基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法技术

本发明专利技术公开了基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法：步1：收集数据；步2：初始LSTM模型并设计解向量结构；步3：设定参数；步4：初始化种群，计算个体适应度并划分拓扑；步5，计算快速收敛拓扑个体的拉马克因子，更新快速收敛拓扑；步6，更新个体的速度及位置；步7，计算个体适应度并更新最优个体；步8，快速收敛拓扑收敛进入步骤10，否则进入步9；步9，替换得最优解；步10，协同拓扑都收敛则替换个体，否则执行骤11；步11，1个协同拓扑收敛则交换个体；步12，满足结束条件返回步5；否则进入步13；步13，输出最终LSTM模型并预测。本发明专利技术克服了易于陷入局部最优的问题，通过MHCHPSO优化LSTM结构使其更适应滑坡数据，提高滑坡预测精度。测精度。测精度。

【技术实现步骤摘要】
基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法


[0001]本专利技术属于滑坡治理
，尤其涉及一种基于多拓扑分级协同粒子群LSTM(Multi
‑
topology hierarchical collaborative hybrid particle swarm optimizerfor long
‑
short term memory，MHCHPSO
‑
LSTM)模型的滑坡位移预测方法。

技术介绍

[0002]粒子群
‑
长短时记忆网络(PSO
‑
LSTM)模型是一种组合优化预测模型。其中，粒子群(particle swarm optimization，PSO)算法是一种全局优化算法。由于PSO能够在不可导、不连续、甚至不存在目标函数的黑箱问题上寻优，以及实现简单等优势，其被广泛的应用于各种实际工程问题中。LSTM(Long
‑
ShortTerm Memory)神经网络是循环神经网络(Recurrent Neural Network,RNN)的一种。由于其内部的LSTM单元包含输入门、输出门、遗忘门，具有高效处理具有顺序关系的序列数据，以及有效计算序列前后的关联性能力。因此，其在自然语言处理和时间序列预测上有较大的优势。PSO
‑
LSTM模型通常利用粒子群算法的全局优化能力参与神经网络训练过程中的特征选择以及神经网络模型超参数选择两个步骤。具体而言，该模型首先利用粒子群算法的全局搜索能力分析所有备选特征并在全局空间上优化备选特征，减少冗余、非必要特征以及对预测结果无关的特征，从而到达减少模型计算量、减少非必要特征干扰、提高模型精度的目的。其次，利用粒子群算法的快速收敛能力对LSTM模型的网络结构进一步的优化，从而提升LSTM模型对具体预测模型的适应能力。
[0003]然而，滑坡位移预测问题天生拥有特征维数高、数据信息冗余度高、特征非线性等客观问题。而外部环境因素(降雨、地震、人类活动等)和设备因素(检测设备损毁、检测设备精度不足等)造成的信息不确定、模糊、高噪声等问题更进一步加剧了滑坡位移预测的复杂性。这些问题致使粒子群算法容易陷入局部最优，导致LSTM网络结构不能适应实际滑坡问题，进一步导致PSO
‑
LSTM模型预测精度不高。
[0004]综上所述，现存的问题是：由于滑坡位移预测天然存在的一些问题，造成了特征数据抽象、模糊、非线性、高噪声等问题，这些问题共同造成了PSO
‑
LSTM模型不适配，预测精度难以提高。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术的目的是提供一种基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，具体包括如下步骤：
[0006]步骤1：收集滑坡位移数据并对数进行预处理；
[0007]步骤2：建立初始LSTM网络模型，并设计解向量结构；
[0008]步骤3：设定参数；
[0009]步骤4：根据解向量结构初始化种群，计算个体适应度并划分拓扑；
[0010]步骤5，计算快速收敛拓扑中每个个体的拉马克因子，并利用得到的拉马克因子更
新快速收敛拓扑，得到更新后的快速收敛拓扑；
[0011]步骤6，根据拓扑更新公式更新各拓扑中所有个体的速度及位置；
[0012]步骤7，计算所有拓扑中的个体适应度，并更新各拓扑的最优个体；
[0013]步骤8，判断快速收敛拓扑已收敛，若未收敛则进入步骤9；否则进入步骤10；
[0014]步骤9，判断快速收敛拓扑的最优解是否为全局最优解，若是，则用快速收敛拓扑的最优解替换任一协同拓扑中的任意一个个体；否则用全局最优解替换快速收敛拓扑的最优解；
[0015]步骤10，判断协同拓扑1和协同拓扑2都已收敛，若收敛，则从多样性拓扑中随机选择两个个体，分别替换两协同拓扑中的一个个体，执行步骤11；否则直接执行步骤11；
