一种基于机器学习的滑坡位移高精度预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112926251A(43)申请公布日2021.06.08(21)申请号202110133359.6G06F111/08(2020.01)(22)申请日2021.02.01G06F119/12(2020.01)(71)申请人长安大学地址710064陕西省西安市南二环中段长安大学本部北院(72)发明人瞿伟程浩祥陈海禄高源梁世川张勤(74)专利代理机构北京科亿知识产权代理事务所(普通合伙)11350代理人汤东凤(51)Int.Cl.G06F30/25(2020.01)G06F30/27(2020.01)G06N3/00(2006.01)G06N20/10(2019.01)权利要求书3页说明书10页附图2页(54)发明名称一种基于机器学习的滑坡位移高精度预测方法(57)摘要本发明公开了一种基于机器学习的滑坡位移高精度预测方法，针对传统乌鸦算法迭代效率差、过度拟合导致泛化精度低的问题进行了两点改进：1、乌鸦在没有领导者情况下，用乌鸦个体执行莱维飞行来取代随机搜索方式，有效地降低了乌鸦个体搜索的盲目性；2、为有效避免算法中存在的过拟合现象，针对支持向量机模型中的参数寻优问题，改变传统搜索算法中选取最优适应度值的方法，将常规支持向量机优化算法中以选取最小适应度值为原则修改为选取最优适应度值区间所对应的支持向量机最小参数值，通过基于改进的乌鸦搜索算法再对支持向量机参数进行优化。本发明方法有效改进高维滑坡位移数据搜索时的收敛效率，提高了支持向量机的回归精度和泛化能力。CN112926251ACN112926251A权利要求书1/3页1.一种基于机器学习的滑坡位移高精度预测方法，其特征在于，包括如下步骤：【1】基于观测得到的滑坡体上监测点的位移序列Xt，利用移动平均法求得位移序列趋势项St，进而依据时间序列加法模型提取位移序列周期项Vt；【2】采用基于改进的乌鸦算法优化支持向量机参数的智能组合模型对步骤【1】中的位移序列周期项Vt进行预测：【2.1】建立基于改进乌鸦算法ICSA的支持向量机模型，并对改进乌鸦算法的参数进行初始化，包括种群数N，迭代次数itermax，飞行长度fl和感知概率AP；【2.2】确定预测步长L，将步骤【1】中提取的位移序列周期项Vt划分为训练集traindata和测试集testdata；将最大降雨、最小降雨、平均气温、温差和灌溉因子五类外部影响因子进行归一化处理，作为支持向量机模型训练的输入向量。【2.3】引入莱维飞行因子L(β)和参数区间选取准则，通过改进乌鸦算法迭代确定支持向量机模型最优参数，通过最优组合模型对序列周期项进行预测，具体步骤为：【2.3.1】初始化乌鸦位置和记忆：对支持向量机模型中待优化参数惩罚因子C和核函数参数g进行参数优化；【2.3.2】通过迭代记录每一次乌鸦位置(C，g)并计算适应度值；【2.3.3】判断改进乌鸦算法迭代值是否达到最大迭代次数：若小于最大迭代次数重复步骤【2.3.1】～【2.3.2】；若达到最大迭代次数，得到参数优化后的支持向量机模型，并用测试集来测试优化后的支持向量机模型的预测性能。【3】采用多项式对步骤【1】中的位移序列趋势项St进行预测：采用最小二乘多项式拟合模型对位移序列趋势项St进行拟合，确定拟合最优次数和拟合参数，对位移序列趋势项St进行预报；【4】根据时间序列加法模型，将位移序列周期项Vt和位移序列趋势项St预测结果相加，得到总位移序列Xt的预测值，通过与测试集计算比较，评价模型预测精度。2.根据权利要求1所述的基于机器学习的滑坡位移高精度预测方法，其特征在于：步骤【1】中所述的时间序列加法模型方程为：Xt＝St+Vt其中，Xt为位移序列总位移；St为通过移动平均法求得位移序列趋势项；Vt为依据时间加法模型提取位移序列周期项Vt。所述的位移序列趋势项St的获得方法为：根据位移总位移序列Xt，利用移动平均法计算获得位移序列趋势项St，扣除所述的位移序列趋势项St，获得位移序列周期项Vt；其中移动平均法公式如下：式中Xt为位移序列总位移，St为所求的位移序列趋势项，n为移动平均步长，n＝4。3.根据权利要求1所述的基于机器学习的滑坡位移高精度预测方法，其特征在于：步骤【2.1】中对改进乌鸦算法的参数进行初始化公式为：其中，WT为估计函数的自变系数；为特定映射函数，将样本数据反映到更高维度的特征空间；b为估计函数的偏置量；其中WT和b通过求取最优分类面函数的最小化值来获取：2CN112926251A权利要求书2/3页式中D(f)为最优分类面函数，D(f)取到的最小化值表示分类的最大间隔和错分样本最2少；||W||为训练样本复杂度；C为模型惩罚因子；Rε为ε控制误差函数；yj为位移序列周期项Vt对应