一种基于多影响因子的滑坡位移动态预测方法.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CN112270400A(43)申请公布日2021.01.26(21)申请号202011112480.2(22)申请日2020.10.16(71)申请人西安工程大学地址710048陕西省西安市碑林区金花南路19号(72)发明人李丽敏张明岳温宗周郭伏张俊何洋魏雄伟(74)专利代理机构西安弘理专利事务所61214代理人燕肇琪(51)Int.Cl.G06N3/04(2006.01)G06K9/62(2006.01)G06F30/20(2020.01)权利要求书2页说明书8页附图5页(54)发明名称一种基于多影响因子的滑坡位移动态预测方法(57)摘要本发明公开了一种基于多影响因子的滑坡位移动态预测方法，具体按照以下步骤实施：步骤1、根据时间序列加法模型将滑坡累计变形位移时间曲线分解；步骤2、采用移动平均法从滑坡累计变形位移时间曲线分解中提取趋势项位移；步骤3、采用3次多项式对趋势项位移进行预测；步骤4、采用灰色关联度筛从预测趋势项位移中选出主要影响因子并将其作为深度学习LSTM神经网络模型初始输入矢量，预测滑坡周期项位移；步骤5、根据时间序列分解原理，将各位移子序列预测值叠加，得到位移的最终预测值，完成滑坡位移动态预测，解决了现有技术中存在的对于久远时刻的信息无法保留的问题。CN112270400ACN112270400A权利要求书1/2页1.一种基于多影响因子的滑坡位移动态预测方法，其特征在于，具体按照以下步骤实施：步骤1、根据时间序列加法模型将滑坡累计变形位移时间曲线分解；步骤2、采用移动平均法从滑坡累计变形位移时间曲线分解中提取趋势项位移；步骤3、采用3次多项式对趋势项位移进行预测；步骤4、采用灰色关联度筛从预测趋势项位移中选出主要影响因子并将其作为深度学习LSTM神经网络模型初始输入矢量，预测滑坡周期项位移；步骤5、根据时间序列分解原理，将各位移子序列预测值叠加，得到位移的最终预测值，完成滑坡位移动态预测。2.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤1具体按照以下实施：根据时间序列加法模型将滑坡累计变形位移时间曲线分解为：St＝ωt+ψt(1)。3.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤2中移动平均法按照以下实施：Ft＝(At-1+At-2+At-3+...+At-n)/n(2)其中，Ft为对下一期的预测值，n为移动平均的时期个数，At-1为前期实际值，At-2、At-3与At-n为前两期、前三期直至前n期的实际值。4.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤3中采用3次多项式对趋势项位移进行预测按照以下实施：32y＝d1t+d2t+d3t+d4(3)其中d1、d2、d3、d4、为多项式系数，采用最小二乘确定多项式各系数后并进行训练，将前一期次的位移预测值加入训练样本重新拟合，并预测当前期次位移。5.根据权利要求1所述的一种基于多影响因子的滑坡位移动态预测方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、采用灰色关联度筛选出主要影响因子；具体步骤如下：TStep1：构建[m,n]维矩阵Xi'＝(xi'(1),xi'(2),...,xi'(m)),i＝1,2,...,n,n为因子类型个数，m为期数；Step2：确定参考序列X0'＝(x0'(1),x0'(2),...,x0'(m))，其中x0'(m)为输入期数波动项位移量；Step3：采用均值法对各影响因子数据及参考序列进行无量纲化，如公式(4)所示：Step4：逐个计算每个影响因子对象与参考序列对应元素的绝对差值|x0(k)-xi(k)|，(k＝1,...,m，i＝1,...,n)；Step5：计算关联系数ζi(k)及关联度ri；2CN112270400A权利要求书2/2页公式(5)，(6)中k＝1,...,m，其中ρ为分辨系数；步骤4.2、采用深度学习LSTM神经网络模型预测滑坡周期项位移。3CN112270400A说明书1/8页一种基于多影响因子的滑坡位移动态预测方法技术领域[0001]本发明属于滑坡位移预测技术领域，涉及一种基于多影响因子的滑坡位移动态预测方法。背景技术[0002]滑坡灾害严重威胁国家和人民的安全，因此滑坡预测预警显得尤为重要。位移作为滑坡灾害的一个宏观表征，长期以来被国内外学者作为滑坡预测预报的热点。目前对位移预测的方法主要有：1)将研究区观测点累计变形位移分解为受内在因素影响的趋势性位移与受外界因素影响的周期性位移或波动性位移，并分别对其进行建模预测，最终将以上两项预测值相加得到累计位移预测值。该方法考虑了滑坡体变形的演化机制，但没有切实考虑