基于非线性组合模型的水库滑坡位移预测方法及装置制造方法及图纸

本发明专利技术提供基于非线性组合模型的水库滑坡位移预测方法及装置，能够切实减小水库滑坡位移预测偏差，提高预测模型的准确性和稳定性。预测方法包括：步骤1、构建水库滑坡位移预测的数据集；步骤2、划分训练集、验证集、测试集，将其中滑坡累积位移分解成趋势项位移和周期项位移，对训练集中趋势项位移进行拟合；步骤3、基于BPNN、SVM、RF和XGBoost，结合训练集数据中周期项位移和相对应的诱发因素，构建多个周期项位移预测模型；步骤4、确定最优的周期项位移预测模型；步骤5、构建互补误差函数，确定最优互补模型并进行非线性组合预测，得到最优的周期项预测位移；将趋势项预测位移与周期项预测位移相加得到位移预测值。预测位移相加得到位移预测值。预测位移相加得到位移预测值。

【技术实现步骤摘要】
基于非线性组合模型的水库滑坡位移预测方法及装置


[0001]本专利技术属于水库滑坡灾害预测预报领域，具体涉及一种基于非线性组合模型的水库滑坡位移预测方法及装置。
技术背景
[0002]水库滑坡位移预测是进行水库滑坡预测预报研究的重要内容之一。受极端天气和周期性水位波动影响，水库库区发育了较多的水库滑坡，给库区人民生命财产安全带来重大威胁。如在2017年，专业技术人员准确预测了湖北省秭归县盐关滑坡的失稳，避免了滑坡区域附近的人员伤亡。滑坡位移是进行滑坡预测预报一个必不可少的基本物理指标。因此，众多学者开展了大量滑坡位移预测的研究。
[0003]目前水库滑坡位移预测多采用长短期记忆网络(LSTM)、前反馈神经网络(BPNN)、支持向量机回归(SVM)和极限学习机(ELM)等机器学习模型。虽然这些机器学习模型整体上能够较为准确的预测水库滑坡位移，但这些预测模型的部分预测位移结果与滑坡实际位移相差较大，增加了水库滑坡预测预报的误报风险。

