基于多因素模糊时间序列的高陡边坡形变趋势预测的方法技术

本发明专利技术涉及一种基于多因素模糊时间序列的高陡边坡形变趋势预测的方法，包括以下步骤：采用二型模糊时间序列算法，确定影响边坡形变的主要因素和各次要因素；利用整体分布优化算法使得模糊时间序列的论域划分更加合理；提高了边坡动态变形预测精度，提升了对小样本和波动数据预测的准确性，可以预测未来一定时期内边坡的数据变化。期内边坡的数据变化。期内边坡的数据变化。

【技术实现步骤摘要】
基于多因素模糊时间序列的高陡边坡形变趋势预测的方法


[0001]本专利技术属于露天矿山坡体形变监测
，具体涉及一种基于多因素模糊时间序列的高陡边坡形变趋势预测的方法。

技术介绍

[0002]随着我国经济的快速发展，露天矿的开采范围和开采深度在不断的增加，从而形成了众多大型的高陡边坡。一方面，高陡边坡极大地改变了局部区域的应力条件，进而影响露天矿周边的建构筑物；另一方面，高陡边坡形变一旦超出了限度，很容易发生滑坡等事故，对矿区安全生产和人民生命安全带来了很大的威胁。
[0003]传统的矿山边坡形变数据主要是通过多期形变监测获得，采用的方法主要是水准沉降监测和经纬仪或全站仪平面监测。随着变形监测仪器如GPS、INSAR等新技术及相关理论的不断完善，出现了实时动态变形监测技术。目前常用的变形预测理论和方法主要包括时间序列分析、回归分析、灰色理论、神经网络模型以及一型模糊时间预测模型。其中，时间序列分析突出时间序列且暂不考虑外界因素的影响，但是由于矿山环境复杂多变且不确定因素很多，因而时间序列分析往往存在较大偏差。由于矿山边坡条件复杂多变且因子众多，回归分析的建模精度会因为建模因子选取不合理而存在较大偏差。由于矿山边坡原始监测数据来源复杂，则对原始监测数据要求严格的灰色预测模型会存在较低的预测精度。BP神经网络模型预测结果与初值选取有关，而在复杂的矿山边坡环境下很难确定最合理的初值。一型模糊时间预测模型可以提高预测精度，但是只考虑了变量自身的变化，即只能分别预测多个变量。然而在实际问题中，变量的发展不仅与自身有关，也与环境变量影响因素等有关，所以一型模糊时间预测模型的预测效果往往不是十分理想。如何对矿山坡体动态形变数据进行处理分析，利用最准确的预测模型预测出坡体变形，防患于未然，是矿山坡体形变监测的最终目的。

