基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法技术

本发明专利技术提供了预埋滴灌的基于EEMD

【技术实现步骤摘要】
基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法


[0001]本专利技术涉及滑坡预测
，尤其是涉及基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法。

技术介绍

[0002]水库滑坡是发生在水库周边岩土体上的常见地质灾害。其灾害巨大，不仅会造成生命财产损失，还会造成大量的次生灾害。因此精确、可靠的预测是减少水库滑坡灾害损失的关键。在众多水库滑坡中，存在一种滑坡累计位移曲线呈台阶状的“阶跃型”滑坡。此类滑坡不仅危害巨大，而且难以准确预测。阶跃型滑坡的位移阶跃主要受季节性降雨或周期性库水涨落或二者联合作用的影响，同时也受滑坡演化状态和地下水的影响。其每次位移阶跃都可能被误认为进入临滑阶段，从而对滑坡避灾与防治带来了极大的困扰，若能充分挖掘监测数据分析位移阶跃与库水、降雨、地下水位与演化状态的响应关系，从而对其位移进行预测，准确把握滑坡变形演化阶段并采取相应的防灾减灾措施，将会大大减少人员伤亡和财产损失。因此，考虑滑坡滑在不同时间尺度下的演化状态，基于库水、降雨作用下阶跃型滑坡位移响应规律，开展阶跃型滑坡位移预测具有重要科学意义。