技术实现思路

[0004]本专利技术是为了解决上述问题而进行的，目的在于提供基于非线性组合模型的水库滑坡位移预测方法及装置，减小水库滑坡位移预测偏差，提高预测模型的准确性和稳定性。
[0005]本专利技术为了实现上述目的，采用了以下方案：
[0006]<方法>
[0007]本专利技术提供一种基于非线性组合模型的水库滑坡位移预测方法，其特征在于，包括以下步骤：
[0008]步骤1、采集所研究水库滑坡变形监测点的历史累积位移数据，并同时收集该滑坡范围内降雨、水库库水位和其它影响水库滑坡位移的诱发因素数据，构建水库滑坡位移预测的数据集；
[0009]步骤2、将步骤1中数据集划分为训练集、验证集和测试集；利用互补集合经验模态分解算法CEEMD将训练集、验证集和测试集中滑坡累积位移分解成趋势项位移和周期项位移，并利用多项式函数对训练集中趋势项位移进行拟合；
[0010]步骤3、基于前反馈神经网络BPNN、支持向量机SVM、随机森林RF和梯度提升树 XGBoost算法，结合训练集数据中周期项位移和相对应的诱发因素，构建多个周期项位移预测模型；
[0011]步骤4、利用验证集数据对各个周期项位移预测模型的超参数进行调整，确保最大化每个周期项位移预测模型的预测性能；同时计算各个模型的均方根误差RMSE，确定最优的周期项位移预测模型；
[0012]步骤5、构建互补误差函数，确定与最优周期项位移预测模型的互补模型，利用RF 算法对最优周期项位移预测模型与互补模型进行非线性组合，得到非线性组合模型，进而
得到最优的周期项预测位移；将趋势项预测位移与周期项预测位移相加得到水库滑坡累积位移预测值。
[0013]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤1中，水库滑坡的历史地表监测位移、降雨量和库水位应在同一时间尺度；当部分监测数据缺失时，采用样条差值对缺失数据进行补齐；水库滑坡诱发因素根据监测数据的时间尺度以及水库滑坡现场的工程地质条件综合判断；当监测数据的时间尺度为月时，月平均降雨量、当月累计降雨量、有效降雨量、月平均库水位、当月库水位和当月库水位变化量可作为水库滑坡的诱发因素。
[0014]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤2中，利用CEEMD算法对训练集、验证集和测试集中滑坡累积位移进行分解；CEEMD算法中噪声标准差设置为0.2，模态数设置为6，允许最大筛选迭代次数设置为100；将CEEMD算法分解所得的频率最小的模函数作为趋势项位移，利用多项式函数对趋势项位移进行拟合，得到趋势项位移预测模型。
[0015]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤2中，依据监测数据的监测长度，将前80％的监测数据划分为训练集， 80％～90％之间的数据划分为验证集，后10％数据划分为测试集；或者将前70％的监测数据划分为训练集，70％～90％之间的数据划分为验证集，后10％数据划分为测试集。
[0016]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤3中，BPNN算法的网络结构采用二层神经网络，每层神经元个数初设为5个，激活函数为Sigmod，其余参数采用默认值；SVM、RF和XGBoost算法中参数均采用默认值；在开源软件Python中编写数据标准化计算函数，然后利用该函数对所有诱发因素和周期项位移分别进行标准化；在开源软件Python中导入Scikit
‑
learn模块，通过标准化后的输入数据对该模块中BPNN,SVM,RF和XGBoost模型进行训练，分别得到基于BPNN,SVM,RF和XGBoost算法的四种不同的周期项位移预测模型。
[0017]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤4中，在开源软件Python中，利用验证集数据对四种不同周期项位移预测模型的超参数进行调整，如BPNN中神经网络层数、每层神经网络中神经元个数和支持向量机中惩罚系数C，确保最大化每个周期项位移预测模型的预测性能；在开源软件Python中，调用均方根误差RMSE函数以周期项位移实测值和周期项位移预测值作为输入，计算各个周期项位移预测模型的RMSE；基于计算所得的RMSE，将验证集中RMSE最小的周期项位移预测模型作为最优的周期项位移预测模型。
[0018]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤5中，以周期项位移预测值和周期项位移测量值作为输入，构建互补误差函数，函数表达式如下：
[0019]e
it
＝x
it
‑
x
t
，
[0020][0021]式中，C
it
为互补误差，x
it
为第i个模型在t时刻的周期项位移预测值，x
t
为t时刻周期项位移实测值，e
it
为第i个模型在t时刻的周期项位移预测偏差，e
ot
为最优周期项位移预测模型在t时刻的预测偏差；模型的互补误差越大，表明此两种模型的预测性能互补程度也就越弱。
[0022]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤5中，采用互补误差函数计算验证集中不同时期的每个周期项位移预测模型与最优周期项位移预测模型的互补误差；计算验证集中各个周期项位移预测模型的互补误差平均值，并将互补误差平均值最小的周期项位移预测模型作为最优周期项位移预测模型的互补模型。
[0023]优选地，本专利技术提供的基于非线性组合模型的水库滑坡位移预测方法，还可以具有以下特征：在步骤5中，利用RF算法对最优的周期项位移预测模型与互补模型进行组合，并通过训练集数据对组合模型的再次本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于非线性组合模型的水库滑坡位移预测方法，其特征在于，包括以下步骤：步骤1、采集所研究水库滑坡变形监测点的历史累积位移数据，并同时收集该滑坡范围内降雨、水库库水位和其它影响水库滑坡位移的诱发因素数据，构建水库滑坡位移预测的数据集；步骤2、将步骤1中数据集划分为训练集、验证集和测试集；利用互补集合经验模态分解算法CEEMD将训练集、验证集和测试集中滑坡累积位移分解成趋势项位移和周期项位移，并利用多项式函数对训练集中趋势项位移进行拟合；步骤3、基于前反馈神经网络BPNN、支持向量机SVM、随机森林RF和梯度提升树XGBoost算法，结合训练集数据中周期项位移和相对应的诱发因素，构建多个周期项位移预测模型；步骤4、利用验证集数据对各个周期项位移预测模型的超参数进行调整，确保最大化每个周期项位移预测模型的预测性能；同时计算各个模型的均方根误差RMSE，确定最优的周期项位移预测模型；步骤5、构建互补误差函数，确定与最优周期项位移预测模型的互补模型，利用RF算法对最优周期项位移预测模型与互补模型进行非线性组合，得到非线性组合模型，进而得到最优的周期项预测位移；将趋势项预测位移与周期项预测位移相加得到水库滑坡累积位移预测值。2.根据权利要求1所述的基于非线性组合模型的水库滑坡位移预测方法，其特征在于：其中，在步骤1中，水库滑坡的历史地表监测位移、降雨量和库水位应在同一时间尺度；当部分监测数据缺失时，采用样条差值对缺失数据进行补齐；水库滑坡诱发因素根据监测数据的时间尺度以及水库滑坡现场的工程地质条件综合判断；当监测数据的时间尺度为月时，月平均降雨量、当月累计降雨量、有效降雨量、月平均库水位、当月库水位和当月库水位变化量可作为水库滑坡的诱发因素。3.根据权利要求1所述的基于非线性组合模型的水库滑坡位移预测方法，其特征在于：其中，在步骤2中，利用CEEMD算法对训练集、验证集和测试集中滑坡累积位移进行分解；CEEMD算法中噪声标准差设置为0.2，模态数设置为6，允许最大筛选迭代次数设置为100；将CEEMD算法分解所得的频率最小的模函数作为趋势项位移，利用多项式函数对趋势项位移进行拟合，得到趋势项位移预测模型。4.根据权利要求1所述的基于非线性组合模型的水库滑坡位移预测方法，其特征在于：其中，在步骤3中，BPNN算法的网络结构采用二层神经网络，每层神经元个数初设为5个，激活函数为Sigmod，其余参数采用默认值；SVM、RF和XGBoost算法中参数均采用默认值；导入Scikit
‑
learn模块，通过标准化后的输入数据对该模块中BPNN,SVM,RF和XGBoost模型进行训练，分别得到基于BPNN,SVM,RF和XGBoost算法的四种不同的周期项位移预测模型。5.根据权利要求1所述的基于非线性组合模型的水库滑坡位移预测方法，其特征在于：其中，在步骤4中，调用均方根误差RMSE函数以周期项位移实测值和周期项位移预测值作为输入，计算各个周期项位移预测模型的RMSE；基于计算所得的RMSE，将验证集中RMSE最小的周期项位移预测模型作为最优的周期项位移预测模型。6.根据权利要求1所述的基于非线性组合模型的水库滑坡位移预测方法，其特征在于：
其中，在步...

【专利技术属性】
技术研发人员：杜文琪，付智勇，李典庆，
申请(专利权)人：武汉大学，
类型：发明
国别省市：