏感状态在外界影响因素作用下随时间发生跃迁,针对敏感状态的跃迁和历史敏感状态的变化高度相关的特点,选择LSTM网络拟合敏感状态的跃迁规律,训练得到的LSTM网络即为敏感状态预测模型。
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。所述进行相乘融合具体是指通过下述公式进行融合:
Figure GDA0004094189150000111
其中,S预测∈S,w、b为位移序列预测模型中确定的系数,x实测为实际测量得到的界影响因素的数值。
实例:
降雨和库水位波动是水库型滑坡的主要外界影响因素。在降雨库水联合作用下,滑坡根据自身对外界影响因素的敏感程度产生位移运动,同时也诱发自身的敏感状态发生跃迁。其中,滑坡产生的位移和敏感状态存在一定的耦合关系,导致利用单一算法构建的预测模型很难实现对滑坡位移的准确预测。
为了验证提出的滑坡数学预测模型,选取2003/6~2014/12的月降雨、月库水下降值和月位移数据作为训练数据,2015/1~2016/6的月位移数据作为测试数据。由训练样本的数量确定敏感因子个数,根据滑坡系统对外界影响因素的响应规律公式以月降雨量和库水下降值作为输入变量,月位移值作为输出变量,利用SVR算法训练位移序列预测模型,同时利用PSO算法搜索敏感因子最优值,利用K均值聚类由敏感因子得到敏感状态,利用LSTM算法训练敏感状态预测模型。应用位移序列和敏感状态预测模型对2015/1~2016/6的位移序列和敏感状态进行预测,将位移序列和敏感状态预测值进行融合得到白水河滑坡月位移预测值。
1.位移序列预测模型的训练
2003/6~2014/12一共有139个训练样本,所以将敏感因子的个数设为139,即Q={q1,q2,K,q139}。利用SVR算法对位移序列预测模型进行训练,并通过PSO算法对敏感因子Q进行寻优。在PSO算法中,粒子种群大小初始化为100,粒子的维度为139,即敏感因子的个数,当适应度函数收敛时结束模型的训练。
当敏感因子由PSO算法取得最优值时,位移序列预测模型对训练数据的拟合效果如图2,其中位移序列值是训练数据中白水河滑坡月位移值与敏感因子的比值,模型拟合值是位移序列预测模型的拟合值。从图2可知,通过将敏感因子分离出来,位移序列预测模型可以得到非常好的拟合精度。
2.敏感状态的划分
敏感因子反映了滑坡对外界影响因素的敏感程度,敏感因子值越大,滑坡对外界影响因素的响应越剧烈;敏感因子值越小,滑坡对外界影响因素的响应越微弱。利用K均值算法对敏感因子进行聚类,得到滑坡敏感状态,同时达到消除监测噪声的目的。根据聚类结果的区分度将类簇数量设置为5类,如表1所示。其中,同一类的敏感因子在同一个敏感状态的区间内,取类均值作为该敏感状态的敏感值。敏感状态和敏感因子的对应关系如图3所示。
表1敏感状态划分
Figure GDA0004094189150000131
为了验证敏感状态的划分是否有效,由敏感状态对位移序列预测模型的拟合结果进行融合,得到滑坡月位移拟合值,结果如图4所示。其中,大部分拟合结果的绝对误差在10mm以下,最大值小于30mm,整体的拟合精度较高,证明敏感状态的划分不会造成敏感因子的有效信息丢失。
3.敏感状态预测模型的训练
滑坡敏感状态的跃迁与外界影响因素及滑坡上一时刻的敏感状态有关。基于此特性,以上月降雨量、上月库水下降值、上月位移值、当月降雨量、当月库水下降值为输入,敏感状态为输出,利用训练数据对LSTM进行迭代训练,得到敏感状态预测模型。利用敏感状态预测对训练数据进行拟合,结果如表2。
表2敏感状态拟合结果
Figure GDA0004094189150000132
Figure GDA0004094189150000141
从表2可知,LSTM对滑坡敏感状态的拟合精度能达到86.3%,说明该敏感状态预测模型能比较准确地拟合滑坡敏感状态的跃迁规律。
4.滑坡位移预测结果分析
位移序列预测模型和敏感状态预测模型的预测结果如图5所示。
最后将位移序列预测值和敏感状态预测进行融合可以得到滑坡月位移的预测值,结果和误差如表3所示。
表3预测位移的结果和误差
Figure GDA0004094189150000142
--表示原始位移为0,相对误差不存在。
预测位移与真实位移的对比如图6所示。可知,预测位移值和真实位移值的贴合度非常高,证明了提出的基于敏感状态的滑坡数学预测模型是一种有效的预测模型。
为了评价滑坡数学预测模型的预测精度,引入三种评价标准:均方根误差RMSE、平均绝对误差MAE及相对误差RE,如下式所示。
Figure GDA0004094189150000151
Figure GDA0004094189150000152
Figure GDA0004094189150000153
其中,Yi为实际监测值,
Figure GDA0004094189150000154
为位移预测值。RMSE衡量预测值与实际值之间的偏差,MAE衡量整体预测误差的平均水平,RE可以表示预测结果的可信度。
表4不同算法的预测精度对比
Figure GDA0004094189150000155
为了衡量提出的滑坡数学预测模型的有效性,将其预测结果和传统的BP神经网络、SVR、LSTM三种算法的预测结果进行对比。图7给出了4种方法的位移预测结果,表4表给出了其预测误差的MAE值和RMSE值,可以看出本文提出的基于敏感状态的滑坡数学预测模型的预测误差最小,预测精度具有绝对的优势。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。

