一种高陡边坡位移点预测方法技术

本发明专利技术提出了一种高陡边坡位移点预测方法，涉及人工智能预测算法技术领域，包括：基于GRU深度学习算法和DDAPSO元启发式优化算法，建立DDAPSO

【技术实现步骤摘要】
一种高陡边坡位移点预测方法


[0001]本专利技术涉及人工智能预测算法
，具体而言，涉及一种高陡边坡位移点预测方法。

技术介绍

[0002]随着我国经济的快速发展，交通运输也随之发展迅猛，在修建铁路、公路等交通运输要道时，不可避免的通过山区的高陡边坡地段，这些地区，地质地形条件复杂、环境恶劣，受到地震、洪水、暴雨及各种外界极端天气、气候的影响，易导致高陡边坡发生滑坡、溜坍、崩塌等重大灾害，对交通运行安全造成极大隐患，对人类生存环境、资源和生命财产等造成了极大的破坏和损失。因此，只有对地质灾害的提前识别和趋势预测，才是避免高陡边坡地质灾害造成损失和伤亡的重要手段之一。随着人工智能算法的发展，越来越多的智能预测算法在边坡位移预测中应用，例如支持向量机回归算法、随机森林算法、梯度提升机算法、循环神经网络算法等，其中GRU门控循环网络因其结构简单、模型收敛速度快、泛化能力好、在处理长时间序列方面具有较大优势等优点，尤其受到广大研究者的欢迎。
[0003]然而，包括GRU算法在内，上述算法均为单一预测算法，其内部均存在很多预设参数需要人为调整，耗时耗力、效率低下，且可能寻找不到最佳的模型参数配置，导致利用其算法的方法都具有预测能力差、系统稳定性差和运算速度慢的缺点。
[0004]基于此，提出一种高陡边坡位移点预测方法来解决上述问题。