[0016]步骤11，判断是否至少存在1个协同拓扑收敛。若是，则从协同拓扑1和协同拓扑2分别随机选出一个个体，然后进行交换；
[0017]步骤12，令迭代数加1，判断是否满足迭代结束条件，是则返回步骤5；否则进入步骤13。
[0018]步骤13，输出最终LSTM模型；利用训练样本进行训练得到最终LSTM模型，将待测试的滑坡位移的特征数据代入LSTM模型，得到预测结果。
[0019]进一步的，所述步骤1中，滑坡位移数据包括但不限于以下特征数据：降雨量、土壤湿度、滑坡位移距离、气温、气压、大气湿度；
[0020]所述清洗收集到的数据，处理方式包括：统一格式/单位、去除无效数据、去除不合理数据、去除离群噪声点、填充数据。
[0021]进一步的，所述步骤2包括如下操作：
[0022]建立初始网络模型，包括1层LSTM、2层全连接层FC、输出层；LSTM模型的损失函数为均方误差函数，反向传播算法为adam算法；
[0023]解向量结构设计包括三部分的设计：特征选择、时间步步长stepN、LSTM模型超参数；
[0024]特征选择：通过二进制与十进制间的转换压缩搜索空间维数，共14个特征，化为2个0
‑
127的十进制数；
[0025]时间步步长：时间步stepN是一个整数，取值为2
‑
7；
[0026]模型超参数：每一层网络都有两个参数分别是隐藏单元个数以及激活函数，所有隐藏单元个数在16
‑
48之间寻优，激活函数由0，1，2表示，分别表示sigmoid、tanh、relu函数；模型共3三层6个超参数，前三个超参数表示层1、层2、层3的隐藏单元个数，后三个超参数表示层1、层2、层3的激活函数；
[0027]搜索空间的上界ub＝[127.4，127.4，7.4，47.4，47.4，47.4，2.4，2.4，2.4]；下界1b＝[0.5，0.5，1.5，15.5，15.5，15.5，
‑
0.4，
‑
0.4，
‑
0.4]；搜索维数D＝9，搜索空间中的每个解是一个9维向量，其中前两个标量用于表示第一部分信息进行特征选择；第3维标量表示第二部分信息用于构成样本；第4
‑
9维表示第三部分信息用于构成网络模型。
[0028]进一步的，所述步骤3包括如下操作：
[0029]需设定的参数有包括：种群规模N；最大迭代次数maxIter；搜索空间上界ub；搜索空间下界lb；搜索维数D；多样性拓扑中Levy飞行控制参数β＝[1，3]；拉马克机制阈值s，s＝2，
…
，N；快速收敛拓扑收敛判定次数n，n＝2，
…
，16；快速收敛拓扑收敛判定精度∈；协同拓
扑邻域neig；协同拓扑1权重控制参数a∈(0，1)，U1和L1；协同拓扑2权重控制参数U2和L2；个体的速度上限V本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，其特征在于，具体包括如下步骤：步骤1：收集滑坡位移数据并对数进行预处理；步骤2：建立初始LSTM网络模型，并设计解向量结构；步骤3：设定参数；步骤4：根据解向量结构初始化种群，计算个体适应度并划分拓扑；步骤5，计算快速收敛拓扑中每个个体的拉马克因子，并利用得到的拉马克因子更新快速收敛拓扑，得到更新后的快速收敛拓扑；步骤6，根据拓扑更新公式更新各拓扑中所有个体的速度及位置；步骤7，计算所有拓扑中的个体适应度，并更新各拓扑的最优个体；步骤8，判断快速收敛拓扑已收敛，若未收敛则进入步骤9；否则进入步骤10；步骤9，判断快速收敛拓扑的最优解是否为全局最优解，若是，则用快速收敛拓扑的最优解替换任一协同拓扑中的任意一个个体；否则用全局最优解替换快速收敛拓扑的最优解；步骤10，判断协同拓扑1和协同拓扑2都已收敛，若收敛，则从多样性拓扑中随机选择两个个体，分别替换两协同拓扑中的一个个体，执行步骤11；否则直接执行步骤11；步骤11，判断是否至少存在1个协同拓扑收敛。若是，则从协同拓扑1和协同拓扑2分别随机选出一个个体，然后进行交换；步骤12，令迭代数加1，判断是否满足迭代结束条件，是则返回步骤5；否则进入步骤13。步骤13，输出最终LSTM模型；利用训练样本进行训练得到最终LSTM模型，代入待测试的滑坡位移的特征数据，得到预测结果。2.如权利要求1所述的基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，其特征在于，所述步骤1中，滑坡位移数据包括但不限于以下特征数据：降雨量、土壤湿度、滑坡位移距离、气温、气压、大气湿度；所述清洗收集到的数据，处理方式包括：统一格式/单位、去除无效数据、去除不合理数据、去除离群噪声点、填充数据。3.如权利要求1所述的基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，其特征在于，所述步骤2包括如下操作：建立初始网络模型，包括1层LSTM、2层全连接层FC、输出层；LSTM模型的损失函数为均方误差函数，反向传播算法为adam算法；解向量结构设计包括三部分的设计：特征选择、时间步步长stepN、LSTM模型超参数；特征选择：通过二进制与十进制间的转换压缩搜索空间维数，共14个特征，化为2个0
