The dynamic prediction method of landslide displacement based on the LSTM disclosed in the invention, firstly, the online monitoring system of landslide displacement is constructed, and the complete displacement data in a cycle is obtained through real-time monitoring, and the collected displacement data is eliminated by 3 \u03b4 algorithm, and normalized; then, the landslide displacement prediction model of LSTM is established and trained; finally, the The normalized data is input to the landslide displacement prediction model as the input of the model, and the input data is processed by the prediction model to realize the prediction of the landslide displacement in the future. The dynamic prediction method of landslide displacement based on LSTM disclosed in the invention solves the gradient explosion and gradient disappearance phenomenon that may occur during the training of RNN network model, so as to further improve the prediction accuracy of landslide displacement of the training model.
【技术实现步骤摘要】
基于LSTM的滑坡位移动态预测方法
本专利技术属于地质灾害监测预报
,具体涉及一种基于长短期记忆网络(LongShortTermMemoryNetwork,LSTM)的滑坡位移动态预测方法。
技术介绍
滑坡灾害作为中国常见的地质灾害,因其具有广泛分布、频繁发生、运动快速的特点,每年因滑坡造成的经济损失可达10亿美元。不仅如此,滑坡所带来的次生灾害也是不可估量的。因此,采取必要的手段对其监测,进而科学、有效地对滑坡灾害进行预测预报,具有重大的经济价值及社会意义。在以往的滑坡位移预测研究中主要使用RBF(RadialBasisFunction)、BP(BackPropagation)、k-means等智能算法,然而这些算法从实际应用的情况来看还存在如下问题:RBF神经网络具有较强的聚类能力,在处理复杂事物和大量数据方面能力较强,但其是一个静态网络,不能用于滑坡动态预测;BP神经网络可以解决非线性问题,但其在训练过程中易陷入局部极小,收敛速度慢,对训练样本具有依赖性;k-means需要预先确定聚类数目K,难以适应大规模数据,后期容易陷入局部最优、聚类停滞等问题。RNN(RecurrentNeuralNetwork,RNN)主要用于时序数据的处理和预测,是一种典型的动态神经网络。其具有以下优势:(1)适用于时序数据的处理,具有记忆功能,使得前一时刻的状态能够对后一时刻的状态造成影响,实现网络状态的反馈;(2)RNN本身特有的结构使其预测精度更加准确。RNN的提出是为了描述一个序列当前的输出与之前状态信息 ...
【技术保护点】
1.基于LSTM的滑坡位移动态预测方法,其特征在于,具体操作过程包括如下步骤:/n步骤1,构建滑坡位移在线监测系统,并进行实时监测得到一个周期内完整的位移数据,通过3δ算法对采集的位移数据做异常值剔除处理,并进行归一化;/n步骤2,建立LSTM的滑坡位移预测模型,并进行训练;/n步骤3,将步骤1得到的归一化后的数据作为模型的输入量,输入到步骤2建立的滑坡位移预测模型中,由预测模型对输入数据进行处理,实现对未来时期滑坡位移的预测。/n
【技术特征摘要】 【专利技术属性】
1.基于LSTM的滑坡位移动态预测方法,其特征在于,具体操作过程包括如下步骤:
步骤1,构建滑坡位移在线监测系统,并进行实时监测得到一个周期内完整的位移数据,通过3δ算法对采集的位移数据做异常值剔除处理,并进行归一化;
步骤2,建立LSTM的滑坡位移预测模型,并进行训练;
步骤3,将步骤1得到的归一化后的数据作为模型的输入量,输入到步骤2建立的滑坡位移预测模型中,由预测模型对输入数据进行处理,实现对未来时期滑坡位移的预测。
2.如权利要求1所述的基于LSTM的滑坡位移动态预测方法,其特征在于,所述步骤1中建立的滑坡位移在线监测系统包括:位于滑坡现场的数据采集模块、主控模块和上位机,所述数据采集模块与所述主控模块信号连接,所述主控模块通过无线传输模块与所述上位机连接,所述上位机用于LSTM滑坡位移预测模型的训练,实现对滑坡位移的预测。
3.如权利要求2所述的基于LSTM的滑坡位移动态预测方法,其特征在于,所述数据采集模块包括分布式安装在滑坡上的至少一个位移传感器,用于实时采集滑坡位移。
4.如权利要求2所述的基于LSTM的滑坡位移动态预测方法,其特征在于,所述主控模块包括电源模块、时钟电路、复位电路和存储模块;所述主控模块采用STM32F103RCT6芯片,用于对数据进行处理;所述电源模块为所述主控模块供电;所述时钟电路为整个系统提供特定运行频率;所述复位电路用于异常情况下恢复处理;所述存储模块用于存储采集的滑坡位移数据。
5.如权利要求2所述的基于LSTM的滑坡位移动态预测方法,其特征在于,所述无线传输模块采用ESP8266芯片,通过配置网关端口,服务器等实现远程传输数据。
6.如权利要求1所述的基于LSTM的滑坡位移动态预测方法,其特征在于,所述步骤1中3δ算法异常值处理的具体过程如下:
假设对监测点进行了n次监测,所得的第i次监测值为Mi(i=1,2,…,n),连续3次监测的测量值分别为Mi–1,Mi,Mi+1(i=2,3,…,n–1),则第i次监测的跳动特征定义如式(1)所示:
hi=|2×Mi-(Mi-1+Mi+1)|(1)
跳动特征值均值如式(2)所示:
跳动特征值均方差如式(3)所示:
则相对差值如式(4)所示:
如果Qi>3,则该监测值是异常值,则将该数据剔除。
技术研发人员:温宗周,郭伏,李丽敏,陈鹏年,陈曙东,张顺锋,刘德阳,
申请(专利权)人:西安工程大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。