技术实现思路

[0005]本专利技术的目的在于提供一种高陡边坡位移点预测方法，其能够解决传统传统预测方法预测能力差、精度低、系统稳定性差和运算速度慢的问题。<br/>[0006]本专利技术的技术方案为：
[0007]第一方面，本申请提供一种高陡边坡位移点预测方法，其包括以下步骤：
[0008]S1、基于GRU深度学习算法和DDAPSO元启发式优化算法，建立DDAPSO
‑
GRU点预测模型；
[0009]S2、从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入DDAPSO
‑
GRU点预测模型进行训练，同时保存训练后的预测模型；
[0010]S3、从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果。
[0011]进一步地，步骤S1中，上述GRU深度学习算法的公式包括：
[0012]z
t
＝σ(W
z
·
[h
t
‑1，x
t
])
[0013][0014][0015]其中，Z
t
表示更新门，σ表示sigmoid激活函数，W
z
表示更新门的待训练权重矩阵，
h
t
‑1表示上一时刻的隐状态，x
t
表示当前时刻的输入特征，h
t
表示当前时刻的隐状态，表示当前时刻的候选隐状态，表示边坡位移序列，W
o
表示输出层的待训练权重矩阵，b
o
表示偏置项。
[0016]进一步地，步骤S1中，上述DDAPSO元启发式优化算法为PSO算法的改进算法，其改进公式如下：
[0017][0018][0019][0020]ω＝ω
max
，F＞F
avg
，
[0021]其中，c1、c2均为学习因子，c
1b
、c
1e
分别表示c1的初始值和最终值，c
2b
、c
2e
分别表示C2的初始值和最终值，m
cur
表示当前迭代次数，m
max
表示最大迭代次数，ω表示惯性因子，ω
max
表示ω的最大值，ω
min
表示ω的最小值，F表示当前目标函数值，F
avg
表示当前平均目标函数值，F
min
表示目标函数极小值。
[0022]进一步地，步骤S1中，上述建立DDAPSO
‑
GRU点预测模型的方法包括：
[0023]构建高陡边坡位移数据集；
[0024]基于高陡边坡位移数据集搭建DDAPSO
‑
GRU的网络架构；
[0025]基于DDAPSO
‑
GRU的网络架构建立DDAPSO
‑
GRU点预测模型。
[0026]进一步地，上述构建高陡边坡位移数据集的方法包括：
[0027]获取历史多个时刻的位移数据和未来一个时刻的位移数据以构成数据集；
[0028]将数据集按照时间顺序划分为训练集、验证集和测试集；
[0029]将划分后的训练集、验证集和测试集进行归一化处理，基于处理结果以构建高陡边坡位移数据集。
[0030]进一步地，上述归一化处理采用的公式为：
[0031][0032]其中，x表示待归一化的位移值，x
min
、x
max
分别为位移数据中的最小值和最大值，x
scaled
表示归一化后的位移值。
[0033]进一步地，上述搭建DDAPSO
‑
GRU的网络架构的方法包括：
[0034]以GRU神经网络为基础搭建GRU网络模型；
[0035]基于GRU网络模型和DDAPSO算法设置GRU网络模型的优化参数；
[0036]利用DDAPSO算法对GRU网络模型的优化参数进行优化以得到DDAPSO
‑
GRU的网络架
构的最优配置；
[0037]基于DDAPSO
‑
GRU的网络架构的最优配置搭建DDAPSO
‑
GRU的网络架构。
[0038]第二方面，本申请提供一种电子设备，其特征在于，包括：
[0039]存储器，用于存储一个或多个程序；
[0040]处理器；
[0041]当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项的一种高陡边坡位移点预测方法。
[0042]第三方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的一种高陡边坡位移点预测方法。
[0043]相对于现有技术，本专利技术至少具有如下优点或有益效果：
[0044](1)本申请提供一种高陡边坡位移点预测方法，结合DDAPSO
‑
GRU算法与Mysql技术，解决了既往预测算法均为单一预测算法，人为调整模型参数耗时耗力、效率低下，且无法寻找最佳的模型参数配置、制约了预测精度的提升、预测算法交互难、预测功能落地难的问题；
[0045](2)本申请结合元启发式优化算法和单一位移预测模型，在建立边坡位移模型之前，采用优化算法对其进行模型的超参数整定，得到最佳预测模型参数，建立可以自适应调整模型参数的组合预测模型，实现了对高陡边坡位移的精准预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高陡边坡位移点预测方法，其特征在于，包括以下步骤：S1、基于GRU深度学习算法和DDAPSO元启发式优化算法，建立DDAPSO
‑
GRU点预测模型；S2、从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入DDAPSO
‑
GRU点预测模型进行训练，同时保存训练后的预测模型；S3、从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果。2.如权利要求1所述的一种高陡边坡位移点预测方法，其特征在于，步骤S1中，所述GRU深度学习算法的公式包括：z
t
＝σ(W
z
·
[h
t
‑1，x
t
])])其中，z
t
表示更新门，σ表示sigmoid激活函数，W
z
表示更新门的待训练权重矩阵，h
t
‑1表示上一时刻的隐状态，x
t
表示当前时刻的输入特征，h
t
表示当前时刻的隐状态，表示当前时刻的候选隐状态，表示边坡位移序列，W
o
表示输出层的待训练权重矩阵，b
o
表示偏置项。3.如权利要求1所述的一种高陡边坡位移点预测方法，其特征在于，步骤S1中，所述DDAPSO元启发式优化算法为PSO算法的改进算法，其改进公式如下：DAPSO元启发式优化算法为PSO算法的改进算法，其改进公式如下：DAPSO元启发式优化算法为PSO算法的改进算法，其改进公式如下：ω＝ω
max
，F＞F
avg
，其中，c1、c2均为学习因子，c
1b
、c
1e
分别表示c1的初始值和最终值，c
2b
、c
2e
分别表示c2的初始值和最终值，m
cur
表示当前迭代次数，m
max
表示最大迭代次数，ω表示惯性因子，ω
max
表示ω的最大值，ω
min
表示ω的最小值，F表示当前目标函...

【专利技术属性】
技术研发人员：马玲，邓志兴，王迅，罗源，苏谦，舒昆，张宗宇，
申请(专利权)人：固远晨通科技发展有限公司，
类型：发明
国别省市：