基于LSO-RF模型的阶跃型滑坡位移速率预测方法技术

本发明专利技术涉及一种基于LSO

【技术实现步骤摘要】
基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法


[0001]本专利技术属于滑坡监测预报领域，具体涉及一种基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法。

技术介绍

[0002]当前针对滑坡变形趋势预测的研究多集中于对滑坡的累计位移进行预测，而对滑坡滑动速率进行预测的研究则相对较少。相比较滑坡累计位移，滑动速率指标更为直观，且可通过对位移速率划分等级等方式，更好地运用于滑坡的预警中。
[0003]阶跃型滑坡是指一种在其累计位移上呈现出“阶跃段”与“平稳段”交替变化的滑坡，其广泛存在于三峡库区和东南沿海丘陵山地。该类型滑坡的滑动速率常呈现如下特点：(1)当滑坡处于“平稳段”时，其位移速率很小，滑坡仅发生相对微小的移动；(2)当滑坡处于“阶跃段”时，其位移速率会突然从上述较小值突升到一个较大值，随后以一定范围的速率变动；(3)受降雨等因素的影响，总体而言，阶跃型滑坡中“平稳段数据”较“阶跃段数据”要更多。上述特点造成了大多数人工智能模型在对阶跃型滑坡位移速率进行训练时存在过拟合，进而导致对该类型滑坡位移速率预测效果不佳、在峰值出现滞后性现象。因此，需要一种能适用于阶跃型滑坡位移速率特点的人工智能模型，实现对阶跃型滑坡位移速率的准确预测。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法，实现对阶跃型滑坡位移速率的准确预测。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法，包括以下步骤:
[0007]步骤S1:采集滑坡相关数据并处理，获得以日为单位的滑坡位移速率及降雨量、孔隙水压力等因素数据；
[0008]步骤S2:基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率与各因素的关联程度综合考虑，双重选择预测模型的输入特征；
[0009]步骤S3:将步骤S2获取的输入特征及滑坡位移速率历史数据构建数据集；
[0010]步骤S4:构建LSO
‑
RF模型，基于训练集数据训练，得到训练后的LSO
‑
RF模型，并基于训练后的LSO
‑
RF模型，对滑坡位移速率进行预测。
[0011]进一步的，所述步骤S1具体为：以小时为单位，通过野外监测站获取滑坡的累计位移、孔隙水压力、降雨量；将累计位移、孔隙水压力、降雨量数据进行处理，以天为单位，转换为滑坡的位移速率，日平均孔隙水压力、日降雨量；以天为单位，通过气象站资料，获取滑坡区域的云量、湿度、土壤有效持水量、地表径流。
[0012]进一步的，所述步骤S2具体为：
[0013]S21：将滑坡位移速率视为因变量Y，滑坡日平均孔隙水压力、日降雨量、云量、湿
度、土壤有效持水量、地表径流视为自变量X，分别探究X与Y之间的斯皮尔曼等级相关系数；
[0014]S22：将滑坡位移速率时间序列视为参考时间序列，将滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列视为比较时间序列，将参考时间序列与比较时间序列均值化后，计算参考时间序列同各个比较时间序列间的灰色关联度；
[0015]S23：综合对比斯皮尔曼等级相关系数和灰色关联度的分析结果，选取在两种分析中均满足预设要求的因素，作为模型的输入特征。
[0016]进一步的，所述斯皮尔曼等级相关系数的计算步骤如下：
[0017](1)首先对两变量(X、Y)的数据各自进行排序，然后记录下排序以后的位置；此时某个数据i的位置，即为X
i
或Y
i
的秩次；
[0018](2)而后对斯皮尔曼相关系数r
s
按如下公式计算：
[0019][0020]其中d
i
为X
i
与Y
i
之间的秩次差；n为序列中的样本数。
[0021]进一步的，所述灰色关联度的计算步骤如下：
[0022](1)确定滑坡位移速率时间序列为参考序列，滑坡的日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列为比较序列；
[0023](2)对参考序列{x0
}
和比较序列{x
i
},i＝1,2,
…
,5通过均值化进行无量纲处理，均值化公式如下：
[0024][0025]其中，x
i
(k)为某一时间序列中第k个数据；为某一时间序列的平均值；
[0026](3)计算参考序列和比较序列之间的灰色关联系数值，计算公式如下：
[0027][0028]其中，ξ
i
(k)为比较序列{x
i