Claims (10)

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(xi,yi)包含多个外界影响因素的数值xi以及在这些外界影响因素的作用下的滑坡位移值yi,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,K,qm};其中,SVR算法采用下述线性回归函数进行拟合:
f(x)=ωTx+b
上式中,x为所述历史样本点数据中的xi组成的输入向量,
Figure FDA0004094189140000011
为输出量,y为所述历史样本点数据中的yi组成的输出向量;ω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,K,Sk};
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。
2.根据权利要求1所述的基于敏感状态的滑坡预测模型构建方法,其特征在于,xi是指月降雨量和库水下降值,yi是指月位移值。
3.根据权利要求1所述的基于敏感状态的滑坡预测模型构建方法,其特征在于,步骤S2具体包括如下步骤:
S201:基于所述历史样本点数据,根据SVR算法对f(x)进行拟合,拟合出ω和b的具体值,进而得到响应函数f(x)的具体表达形式;其中,敏感因子集合Q的初始值为预先设定;
S202:采用PSO粒子群算法对m个敏感因子进行寻优,寻优后更新敏感因子集合Q;其中,使用下述均方误差MSE作为PSO算法的适应度函数:
Figure FDA0004094189140000021
S203:判断条件MSE≤R是否成立?若是,则到步骤S204;否则,采用最新计算出来的最优敏感因子集合Q更新
Figure FDA0004094189140000022
中的Q并返回步骤S201;其中,R为预设的阈值,且R>0;
S204:停止迭代,将最后一次迭代时的敏感因子集合Q作为最优的最优敏感因子集合Q。
4.根据权利要求1所述的基于敏感状态的滑坡预测模型构建方法,其特征在于,步骤S4中的K均值聚类算法具体包括如下步骤:
从所述m个敏感因子中随机选择k个聚类中心,并分别计算每个敏感因子与k个聚类中心之间的欧式距离,以将各敏感因子划分到与其距离最近的聚类中心所代表的类中,进而根据下述公式准则函数计算平方误差E:
Figure FDA0004094189140000031
上式中,Cj表示聚类后的第j类,x表示类Cj中的数据,ui为类Cj中所有敏感因子的均值;平方误差E表示了类内数据围绕聚类中心的紧密程度,值越小则类内数据相似度较高,聚类结果越好;
利用各个类的敏感因子均值ui更新各个类的初始聚类中心,并以此迭代,直到E的值小于预设的最小化误差值;进而得到最优的k个聚类中心和对应的k个类。
5.根据权利要求1所述的基于敏感状态的滑坡预测模型构建方法,其特征在于,步骤S6中所述进行相乘融合具体是指通过下述公式进行融合:
Figure FDA0004094189140000032
其中,S预测∈S,w、b为位移序列预测模型中确定的系数,x实测为实际测量得到的界影响因素的数值。
6.一种基于敏感状态的滑坡预测模型构建系统,其特征在于,包含如下模块:
数据获取模块,用于获取目标滑坡的历史样本点数据,每个样本点(xi,yi)包含多个外界影响因素的数值xi以及在这些外界影响因素的作用下的滑坡位移值yi,样本点的个数为m,m为大于1的正整数;
PSO-SVR模块,用于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,K,qm};其中,SVR算法采用下述线性回归函数进行拟合:
f(x)=ωTx+b
上式中,x为所述历史样本点数据中的xi组成的输入向量,
Figure FDA0004094189140000041
为输出量,y为所述历史样本点数据中的yi组成的输出向量;ω和b为长度均为m的待拟合的向量,T为转置;
第一模型获取模块,用于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;
聚类处理模块,用于采用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,K,Sk};
