一种基于机器学习的滑坡位移高精度预测方法技术

本发明专利技术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。本发明专利技术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。度和泛化能力。度和泛化能力。

【技术实现步骤摘要】
一种基于机器学习的滑坡位移高精度预测方法


[0001]本专利技术属于滑坡位移高精度预测领域，涉及到一种基于机器学习的滑坡位移高精度预测技术，它以人工智能算法(AI)、机器学习、滑坡位移预测等领域为实际应用背景，可用于在多因子共同影响的复杂环境中滑坡体位移趋势和大小的高精度预测应用方向。

技术介绍

[0002]滑坡灾害是由滑坡体内部地质构造和外部影响因素共同作用，导致滑坡体的下滑和崩塌，其发展演化是一个较复杂的非线性动力学系统。滑坡系统既受其内部地层分布特征、岩性等非线性因素的作用，又会受到外部降雨、问题及灌溉等随机因素的影响，导致很难对滑坡体未来一段时间内的位移变化进行准确的预测。因此，需通过深入分析滑坡运动内部和外部因素的基础上，结合机器学习算法的优势构建出合理的滑坡位移预测模型，对滑坡体的运动趋势和大小进行准确预报。
[0003]常见的滑坡位移线性预测拟合模型有灰色模型、卡尔曼滤波模型、灰色位移矢量角模型等。此类模型建立在大量的实验数据和频繁的实地考察上，耗时耗力，预测结果虽具有一定的物理基础，但应用条件却十分严苛且仅拟合单因素最有效，但实际情况中滑坡会受到多种外在因素的影响(如降雨、温度和灌溉因子等)，针对此类情况上述模型则不易解决。因此，一些机器学习非线性拟合模型，例如BP神经网络模型、粒子群算法、遗传算法、乌鸦算法、支持向量机模型等模型相继出现。
[0004]常用的参数优化算法包括粒子群算法和遗传算法，其中粒子群算法(PSO)主要用于优化全局问题。在优化问题中，所有的解分别被指定的粒子所代替，首先定义一个适应值函数，对每个粒子的适用性进行评判，其次每个粒子根据所有粒子的“飞行经验”群游，从而得到最适解。每个粒子在寻优过程中同时考虑自身最优和全局最优，其速度和位置随着迭代过程的进行而不断更新。遗传算法(GA)是模拟生物进化过程的一类优化算法，具有很强鲁棒性。全局搜索和隐含并行是遗传算法的两个主要特征。其原理是将所有的解都统一编码，使得解空间转变为类似生物体的染色体空间，然后定义其适应度，使较优解的适应度也较高。再对种群施加遗传算子，如变异、交叉、选择等，确定最优参数的方向，使得种群向其不断进化发展。
[0005]本专利技术涉及到的乌鸦算法是在2016年由Askarzadeh发表的《A novel metaheuristic method for solving constrained engineeringoptimization problems:Crow search algorithm》论文(ISSN 0045
‑
7949)提出的一种新型群智能算法。乌鸦具有较好的记忆力，当有其它生物入侵就可以通知其它的乌鸦逃跑；另外，还可以观察并记住其它鸟类藏食地点，等主人离去再偷取食物，并且其它鸦群也会跟随领导者寻找食物。基于以上分析，乌鸦搜索算法(CSA)有如下理想化原则:
[0006](1)乌鸦以群居形式生活。
[0007](2)乌鸦能够记住其隐藏食物的位置。
[0008](3)乌鸦会跟随领导者一起去偷取食物。
[0009](4)乌鸦以概率保护自己的隐藏食物。
[0010]CSA在求解优化问题时可以研究表述如下:
[0011]生成乌鸦种群向量
[0012]其中，N是乌鸦种群的数量；i代表第i只乌鸦；iter是当前迭代次数；iter
max
是最大迭代次数；d是求解问题的维数，即优化参数的个数；m
i，iter
称为乌鸦i在迭代iter中的记忆位置，本质是第i只乌鸦的最优位置。CSA更新公式具体如下:
[0013][0014]其中，r
i
和r
j
均是服从[0，1]均匀分布的随机数；AP
j，iter
代表转换概率，这里可取0.1；fl
i，iter
是第i只乌鸦在iter次循环时的飞行距离，这里可取固定值2。
[0015]在基本CSA算法中，当乌鸦缺少领导者(r
j
≤AP
j，iter
)的情况下，由于个体位置都是随机给出，自身的寻优具有很大的盲目性，导致算法寻优的过程中陷入局部最优状态。基于此，本专利技术即将r
j
≤AP
j，iter
的情况引入莱维飞行因子，提出一种基于莱维飞行因子的改进乌鸦搜索算法(ICSA)，这一改进有效地降低了乌鸦个体搜索的盲目性，避免算法中存在的过拟合现象，有效提升了算法的寻优能力，进而提高了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(ICSA
‑
SVM)的预测精度。
[0016]该类模型可有效地对滑坡多维因子进行分析，从而分析滑坡复杂性运动特性，但由于模型内部地质构造的复杂性，利用该类模型进行滑坡位移预测时又易出现位移欠拟合或过拟合的问题，从而造成对滑坡位移趋势与大小预测的失真。针对此，本专利技术基于机器学习非线性拟合模型，提出了一种可用于复杂环境中滑坡体位移趋势和大小优化的高精度预测方法。

技术实现思路

[0017]本专利技术的目的在于克服现有滑坡位移预测技术的不足，提出了针对一种基于机器学习的滑坡位移高精度预测的算法，用以更加精确地拟合和预测滑坡体位移趋势和位移大小。
[0018]本专利技术的具体思路如下：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，进行了以下两点改进：(一)乌鸦在没有领导者的情况下，用乌鸦个体执行莱维飞行来取代常规乌鸦算法中的随机搜索方式，这一改进有效地降低了乌鸦个体搜索的盲目性；(二)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。该方法首先通过提取位移序列趋势项进行位移序列分解，然后利用机器学习优化组合算法和最小二乘多项式分别对位移序列趋势项和周期项进行拟合和预测，最后得到滑坡总位移预测值，在一定程度避免了传统预测方法中因参数设置不合理导致机器学习欠拟合和过拟合的问题，为复杂环境下的滑坡体的高精度位移预测提供了一种有效的预测方法。
[0019]本专利技术的技术方案如下：
[0020]一种基于机器学习的滑坡位移高精度预测方法，包括如下步骤：
[0021]【1】基于观测得到的滑坡体上监测点的位移序列X
t
，利用移动平均法求得位移序列趋势项S
t
，进而依据时间序列加法模型提取位移序列周期项V
t
；
[0022]【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V
t
进行预测：
[0023]【2.1】建立基于改进乌鸦算法ICSA的支持向量机模型ICSA
‑
SVM，并对改进乌鸦算法的参数进行初始本文档来自技高网...

【技术保护点】

【技术特征摘要】
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X
t
，利用移动平均法求得位移序列趋势项S
t
，进而依据时间序列加法模型提取位移序列周期项V
t
；【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V
t
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iter
max
，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V
t
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S
t
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S
t
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S
t
进行预报；【4】根据时间序列加法模型，将位移序列周期项V
t
和位移序列趋势项S
t
预测结果相加，得到总位移序列X
t
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：X
t
＝S
t
+V
t
其中，X
t
为位移序列总位移；S
t
为通过移动平均法求得位移序列趋势项；V
t
...

【专利技术属性】
技术研发人员：瞿伟，程浩祥，陈海禄，高源，梁世川，张勤，
申请(专利权)人：长安大学，
类型：发明
国别省市：