【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。< ...
【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:
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。