技术实现思路

[0004]为了解决现有技术存在的问题，本专利技术的目的在于提供一种基于多因素模糊时间序列的高陡边坡形变趋势预测的方法，利用整体分布优化算法优化论域划分，具有预测精度高的优点。
[0005]本专利技术的目的是通过下述技术方案实现的：
[0006]本专利技术的一种基于多因素模糊时间序列的高陡边坡形变趋势预测的方法，其特征在于，包括以下步骤：
[0007]S1、选择一种模糊时间序列模型作为基准；
[0008]S2、确定影响边坡形变的主要因素和各次要因素，根据历史数据即训练数据，确定主要因素观测量和各次要因素观测量，并计算主要因素相邻历史数据之间的变化率以及各次要因素相邻历史数据之间的变化率；
[0009]S3、定义论域，利用整体分布优化算法去优化论域的区间划分；
[0010]S4、定义模糊集，并模糊化历史数据；建立主要因素观测量和各次要因素观测量的模糊逻辑关系矩阵，并建立模糊逻辑关系组；
[0011]S5、计算主要因素观测量与各次要因素观测量的一阶至最高阶模糊逻辑关系在相应的模糊关系组中出现的频次，建立模糊关系频次向量；
[0012]S6、计算t时刻各因素的模糊逻辑频次向量之间的相关系数，根据相关系数计算t时刻各因素的频次向量所对应的权重；
[0013]S7、解模糊化，计算t时刻主要因素的最终预测结果，计算最终的预测序列，对解模糊值进行自适应调整。
[0014]在步骤S1中，选择以Chen提出的经典模糊时间序列模型作为基础模型。
[0015]在步骤S2中，选取天顶距作为主要因素，选取斜距和天顶距作为次要因素，根据历史数据确定主要因素观测量和各次要因素观测量，并进行一阶差分，建立训练集。
[0016]在步骤S3中，根据各因素观测量历史数据的变化范围，确定各因素的论域U，然后，利用整体分布优化算法进行模糊区间划分及其优化，获取最佳的模糊区间划分方式，历史数据按照划分结果进行模糊化，进而产生相应的模糊规则，最后进行预测得到相应的预测精度。
[0017]在步骤S4中，包括以下子步骤：
[0018]S4.1、定义模糊集，将历史数据模糊化
[0019]定义由主要因素观测量的数据序列得到的模糊集为A1,A2,...,A
14
，定义次要因素观测量的数据序列得到的模糊集分别为B1,B2,...,B
14
和C1,C2,...,C
14
；
[0020]S4.2、建立主要因素观测量和各次要因素观测量的模糊逻辑关系矩阵，并建立模糊逻辑关系组
[0021]模糊化各因素相邻历史数据之间的变化率，由历史数据建立一定时间间隔内的模糊逻辑值之间的联系，以形成从一阶直到最高阶的全部模糊逻辑关系，并将拥有相同LHS(相同左操作数)关系的模糊逻辑关系归并至一组，得到各因素的模糊逻辑关系组；对历史数据进行模糊化时，将数据序列所对应的隶属度最大的模糊集作为对于该数据点的模糊描述。
[0022]在步骤S5中，根据各因素的模糊逻辑关系组，计算主要因素观测量和各次要因素观测量的一阶至最高阶模糊逻辑关系在相应的模糊关系组中出现的频次，建立各因素的模糊关系频次向量。
[0023]在步骤S6中，包括以下子步骤：
[0024]S6.1、根据各因素的模糊关系频次向量，计算t时刻各因素的模糊逻辑频次向量之间的相关系数；
[0025]S6.2、根据相关系数计算t时刻各因素的模糊关系频次向量所对应的权重；
[0026]在步骤S7中，包括以下子步骤：
[0027]S7.1计算t时刻主要因素的最终预测结果
[0028]求解权重后，根据模糊逻辑变量FVar
F
(t)的最终预测结果，计算t时刻主要因素的最终预测值；
[0029]S7.2、计算最终预测序列；
[0030]S7.3、对解模糊值进行自适应调整。
[0031]与现有技术相比，本专利技术的优点是：
[0032]本专利技术提供的一种基于多因素模糊时间序列的高陡边坡形变趋势预测的方法，采用了二型模糊时间序列算法，其建模过程与一型经典模糊时间序列建模相似，主要区别在于多元信息处理上，例如本文预测方位角、天顶距、斜距等边坡形变要素，经典一元模糊模糊时间序列只能在数据本身进行预测，而多元模糊时间序列可以使数据三者联合预测，以其中一个变量为一型观测量，其他两个变量作为二型观测量辅助预测，较大程度的提高了模型的预测精度。
[0033]采用了整体分布优化算法优化后，使得模糊时间序列的论域划分更加合理。模糊时间序列算法的核心之一是模糊化过程，不同的论域区间划分会定义不同的语意值，产生不同的模糊集，合理的模糊集确一直是模糊时间序列的重点。传统的模糊时间序列是均值划分论域，其特点是结构简单，但是精度不够，对数据处理具有片面性，预测效果不理想。
[0034]提高了边坡动态变形预测精度，提升了对小样本和和波动数据预测的准确性，可以预测未来一定时期内边坡的数据变化。
附图说明
[0035]图1为本专利技术的多因素模糊时间序列流程图；
[0036]图2为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多因素模糊时间序列的高陡边坡形变趋势预测的方法，其特征在于，包括以下步骤：S1、选择一种模糊时间序列模型作为基准；S2、确定影响边坡形变的主要因素和各次要因素，根据历史数据即训练数据，确定主要因素观测量和各次要因素观测量，并计算主要因素相邻历史数据之间的变化率以及各次要因素相邻历史数据之间的变化率；S3、定义论域，利用整体分布优化算法去优化论域的区间划分；S4、定义模糊集，并模糊化历史数据(训练数据)；建立主要因素观测量和各次要因素观测量的模糊逻辑关系矩阵，并建立模糊逻辑关系组；S5、计算主要因素观测量与各次要因素观测量的一阶至最高阶模糊逻辑关系在相应的模糊关系组中出现的频次，建立模糊关系频次向量；S6、计算t时刻各因素的模糊逻辑频次向量之间的相关系数，根据相关系数计算t时刻各因素的频次向量所对应的权重；S7、解模糊化，计算t时刻主要因素的最终预测结果，计算最终的预测序列，对解模糊值进行自适应调整。2.根据权利要求1所述的方法，其特征在于，在步骤S2中，选取天顶距作为主要因素，选取斜距和天顶距作为次要因素，根据历史数据确定主要因素观测量和各次要因素观测量，并进行一阶差分，建立训练集。3.根据权利要求1所述的方法，其特征在于，在步骤S3中，根据各因素观测量历史数据的变化范围，确定各因素的论域U，然后，利用整体分布优化算法进行模糊区间划分及其优化，获取最佳的模糊区间划分方式，历史数据按照划分结果进行模糊化，进而产生相应的模糊规则，最后进行预测得到相应的预测精度。4.根据权利要求1所述的方法，其特征在于，在步骤S4中，包括以下子步骤：S4...

【专利技术属性】
技术研发人员：解治宇，徐连生，肖冬，毛亚纯，金长宇，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：