基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法技术

本发明专利技术公开了一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，将影响滑坡体位移的参数视为输入变量，主要包括降水量、沉降量、深部位移量以及裂隙，将所述数据输入到梯度增强多元回归模型进行滑坡表面位移量预测，利用多个弱学习器对监测数据进行多轮训练，拟合先前累加模型的损失函数的负梯度，使加上该弱学习器后的累积模型损失往负梯度的方向减少，提高预测精度，并且与贝叶斯岭回归模型、弹性网络回归模型和支持向量机回归模型进行对比，对梯度增强模型的优越性提供依据。本发明专利技术将各种不同的数据信息进行综合，解决滑坡预测过程中传统模型存在的考虑影响因素单一、长期预测精度低等问题。长期预测精度低等问题。长期预测精度低等问题。

【技术实现步骤摘要】
基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法


[0001]本专利技术属于滑坡位移量预测领域，具体设计一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法。

技术介绍

[0002]滑坡是坡体因多种因素耦合下而发生的形变，最终被某些诱发因素(如强降雨、地下水活动等)引发失稳产生了滑动的一种地质现象。滑坡位移量主要指山体由于地质活动发生滑动而产生的位移。近年来对滑坡变形的预测一直是地质学者们研究的重点，为提高预测结果的准确性，自1960年以来，各专家学者们相继提出各种预测预报方法。其中滑坡位移预测常用的数学模型有回归模型、灰色预测模型、神经网络等。赵晓萌等比较特征聚合决策树、决策树、朴素贝叶斯和逻辑回归预测模型，得出特征聚合决策树预测模型对降雨型滑坡灾害有更高的预测准确率；袁乾博、L.Z.Wu、S.H.Li等提出基于灰色预测模型对滑坡变形预测算法进行了进一步研究，提高了基于时间序列分析的滑坡变形预测模型的精度及实用性；宋丽伟、杨背背等利用长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测，其结果具有较高的预测精度；张鹏等通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，包括以下步骤：(1)整合m组不同滑坡体区域附近的监测数据，获取每组监测数据的自身参数信息及滑坡表面位移量，并对监测数据进行预处理；(2)考虑不同变量的影响，不断改变影响因子个数作为自变量，计算不同影响因子个数下贝叶斯岭回归模型、弹性网络回归模型、支持向量机回归模型及梯度增强多元回归模型四种模型的方差、平均绝对误差和均方差，从而确定各模型性能；(3)将步骤(1)所述监测数据作为训练集导入给梯度增强多元回归算法，并初始化梯度增强多元回归模型，建立初始弱学习器，通过不断迭代到梯度增强多元回归模型进行训练，进行滑坡表面位移量预测；(4)根据上述对比结果，确定梯度增强多元回归模型精度最高，利用梯度增强多元回归模型进行结果预测，得到最终的滑坡表面位移量预测。2.根据权利要求1所述的基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，步骤(1)所述监测数据包括表面位移量、降水量、沉降量、深部位移量以及裂隙。3.根据权利要求1所述的基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，步骤(1)所述对监测数据进行预处理过程如下：数据过滤，剔除含有异常值的记录，并利用插值法对缺失进行补全；数据集成，删除多余属性；数据规约，尽量减少数据量，规避无效数据和错误数据带来的影响，提高模型准确性；是数据变换过程即对数据进行规范化处理，以便于后续的各数据相关性分析。4.根据权利要求1所述的基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，所述步骤(3)实现过程如下：建立初始弱学习器为：式中，式...

【专利技术属性】
技术研发人员：柯福阳，明璐璐，陆佳嘉，胡祥祥，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：