}与参考序列{x0}在第k个数据时的灰色关联系数；ρ为分辨系数；
[0029](4)按下式求解参考序列同各比较序列之间的灰色关联度值：
[0030][0031]进一步的，所述LSO
‑
RF模型构建，具体如下：
[0032]S41：种群初始化，包括初始化狮群中狮子的数目，狮子的位置；
[0033]S42：输入RF随机森林模型并选定待优化参数；
[0034]S43：根据公式计算狮群中狮王、母狮、幼狮个数，并且将初始群体最优位置设置为狮王位置，各狮当前位置设为个体历史最优位置；
[0035]S44：将LSO狮群优化算法的适应度函数设置为RF随机森林模型预测结果的MAE、RMSE、R2的平均值；
[0036]S45：更新狮王位置，计算适应度值；
[0037]S46：更新母狮位置和幼狮位置；
[0038]S47：重新计算适应度值，更新全局最优位置和历史最优位置；
[0039]S48：判断迭代次数是否为最大迭代次数，若不是，则重复步骤S45～S47；若是最大迭代次数，则结束循环，输出待优化参数的值；
[0040]S49：根据得到的参数，建立LSO优化的RF随机森林模型。
[0041]进一步的，所述步骤S4还采用监督学习数据的转换将包含不同特征的时间序列转换成指定输入步长和输出步长的时间序列。
[0042]进一步的，所述步骤S4中训练模型时，采用扩展窗口法，
[0043](1)先按预设比例划分训练集和测试集，模型对训练集进行训练学习、而后对测试集中从起始位置开始的部分数据进行预测；
[0044](2)对上述部分数据预测完成后，将这些数据的真实值纳入原有的训练集中，构成一个新的训练集，进而对下一部分的数据进行预测。
[0045]本专利技术与现有技术相比具有以下有益效果：
[0046]本专利技术解决了大多数人工智能模型在对阶跃型滑坡位移速率预测时因过拟合等原因造成的不准确性以及滞后性，能利用较少的数据集实现更为精准的预测。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法，其特征在于，包括以下步骤:步骤S1:采集滑坡相关数据并处理，获得以日为单位的滑坡位移速率及降雨量、孔隙水压力因素数据；步骤S2:基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率与各因素的关联程度综合考虑，双重选择预测模型的输入特征；步骤S3:将步骤S2获取的输入特征及滑坡位移速率历史数据构建数据集；步骤S4:构建LSO
‑
RF模型，基于训练集训练，得到训练后的LSO
‑
RF模型，并基于训练后的LSO
‑
RF模型，对滑坡位移速率进行预测。2.根据权利要求1所述的基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法，其特征在于，所述步骤S1具体为：以小时为单位，通过野外监测站获取滑坡的累计位移、孔隙水压力、小时降雨量；将累计位移、孔隙水压力、小时降雨量数据进行处理，以天为单位，转换为滑坡的位移速率，日平均孔隙水压力、日降雨量；以天为单位，通过气象站资料，获取滑坡区域的云量、湿度、土壤有效持水量、地表径流。3.根据权利要求2所述的基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法，其特征在于，所述步骤S2具体为：S21：将滑坡位移速率视为因变量Y，滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流视为自变量X，分别探究X与Y之间的斯皮尔曼等级相关系数；S22：将滑坡位移速率时间序列视为参考时间序列，将滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列视为比较时间序列，将参考时间序列与比较时间序列均值化后，计算参考时间序列同各个比较时间序列间的灰色关联度；S23：综合对比斯皮尔曼等级相关系数和灰色关联度的分析结果，选取在两种分析中均满足预设要求的因素，作为模型的输入特征。4.根据权利要求3所述的基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法，其特征在于，所述斯皮尔曼等级相关系数的计算步骤如下：(1)首先对两变量(X、Y)的数据各自进行排序，然后记录下排序以后的位置；此时某个数据i的位置，即为X
i
或Y
i
的秩次；(2)而后对斯皮尔曼相关系数r
s
按如下公式计算：其中d
i
为X
i
与Y
i
之间的秩次差；n为序列中的样本数。5.根据权利要求3所述...

【专利技术属性】
技术研发人员：简文彬，黄智杰，夏昌，樊秀峰，赖增荣，林立鹏，
申请(专利权)人：福州大学，
类型：发明
国别省市：