一种基于SSA-VMD-GRU的滑坡位移预测方法技术

本发明专利技术涉及地质位移预测技术领域，具体涉及一种基于SSA

【技术实现步骤摘要】
一种基于SSA
‑
VMD
‑
GRU的滑坡位移预测方法


[0001]本专利技术涉及地质位移预测
，具体涉及一种基于SSA
‑
VMD
‑
GRU的滑坡位移预测方法。

技术介绍

[0002]滑坡是一种常见的地质灾害，它发生在斜坡岩土体内部某一软弱结构面沿着滑动平面滑移的地质现象。滑坡不仅对人类生命安全造成威胁，还会给资源、环境和财产等带来严重损害，是一种具有典型性的地质灾害。由于滑坡隐患点往往具有突发性和难以预测性，因此位移预测成为减少滑坡灾害损失的重要手段之一。位移演化可作为预测滑坡破坏过程的指标，高精度的预测可以提高预警效果和应急响应能力，减少滑坡灾害带来的损失。随着人类活动不断扩张，滑坡灾害已成为全球面临的重要问题之一。
[0003]针对阶跃性滑坡位移预测方法主要是将累计滑坡位移分解，部分学者采用经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、变分模态分解(Variational Mode Decomposition,VMD)等方法进行位移分解，但以上方法均存在分解不彻底问题，因此本专利技术提出一种SSA
‑
VMD分解法对累计滑坡位移进行分解，消除分解产生的模态混叠问题，有效地提高分解的彻底性。
[0004]在滑坡位移预测的方法中，卷积神经网络(ConvolutionalNeural Networks，CNN)、长短期记忆神经网络(Long Short
‑
Term Memory，LSTM)、门控循环单元(Gated RecurrentUnit，GRU)等深度学习模型常应用于滑坡位移预测中，但这些模型中存在参数较多、结构复杂，在进行预测过程中需要多种外生变量进行参考的问题，导致预测精度和效率不高的现象，因此本专利技术提出一种SSA
‑
GRU预测模型，采用SSA算法对GRU模型进行寻优，寻求最优参数并应用于滑坡位移预测。