‑
127的十进制数；时间步步长：时间步stepN是一个整数，取值为2
‑
7；模型超参数：每一层网络都有两个参数分别是隐藏单元个数以及激活函数，所有隐藏单元个数在16
‑
48之间寻优，激活函数由0，1，2表示，分别表示sigmoid、tanh、relu函数；模型共3三层6个超参数，前三个超参数表示层1、层2、层3的隐藏单元个数，后三个超参数表示层1、层2、层3的激活函数；搜索空间的上界ub＝[127.4，127.4，7.4，47.4，47.4，47.4，2.4，2.4，2.4]；下界1b＝
[0.5，0.5，1.5，15.5，15.5，15.5，
‑
0.4，
‑
0.4，
‑
0.4]；搜索维数D＝9，搜索空间中的每个解是一个9维向量，其中前两个标量用于表示第一部分信息进行特征选择；第3维标量表示第二部分信息用于构成样本；第4
‑
9维表示第三部分信息用于构成网络模型。4.如权利要求1所述的基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，其特征在于，所述步骤3包括如下操作：需设定的参数有包括：种群规模N；最大迭代次数maxTter；搜索空间上界ub；搜索空间下界lb；搜索维数D；多样性拓扑中Levy飞行控制参数β＝[1，3]；拉马克机制阈值是s，s＝2，
…
，N；快速收敛拓扑收敛判定次数n，n＝2，
…
，16；快速收敛拓扑收敛判定精度∈；协同拓扑邻域neig；协同拓扑1权重控制参数a∈(0，1)，U1和L1；协同拓扑2权重控制参数U2和L2；个体的速度上限Vmax和下限Vmin；粒子群控制参数c1∈[0，2]，c2∈[0，2]；N＝12；maxIter＝20；β＝1.5；s＝2；n＝2；∈＝0.001；邻域neig第j维上的标量a＝0.9；U1＝U2＝1.2，L1＝L2＝0.8；Vmax第j维上的标量Vmin＝
‑
Vmax；c1＝c2＝2；ub
j
和lb
j
分别表示搜索空间上界ub和下界1b的第j维向量；令迭代计数器t＝1，激活点ap＝1。5.如权利要求1所述的基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，其特征在于，所述步骤4包括如下操作：步骤4
‑
1：根据步骤3中的种群规模N，初始化N个个体，得到由初始化个体构成的种群；其中，初始化个体包括初始化个体的位置个体的速度个体的历史最优位置初始化方法采用随机初始化；其公式如下：初始化方法采用随机初始化；其公式如下：上式中是在第j维上的标量，是在第j维上的标量，ub
j
，lb
j
，Vmax
j
，Vmin
j
分别表示ub，lb，Vmax，Vmin在第j维上的标量，ub，lb，Vmax，Vmin定义如步骤3，任意时刻lb
j
≤x
i，j
≤ub
j
，Vmin
j
≤xi，j≤Vmaxj。r表示[0，1]上的随机数；所有个体的位置和速度初始化完毕后，令个体的历史最优位置步骤4
‑
2：遍历步骤4
‑
1得到的种群中的所有个体，对于每个个体，解释个体i的位置x
i
所包含的特征选择、时间步长、LSTM模型超参数；计算每个个体的适应度；步骤4
‑
3：将步骤4
‑
1得到的所有个体随机分配到4个拓扑中，分别是多样性拓扑、协同拓扑1、协同拓扑2及快速收敛拓扑。将每个拓扑中适应度最小的个体的位置作为每个拓扑的最优解；为快速收敛拓扑的每个粒子设置一个集合set，初始时set为空集。6.如权利要求5所述的基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，其特征在于，所述步骤4
‑
2中所述计算每个粒子的适应度，具体操作如下：(1)将x
i
的第1、2维标量由十进制转化为二进制，转化后将有2个7位二进制串，按顺序拼接这两个二进制串组成一个二进制串；
(2)将拼接后的二进制串中所有数字1对应的特征选中，再根据x
i
上的时间步长stepN构成样本，将样本按7∶3的比例分为训练样本和测试样本；所述构成样本的方法：将被选中的特征作为输入特征，位移特征作为模型的输出；stepN为时间步长；将周期T到T+setpN
‑
1作为一个样本，将周期T+setpN作为该样本的输出，T∈{1，2，maxT
‑
setpN}，maxT表示最大周期数，T的单位为天，以此类推合成所有样本；(3)将x
i
的4
‑
9维标量转化为LSTM模型中对应的超参数；将训练样本代入LSTM模型进行训练，训练完毕后用测试样本预测结果并与真实值比较，将所有测试样本误差求和后乘以一个放大基数作为个体i的适应...

【专利技术属性】
技术研发人员：王侃琦，王毅，张茂省，段焱中，李静，李晓梦，
申请(专利权)人：西北大学，
类型：发明
国别省市：