第二模型获取模块,用于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;
位移预测模块,用于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。
7.根据权利要求6所述的基于敏感状态的滑坡预测模型构建系统,其特征在于,xi是指月降雨量和库水下降值,yi是指月位移值。
8.根据权利要求6所述的基于敏感状态的滑坡预测模型构建系统,其特征在于,PSO-SVR模块具体包括如下单元:
SVR处理单元,用于基于所述历史样本点数据,根据SVR算法对f(x)进行拟合,拟合出ω和b的具体值,进而得到响应函数f(x)的具体表达形式;其中,敏感因子集合Q的初始值为预先设定;
PSO寻优单元,用于采用PSO粒子群算法对m个敏感因子进行寻优,寻优后更新敏感因子集合Q;其中,使用下述均方误差MSE作为PSO算法的适应度函数:
Figure FDA0004094189140000051
判断处理单元,用于判断条件MSE≤R是否成立?若是,则到步骤S204;否则,采用最新计算出来的最优敏感因子集合Q更新
Figure FDA0004094189140000052
中的Q并返回步骤S201;其中,R为预设的阈值,且R>0;
迭代终止单元,用于停止迭代,将最后一次迭代时的敏感因子集合Q作为最优的最优敏感因子集合Q。
9.根据权利要求6所述的基于敏感状态的滑坡预测模型构建系统,其特征在于,聚类处理模块中的K均值聚类算法具体采用如下单元实现:
聚类计算单元,用于从所述m个敏感因子中随机选择k个聚类中心,并分别计算每个敏感因子与k个聚类中心之间的欧式距离,以将各敏感因子划分到与其距离最近的聚类中心所代表的类中,进而根据下述公式准则函数计算平方误差E:
Figure FDA0004094189140000053
上式中,Cj表示聚类后的第j类,x表示类Cj中的数据,ui为类Cj中所有敏感因子的均值;平方误差E表示了类内数据围绕聚类中心的紧密程度,值越小则类内数据相似度较高,聚类结果越好;
迭代处理单元,用于利用各个类的敏感因子均值ui更新各个类的初始聚类中心,并以此迭代,直到E的值小于预设的最小化误差值;进而得到最优的k个聚类中心和对应的k个类。
10.根据权利要求6所述的基于敏感状态的滑坡预测模型构建系统,其特征在于,位移预测模块中所述进行相乘融合具体是指通过下述公式进行融合:
Figure FDA0004094189140000061
其中,S预测∈S,w、b为位移序列预测模型中确定的系数,x实测为实际测量得到的界影响因素的数值。
CN201910613757.0A 2019-07-09 2019-07-09 一种基于敏感状态的滑坡预测模型构建方法及系统 Active CN110427654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910613757.0A CN110427654B (zh) 2019-07-09 2019-07-09 一种基于敏感状态的滑坡预测模型构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910613757.0A CN110427654B (zh) 2019-07-09 2019-07-09 一种基于敏感状态的滑坡预测模型构建方法及系统

Publications (2)

Publication Number Publication Date
CN110427654A CN110427654A (zh) 2019-11-08
CN110427654B true CN110427654B (zh) 2023-04-18

Family

ID=68409089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910613757.0A Active CN110427654B (zh) 2019-07-09 2019-07-09 一种基于敏感状态的滑坡预测模型构建方法及系统

Country Status (1)

