基于LSTM的滑坡位移动态预测方法技术

本发明专利技术公开的基于LSTM的滑坡位移动态预测方法，首先，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；然后，建立LSTM的滑坡位移预测模型，并进行训练；最后，将得到的归一化后的数据作为模型的输入量，输入到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。本发明专利技术公开的基于LSTM的滑坡位移动态预测方法，解决了RNN网络模型在训练时可能出现的梯度爆炸和梯度消失现象，从而更进一步提高训练模型的滑坡位移预测精度。

Dynamic prediction method of landslide displacement based on LSTM

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的关系。RNN包括以下3个特性：a)RNN能够在每个时间节点产生一个输出，且隐藏层单元间的连接是循环的；b)RNN能够在每个时间节点产生一个输出，且该时间节点上的输出仅与下一时间节点的隐单元有循环连接；c)RNN包含带有循环连接的隐单元，且能够处理序列数据并输出单一的预测。即RNN会记忆之前的信息，并利用之前的信息作用于后面结点的输出。即RNN的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出，但RNN在训练过程中由于依赖长时序数据从而会产生梯度膨胀或梯度消失的现象，导致预测存在偏差，对滑坡灾害定性分析产生严重后果。LSTM是一种特定形式的RNN，它的提出是为了解决RNN在处理长期依赖时产生的梯度膨胀或梯度消失的现象，其在其它领域也取得了惊人的成就。LSTM相较于原始RNN隐藏层的一个状态h，LSTM增添了一个状态c并引入了“门”。在一个cell单元中引入3个门—输入门(计算某一时刻网络的输入xt保存到单元状态ct的程度)；输出门(单元状态ct有多少输出到LSTM的当前输出值ht)；遗忘门(判断上一时刻的单元状态ct-1保留到当前单元状态ct的程度)；导致自循环的权重是变化的，因此在模型参数固定的情况下，不同时刻的积分尺度是动态改变的，从而避免了梯度消失或者梯度膨胀的问题，较大程度提高了RNN处理长期序列数据的能力，使预测精度更进一步提高。
技术实现思路
本专利技术的目的是提供一种基于LSTM的滑坡位移动态预测方法，解决了现有RNN网络模型在训练时可能出现的梯度爆炸和梯度消失现象，从而更进一步提高训练模型的滑坡位移预测精度。本专利技术所采用的技术方案是，基于LSTM的滑坡位移动态预测方法，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。本专利技术的其他特点还在于，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，数据采集模块与主控模块信号连接，主控模块通过无线传输模块与上位机连接，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。优选的，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。优选的，主控模块包括电源模块、时钟电路、复位电路和存储模块；主控模块采用STM32F103RCT6芯片，用于对数据进行处理；电源模块为主控模块供电；时钟电路为整个系统提供特定运行频率；复位电路用于异常情况下恢复处理；存储模块用于存储采集的滑坡位移数据。优选的，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。优选的，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。优选的，骤1中进行归一化的具体过程如下：首先找到做异常值剔除处理后的样本数据Y的最小值Min及最大值Max；然后，按照式(5)计算系数：则得到归一化到[a,b]区间的数据如式(6)所示：norY＝a+k*(Y-Min)(6)优选的，步骤2中建立LSTM的滑坡位移预测模型并进行训练的具体过程如下：步骤2.1，构建神经网络层，LSTM滑坡位移预测模型分为三层，即输入层、隐藏层、输出层；采用网格搜索法进行参数寻优，求出最佳隐藏层节点数：给定n个输入层、隐藏层节点数据对(j，k)，将数据集分为训练集和测试集，训练集用来训练模型，测试集用来进行交叉验证实现精确度最高的求平均返回，找出与之对应的最大参数组合；步骤2.2，训练LSTM的滑坡位移预测模型：构建遗忘门ft如式(7)所示：ft＝σ(Wf·[ht-1,xt]+bf)(7)构建输入门it如式(8)所示：it＝σ(Wi·[ht-1,xt]+bi)(8)构建当前输入的单元状态如式(9)所示：计算当前时刻的单元状态ct如式(10)计算输出门ot如式(11)所示：ot＝σ(WO·[ht-1,xt]+bo)(11)计算最终输出ht如式(12)所示：上式中，ft、it、ct、ot、ht分别代表遗忘门、输入门、当前输入单元状态、当前时刻单元状态、输出、最终输出；其中，Wf是遗忘门的权重矩阵，[ht-1,xt]表示把两个向量连接成一个更长的向量，bf为遗忘门的偏置项；σ为sigmoid函数，Wi为输入门的权重矩阵，Wc为当前输入单元状态的权重矩阵，bi为输入门的偏置项；符号°表示按元素乘，Wo为输出本文档来自技高网...

【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】
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。

【专利技术属性】
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