技术实现思路

[0003]为解决现有位移阶跃型水库滑坡累计位移预测方法的不完善，筛选出较为合理的时间周期，本专利技术提供了一种基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法。
[0004]为了实现上述的技术特征，本专利技术的目的是这样实现的：基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于，包括以下步骤：
[0005]S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期，监测内容包括：滑坡累计位移、降雨量、库水位和地下水位；若监测数据中存在缺失则采用ARIMA算法对缺失值进行插补；
[0006]S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取；
[0007]S3：采用集合经验模态分解算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解，将累计位移时间序列分解成n个本征模态函数和一个残差项；将残差项作为趋势项；将累计位移与趋势项的差值作为周期项；
[0008]S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理；
[0009]S5：建立门控循环单元神经网络，将S4中处理好的训练集和测试集数据，按不同时间尺度分别输入模型中，实现各自周期项位移的预测；采用相关系数R2和均方根误差RMSE对预测结果进行评价；
[0010]S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测；
[0011]S7：将不同时间尺度下的周期项预测值和趋势项预测值叠加得到累计位移的预测，并通过相关系数R2和均方根误差RMSE对预测结果进行评价，得到最优的时间尺度。
[0012]2、根据权利要求1所述基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S1中，滑坡所在区域的降雨量、库水位、地下水位将作为周期项位移预测时的影响因素考虑；对监测数据提取时考虑日、周、旬三个时间尺度；采用ARIMA算法进行插补时，根据现有数据对缺失值进行预测填补，确保有95％的置信区间。
[0013]3、根据权利要求1所述基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S2中，对同一套数据分别进行日、周、旬不同时间尺度的提取时，会导致所提取出的数据量不同，因此为保证预测结果对比时的变量单一性和科学性，从S1中提取出的日数据和周数据需再次进行提取，保证日、周、旬的预测数据量相同。
[0014]4、根据权利要求1所述基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S3中，集合经验模态分解算法是在经验模态分解算法的基础上，在原始信号中加入白噪声序列，然后在进行经验模态分解；推荐选取白噪声标准差参数为0.2，白噪声添加次数通常为数百次；集合经验模态分解具体方法如下：
[0015]S3.1，通过向待分析序列x(t)中加入第一组白噪声ω1(t)，构成白噪声和时间序列的混合体X1(t)：
[0016]X1(t)＝x(t)+ω1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0017]S3.2，对混合体X1(t)进行经验模态分解，分解得到第一阶的n个本征模态函数和一项残差的组合：
[0018][0019]式中，X1(t)为加入第一组白噪声后的信噪混合体，c
j1
为经验模态分解出的第一阶本征模态函数，r
1n
为经验模态分解出的第一阶残差项；
[0020]S3.3，再向待分析序列x(t)中加入第二组白噪声序列ω2(t)，构成新的白噪声和时间序列的混合体X2(t)：
[0021]X2(t)＝x(t)+ω2(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0022]S3.4，对混合体X2(t)进行经验模态分解，分解得到第二阶的n个本征模态函数和一项残差的组合：
[0023][0024]式中，X2(t)为加入第二组白噪声后的信噪混合体，c
j2
为经验模态分解出的第二阶本征模态函数，r
2n
为经验模态分解出的第二阶残差项；
[0025]S3.5，重复以上步骤，经过N次添加、分解后，得到N阶本征模态函数分量，将每阶分量中相对应的本征模态函数划为同一分量组，即最终共有n个分量组，每个分量中有N个相对应的本征模态函数分量；
[0026]S3.6，对每个分量组取平均得：
[0027][0028]式中，IMF
j
为最终分解出的本征模态函数，N为添加白噪声的次数和EMD分解的次数，c
ji
为各个分量组中的本征模态函数。
[0029]5、根据权利要求1所述基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S4中，在对训练集和测试集进行划分时，通常取前80％的数据作为训练集，后20％的数据作为测试集，数据进行归一化时采用如下公式：
[0030][0031]式中，y为归一化后的结果，y
max
为归一化后数据中的最大值，y
min
为归一化后数据中的最小值，x为需要归一化的数，x
max
为归一化前数据中的最大值，x
min
为归一化后数据中的最小值，通常将数据归一化至[
‑
1,1]之间。
[0032]6、根据权利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于，包括以下步骤：S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期，监测内容包括：滑坡累计位移、降雨量、库水位和地下水位；若监测数据中存在缺失则采用ARIMA算法对缺失值进行插补；S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取；S3：采用集合经验模态分解算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解，将累计位移时间序列分解成n个本征模态函数和一个残差项；将残差项作为趋势项；将累计位移与趋势项的差值作为周期项；S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理；S5：建立门控循环单元神经网络，将S4中处理好的训练集和测试集数据，按不同时间尺度分别输入模型中，实现各自周期项位移的预测；采用相关系数R2和均方根误差RMSE对预测结果进行评价；S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测；S7：将不同时间尺度下的周期项预测值和趋势项预测值叠加得到累计位移的预测，并通过相关系数R2和均方根误差RMSE对预测结果进行评价，得到最优的时间尺度。2.根据权利要求1所述基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S1中，滑坡所在区域的降雨量、库水位、地下水位将作为周期项位移预测时的影响因素考虑；对监测数据提取时考虑日、周、旬三个时间尺度；采用ARIMA算法进行插补时，根据现有数据对缺失值进行预测填补，确保有95％的置信区间。3.根据权利要求1所述基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S2中，对同一套数据分别进行日、周、旬不同时间尺度的提取时，会导致所提取出的数据量不同，因此为保证预测结果对比时的变量单一性和科学性，从S1中提取出的日数据和周数据需再次进行提取，保证日、周、旬的预测数据量相同。4.根据权利要求1所述基于EEMD
‑
GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于：所述步骤S3中，集合经验模态分解算法是在经验模态分解算法的基础上，在原始信号中加入白噪声序列，然后在进行经验模态分解；推荐选取白噪声标准差参数为0.2，白噪声添加次数通常为数百次；集合经验模态分解具体方法如下：S3.1，通过向待分析序列x(t)中加入第一组白噪声ω1(t)，构成白噪声和时间序列的混合体X1(t)：X1(t)＝x(t)+ω1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)S3.2，对混合体X1(t)进行经验模态分解，分解得到第一阶的n个本征模态函数和一项残差的组合：式中，X1(t)为加入第一组白噪声后的信噪混合体，c
j1
为经验模态分解出的第一阶本征模态函数，r
1n
为经验模态分解出的第一阶残差项；S3.3，再向待分析序列x(t)中加入第二组白噪声序列ω2(t)，构成新的白噪声和时间序
列的混合体X2(t)：X2(t)＝x(t)+ω2(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)S3.4，对混合体X2(t)进行经验模态分解，分解得到第二阶的n个本征模态函数和一项残差的组合：式中，X2(t)为加入第二组白噪声后的信噪混合体，c
j2
为经验模态分解出的第二阶本征模态函数，r
2n
为经验模态分解出的第二阶残差项；S3.5，重复以上步骤，经过N次添加、分解后，得到N阶本征模态函数分量，将每阶分量中相对应的本征模态函数划为同一分量组，即最终共有n个分量组，每个分量中...

【专利技术属性】
技术研发人员：胥智臻，郭飞，胡记磊，黄晓虎，黄海峰，易庆林，
申请(专利权)人：三峡大学，
类型：发明
国别省市：