Country Link
CN (1) CN110427654B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027686B (zh) * 2019-12-26 2023-06-16 杭州鲁尔物联科技有限公司 一种滑坡位移的预测方法、装置及设备
CN111239014B (zh) * 2020-01-09 2022-10-21 河北工业大学 一种空气中pm2.5的检测方法、装置、设备及介质
CN112819207B (zh) * 2021-01-19 2024-02-06 武汉中地云申科技有限公司 基于相似性度量的地质灾害空间预测方法、系统及存储介质
CN112945162B (zh) * 2021-01-26 2022-05-31 山西大学 一种堆积层滑坡位移预测模型及预测方法
CN113033879B (zh) * 2021-03-05 2023-07-07 西北大学 基于直觉模糊密母pso-lstm的滑坡位移预测方法
CN113138201B (zh) * 2021-03-24 2022-05-20 北京大学 用于无线被动式环境状态检测的超材料物联网系统及方法
CN114299692A (zh) * 2021-12-29 2022-04-08 中国电建集团贵阳勘测设计研究院有限公司 一种基于信息融合的滑坡位移监测预警系统及方法
CN115270515B (zh) * 2022-08-31 2023-07-07 中国长江三峡集团有限公司 基于边界面模型的土体状态数据预测方法、装置和设备
CN115935640B (zh) * 2022-12-02 2024-01-05 国家基础地理信息中心 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法
CN116861286B (zh) * 2023-06-21 2024-01-30 四川省人工智能研究院(宜宾) 一种基于模糊计算的多模态滑坡位移智能预测方法
CN116754002B (zh) * 2023-08-16 2023-11-14 深蓝(天津)智能制造有限责任公司 一种旋转变压器的测量误差拟合方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908835A (zh) * 2017-10-27 2018-04-13 中国地质大学(武汉) 一种多影响因素下滑坡动态响应情况分析的方法
CN108332696A (zh) * 2018-01-27 2018-07-27 中国地质科学院探矿工艺研究所 滑坡监测方法选择方法
CN109711051A (zh) * 2018-12-26 2019-05-03 中国地质大学(武汉) 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908835A (zh) * 2017-10-27 2018-04-13 中国地质大学(武汉) 一种多影响因素下滑坡动态响应情况分析的方法
CN108332696A (zh) * 2018-01-27 2018-07-27 中国地质科学院探矿工艺研究所 滑坡监测方法选择方法
CN109711051A (zh) * 2018-12-26 2019-05-03 中国地质大学(武汉) 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Modification of landslide susceptibility mapping using optimized pso-ann technique;Hossein Moayedi等;《Engineering with Computer》;20180921;第35卷;967-984 *
基于多算法参数优化与SVR模型的白水河滑坡位移;苗发盛等;《工程地质学报》;20160630;第24卷(第6期);1136-1144 *
基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究;张俊等;《岩石力学与工程学报》;20150228;第34卷(第2期);382-391 *

Also Published As

Publication number Publication date
CN110427654A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110427654B (zh) 一种基于敏感状态的滑坡预测模型构建方法及系统
Pathiraja et al. Data‐driven model uncertainty estimation in hydrologic data assimilation
Singh et al. PI-LSTM: Physics-infused long short-term memory network
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN114297036A (zh) 数据处理方法、装置、电子设备及可读存储介质
CN115051929B (zh) 基于自监督目标感知神经网络的网络故障预测方法及装置
CN112163106B (zh) 二阶相似感知的图像哈希码提取模型建立方法及其应用
Cheng et al. Efficient deep data assimilation with sparse observations and time-varying sensors
CN110321493A (zh) 一种社交网络的异常检测与优化方法、系统及计算机设备
CN113642255A (zh) 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN116681945A (zh) 一种基于强化学习的小样本类增量识别方法
CN109034238A (zh) 一种基于信息熵的聚类划分方法
CN111563203A (zh) 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法
CN117494573B (zh) 一种风速预测方法、系统及电子设备
CN117271979A (zh) 一种基于深度学习的赤道印度洋表层海流流速预测方法
CN113035363B (zh) 一种概率密度加权的遗传代谢病筛查数据混合采样方法
CN116110630A (zh) Dcs系统中反应堆堆芯热功率测量方法与装置
CN111626472B (zh) 一种基于深度混合云模型的场景趋势判断指标计算系统及方法
CN115359197A (zh) 一种基于空间自相关神经网络的地质曲面重构方法
CN116303839B (zh) 用于地球空间数据的索引计算方法
CN118378178B (zh) 基于残差图卷积神经网络的变压器故障识别方法及系统
CN112926758A (zh) 短期风速预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant