本申请公开了一种基于残差预测模型的边坡位移预测方法及相关装置，用于提高基于支持向量机SVM的边坡位移预测模型的预测精度。本申请方法包括：获取第一边坡监测数据；使用第一边坡监测数据对基于SVM的第一模型进行边坡位移预测训练，得到边坡位移预测模型；使用第一残差数据对基于SVM的第二模型进行残差预测训练，得到残差预测模型；根据残差预测模型输出的残差预测结果对第一边坡位移预测结果进行修正，得到第二边坡位移预测结果；使用残差预测结果、第一残差数据和第二残差数据对基于随机森林的判别器进行残差判别训练，得到残差修正判别器；根据残差修正判别器输出的目标残差数据对第一边坡位移预测结果进行修正，得到目标边坡位移预测结果。目标边坡位移预测结果。目标边坡位移预测结果。
【技术实现步骤摘要】
一种基于残差预测模型的边坡位移预测方法及相关装置
[0001]本申请涉及边坡位移预测领域，尤其涉及一种基于残差预测模型的边坡位移预测方法及相关装置。
技术介绍
[0002]滑坡是一种斜坡上的土体或者岩体发生整体或者分散地顺坡向下滑动现象的自然灾害，造成滑坡的因素众多，其中开挖是边坡破坏的重要因素。开挖过程中的边坡卸荷会引起边坡应力场的快速调整和岩土材料的逐渐变形，从而导致原始裂缝的不断扩张和新裂缝的逐渐生成。同时，降雨、地下水位等外界环境因素的影响，加剧了裂缝的扩张，并降低了土壤和软岩等岩土材料的抗剪强度，使边坡更容易发生破坏。
[0003]传统的边坡风险预警方法主要包括物理模型法和数值模拟法，但通常受到边坡复杂地质特性的限制。随着监测技术与设备的发展，基于机器学习和深度学习的数据驱动模型被广泛用于边坡风险预警，如灰色系统模型，回归模型，混沌模型等，以预测边坡位移，捕捉边坡位移的非线性动力学行为。目前的边坡监测技术通常采用支持向量机（Support Vector Machine, SVM)构建边坡位移预测模型，使用SVM构建的边坡位移预测模型不仅可以应对非线性预测问题，而且对样本数据要求低。但是，基于SVM的边坡位移预测模型无法做到将影响边坡位移的所有因素考虑进去，通常只考虑主要影响因素而忽略次要影响因素。在无法考虑的次要影响因素的长期作用下，基于SVM的边坡位移预测模型所输出的预测值与真实值之间的误差会形成一定趋势，从而降低基于SVM的边坡位移预测模型的预测精度。
技术实现思路
[0004]本申请提供了一种基于残差预测模型的边坡位移预测方法及相关装置，能够提高基于SVM的边坡位移预测模型的预测精度。
[0005]本申请第一方面提供了一种基于残差预测模型的边坡位移预测方法，包括：获取第一边坡监测数据；使用所述第一边坡监测数据对基于SVM的第一模型进行边坡位移预测训练，得到边坡位移预测模型；使用第一残差数据对基于SVM的第二模型进行残差预测训练，得到残差预测模型，所述第一残差数据为所述边坡位移预测模型输出的第一边坡位移预测结果与真实值作差得到的误差数据；根据所述残差预测模型输出的残差预测结果对所述第一边坡位移预测结果进行修正，得到第二边坡位移预测结果；使用所述残差预测结果、所述第一残差数据和第二残差数据对基于随机森林的判别器进行残差判别训练，得到残差修正判别器，所述第二残差数据为所述第二边坡位移预测结果与真实值作差得到的误差数据，所述残差修正判别器用于根据所述第一残差数据和
所述第二残差数据的绝对值大小比较结果为所述残差预测结果赋予0值或1值并确定赋值后的所述残差预测结果为目标残差数据；根据所述残差修正判别器输出的目标残差数据对所述第一边坡位移预测结果进行修正，得到目标边坡位移预测结果。
[0006]可选的，在所述获取第一边坡监测数据之后，所述使用所述第一边坡监测数据对基于SVM的第一模型进行边坡位移预测训练之前，所述边坡位移方法还包括：对所述第一边坡监测数据进行预处理，得到第二边坡监测数据；所述使用所述第一边坡监测数据对基于SVM的第一模型进行边坡位移预测训练包括：使用所述第二边坡监测数据对基于SVM的第一模型进行边坡位移预测训练。
[0007]可选的，所述对所述第一边坡监测数据进行预处理，得到第二边坡监测数据包括：根据3σ准则删除所述第一边坡监测数据中的异常值；采用最小二乘SVM填补所述第一边坡监测数据中的缺失值；采用小波变换对删除和填补后的所述第一边坡监测数据进行降噪处理；对降噪处理后的所述第一边坡监测数据进行数据标准化，得到第二边坡监测数据。
[0008]可选的，所述根据所述残差修正判别器输出的目标残差数据对所述第一边坡位移预测结果进行修正，得到目标边坡位移预测结果包括：若所述残差修正判别器输出的目标残差数据为赋值为0值的所述残差预测结果，则确定所述第一边坡位移预测结果为目标边坡位移预测结果；若所述残差修正判别器输出的目标残差数据为赋值为1值的所述残差预测结果，则确定所述第二边坡位移预测结果为目标边坡位移预测结果。
[0009]可选的，所述第一边坡监测数据为边坡深部位移监测数据。
[0010]本申请第二方面提供了一种基于残差预测模型的边坡位移预测装置，包括：获取单元，用于获取第一边坡监测数据；边坡位移预测训练单元，用于使用所述第一边坡监测数据对基于SVM的第一模型进行边坡位移预测训练，得到边坡位移预测模型；残差预测训练单元，用于使用第一残差数据对基于SVM的第二模型进行残差预测训练，得到残差预测模型，所述第一残差数据为所述边坡位移预测模型输出的第一边坡位移预测结果与真实值作差得到的误差数据；第一修正单元，用于根据所述残差预测模型输出的残差预测结果对所述第一边坡位移预测结果进行修正，得到第二边坡位移预测结果；残差判别训练单元，用于使用所述残差预测结果、所述第一残差数据和第二残差数据对基于随机森林的判别器进行残差判别训练，得到残差修正判别器，所述第二残差数据为所述第二边坡位移预测结果与真实值作差得到的误差数据，所述残差修正判别器用于根据所述第一残差数据和所述第二残差数据的绝对值大小比较结果为所述残差预测结果赋予0值或1值并确定赋值后的所述残差预测结果为目标残差数据；第二修正单元，用于根据所述残差修正判别器输出的目标残差数据对所述第一边坡位移预测结果进行修正，得到目标边坡位移预测结果。
[0011]可选的，所述边坡位移装置还包括：预处理单元，用于对所述第一边坡监测数据进行预处理，得到第二边坡监测数据；所述边坡位移预测训练单元具体用于：使用所述第二边坡监测数据对基于SVM的第一模型进行预测训练。
[0012]可选的，预处理单元具体用于：根据3σ准则删除所述第一边坡监测数据中的异常值；采用SVM填补所述第一边坡监测数据中的缺失值；采用小波变换对删除和填补后的所述第一边坡监测数据进行降噪处理；对降噪处理后的所述第一边坡监测数据进行数据标准化，得到第二边坡监测数据。
[0013]可选的，所述第二修正单元具体用于：若所述残差修正判别器输出的目标残差数据为赋值为0值的所述残差预测结果，则确定所述第一边坡位移预测结果为目标边坡位移预测结果；若所述残差修正判别器输出的目标残差数据为赋值为1值的所述残差预测结果，则确定所述第二边坡位移预测结果为目标边坡位移预测结果。
[0014]可选的，所述获取单元具体用于：获取第一边坡监测数据，所述第一边坡监测数据为边坡深部位移监测数据。
[0015]本申请第三方面提供了一种基于残差预测模型的边坡位移预测系统，包括：中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；所述存储器为短暂存储存储器或持久存储存储器；所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行第一方面以及第一方面的可选方式中的任意一种所述的方式。
[0016]本申请第四方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行第一方面以及第一方面的可选方式中的任意一种所述的方式。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于残差预测模型的边坡位移预测方法，其特征在于，包括：获取第一边坡监测数据；使用所述第一边坡监测数据对基于支持向量机SVM的第一模型进行边坡位移预测训练，得到边坡位移预测模型；使用第一残差数据对基于SVM的第二模型进行残差预测训练，得到残差预测模型，所述第一残差数据为所述边坡位移预测模型输出的第一边坡位移预测结果与真实值作差得到的误差数据；根据所述残差预测模型输出的残差预测结果对所述第一边坡位移预测结果进行修正，得到第二边坡位移预测结果；使用所述残差预测结果、所述第一残差数据和第二残差数据对基于随机森林的判别器进行残差判别训练，得到残差修正判别器，所述第二残差数据为所述第二边坡位移预测结果与真实值作差得到的误差数据，所述残差修正判别器用于根据所述第一残差数据和所述第二残差数据的绝对值大小比较结果为所述残差预测结果赋予0值或1值并确定赋值后的所述残差预测结果为目标残差数据；根据所述残差修正判别器输出的目标残差数据对所述第一边坡位移预测结果进行修正，得到目标边坡位移预测结果。2.根据权利要求1中所述基于残差预测模型的边坡位移预测方法，其特征在于，在获取第一边坡监测数据之后，使用所述第一边坡监测数据对基于支持向量机SVM的第一模型进行边坡位移预测训练之前，所述边坡位移方法还包括：对所述第一边坡监测数据进行预处理，得到第二边坡监测数据；所述使用所述第一边坡监测数据对基于SVM的第一模型进行边坡位移预测训练包括：使用所述第二边坡监测数据对基于SVM的第一模型进行边坡位移预测训练。3.根据权利要求2中所述基于残差预测模型的边坡位移预测方法，其特征在于，所述对所述第一边坡监测数据进行预处理，得到第二边坡监测数据包括：根据3σ准则删除所述第一边坡监测数据中的异常值；采用SVM填补所述第一边坡监测数据中的缺失值；采用小波变换对删除和填补后的所述第一边坡监测数据进行降噪处理；对降噪处理后的所述第一边坡监测数据进行数据标准化，得到第二边坡监测数据。4.根据权利要求1中所述基于残差预测模型的边坡位移预测方法，其特征在于，所述根据所述残差修正判别器输出的目标残差数据对所述第一边坡位移预测结果进行修正，得到目标边坡位移预测结果包括：若所述残差修正判别器输出的目标残差数据为赋值为0值的所述残差预测结果，则确定所述第一边坡位移预测结果为目标边坡位移预测结果；若所述残差修正判别器输出的目标残差数据为赋值为1值的所述残差预测结果，则确定所述第二边坡位移预测结果为目标边坡位移预测结果。5.根据权利要求1至4中任一项所述基于残差预测模型的边坡位移...
【专利技术属性】
技术研发人员：许文波，孙立成，贾海涛，张民，任金胜，李建，
申请(专利权)人：电子科技大学，
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。