【技术实现步骤摘要】
基于变分模态分解和CNN
‑
GRU的滑坡位移预测方法
[0001]本专利技术属于滑坡预测领域，尤其是一种基于变分模态分解和CNN
‑
GRU的滑坡位移预测方法。
技术介绍
[0002]滑坡是我国最受关注的地质灾害之一，每年都会造成大量的伤亡和财产损失。建立可靠的滑坡预警方法是降低滑坡损失的有效途径。如果精准度较高的滑坡位移预测方法能够运用，将会大量减少滑坡造成的伤亡和经济损失。
[0003]滑坡位移预测模型主要可以分为物理模型和数据驱动模型两大类。传统的研究SVM模型、随机森林模型将唯一预测视为静态回归问题。然而，滑坡的变形是非线性和动态的，变形通常会受到时间相关因素的影响(如，水库水位和降雨量的变化)。与传统的物理模型相比，数据驱动模型过程简单、成本更低、精准度更高，因此运用的更加广泛。RNN模型已被广泛适用于动态预测，然后该模型具有长时依赖问题，性能不佳。LSTM模型则需要大量参数来构造网络，导致计算量增加且有过拟合的风险。RNN模型、LSTM在预测中，通常由于异常值较多，模型较...
【技术保护点】
【技术特征摘要】
1.基于变分模态分解和CNN
‑
GRU的滑坡位移预测方法，其特征在于，包括S1、对滑坡位移变形进行监测，得到监测数据，并将监测数据分为周期项和趋势项；S2、通过灰色关联度分析法计算每个滑坡影响因素与滑坡位移的关联度，选取关联度较大的滑坡影响因素作为趋势项的预测数据；S3、分别对周期项和趋势项的数据进行归一化处理，并分别将周期项和趋势项的位移数据分为训练集、测试集和验证集；S4、构建CNN
‑
GRU模型，所述CNN
‑
GRU模型包括依次连接的输入层、卷积层、池化层、第一GRU层、第二GRU层以及输出层；将训练集通过输入层输入，卷积层对训练集进行特征的提取，池化层将特征值的维度降低；将通过池化层的特征序列作为GRU层的输入，使第一GRU层和第二GRU层完成预测，输出层输出预测结果；在训练时，使用均方根误差作为损失函数，并用Adam优化算法更新模型参数；每完成一代训练，采用测试集验证误差是否下降，若至少连续10个一代训练的误差都未下降，则停止训练；S5、将验证集输入训练后的GRU模型进行预测。2.如权利要求1所述的基于变分模态分解和CNN...
【专利技术属性】
技术研发人员：许强，朱星，王有林，李为乐，刘俊峰，李树武，杨贤，赵志祥，包健，
申请(专利权)人：中国电建集团西北勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。