技术实现思路

[0005]本专利技术的目的在于提供一种基于SSA
‑
VMD
‑
GRU的滑坡位移预测方法，旨在提高现有的滑坡位移预测方法预测精度和效率的同时，增加模型的广泛适用性。
[0006]为实现上述目的，本专利技术提供了一种基于SSA
‑
VMD
‑
GRU的滑坡位移预测方法，包括下列步骤：
[0007]步骤1：采用SSA
‑
VMD分解法将滑坡累计位移分解为k个固有模式分量和一个趋势项；
[0008]步骤2：将固有模式分量数据集划分为训练集、验证集和测试集，并引入各分量的上月滑坡位移、上月滑坡位移变化以及上两月间滑坡位移变化作为影响因子；
[0009]步骤3：采用SSA
‑
GRU模型对各分量预测，训练出适用于各分量的预测模型；
[0010]步骤4：采用差分整合移动平均自回归模型与网格搜索对趋势项预测；
[0011]步骤5：将各预测值叠加构成累计位移预测值，完成滑坡位移预测。
[0012]可选的，采用SSA
‑
VMD分解法将滑坡累计位移分解的过程，包括下列步骤：
[0013]步骤1.1：设置VMD参数k、α的范围，k范围为[3,5]，α范围为[0,2000]；
[0014]步骤1.2：初始化参数，利用VMD对滑坡位移进行分解，得到包络熵设为适应度；
[0015]步骤1.3：更新SSA算法中的发现者、加入者和意识危险个体位置；
[0016]步骤1.4：判断当前适应度是否大于前适应度，若大于，则更新适应度，若小于，则不变；
[0017]步骤1.5：判断是否达到最大迭代次数，若未满足，则返回步骤2，若满足，则输出最优参数及适应度；
[0018]步骤1.6：将最优参数带入VMD中，将滑坡累计位移分解为k个IMF分量和一个趋势项。
[0019]可选的，步骤2的具体执行过程，包括下列步骤：
[0020]步骤2.1：将各固有模式分量按照8：1：1划分为训练集、验证集和测试集；
[0021]步骤2.2：引入各分量的上月滑坡位移、上月滑坡位移变化和上两月间滑坡位移变化作为影响因子；
[0022]步骤2.3：采用灰色关联度方法证明输入分量的有效性。
[0023]可选的，采用SSA
‑
GRU模型对各分量预测的过程，包括下列步骤：
[0024]步骤3.1：数据预处理，对数据标准化；
[0025]步骤3.2：初始化参数，将GRU模型的神经元个数范围设为[2,200]，Dropout层参数设为[0.001,0.5]，随机生成SSA算法中的发现者和加入者位置；
[0026]步骤3.3：将训练集和验证集带入GRU模型，目标函数设为验证集的最大R2；
[0027]步骤3.4：对训练后获得的适应度与前适应度进行对比，若当前适应度大于前适应度，则更新适应度，否则不做改变；
[0028]步骤3.5：判断是否达到最大迭代次数，若未满足条件，则返回步骤3.3，若满足条件，输出GRU模型最优参数并在测试集进行验证结果。
[0029]可选的，步骤5的具体执行过程，包括以下步骤：
[0030]步骤5.1：根据分解时间序列加法模型Y(t)＝T(t)+P(t)，Y(t)是滑坡累计位移序列，T(t)是位移趋势项，P(t)是位移其他分解项，求得最终Y(t)预测结果；
[0031]步骤5.2：计算预测值与真实值的最小误差
[0032]步骤5.3：计算预测值与真实值偏差的平方求和平均
[0033]步骤5.4：计算预测值与真实值之间偏差的平均值
[0034]步骤5.5：计算预测值与真实值之间的相关性
[0035]步骤5.6：根据以上计算结果验证模型的有效性。
[0036]本专利技术提供了一种基于SSA
‑
VMD
‑
GRU的滑坡位移预测方法，首先采用SSA
‑
VMD分解法对滑坡累计位移分解，SSA
‑
VMD可以有效地针对不同的滑坡位移序列选取最优分解参数，从而将位移分解的更彻底，提高滑坡位移预测准确性；采用过去时间序列对下一刻值进行
预测，不需要降雨量和库水位等影响因子，提高了预测速率；采用SSA
‑
GRU解决神经网络算法中梯度爆炸和梯度消失问题，相对LSTM模型具有更少的参数和更高的预测效率；同时采用ARIMA和网格搜索算法对位移趋势项预测，ARIMA模型使用历史数据预测未来值，预测精度高，模型简单，只需要内生变量而不需要借助其他外生变量，确保预测效率的同时提升预测精度。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSA
‑
VMD
‑
GRU的滑坡位移预测方法，其特征在于，包括下列步骤：步骤1：采用SSA
‑
VMD分解法将滑坡累计位移分解为k个固有模式分量和一个趋势项；步骤2：将固有模式分量数据集划分为训练集、验证集和测试集，并引入各分量的上月滑坡位移、上月滑坡位移变化以及上两月间滑坡位移变化作为影响因子；步骤3：采用SSA
‑
GRU模型对各分量预测，训练出适用于各分量的预测模型；步骤4：采用差分整合移动平均自回归模型与网格搜索对趋势项预测；步骤5：将各预测值叠加构成累计位移预测值，完成滑坡位移预测。2.如权利要求1所述的基于SSA
‑
VMD
‑
GRU的滑坡位移预测方法，其特征在于，采用SSA
‑
VMD分解法将滑坡累计位移分解的过程，包括下列步骤：步骤1.1：设置VMD参数k、α的范围，k范围为[3,5]，α范围为[0,2000]；步骤1.2：初始化参数，利用VMD对滑坡位移进行分解，得到包络熵设为适应度；步骤1.3：更新SSA算法中的发现者、加入者和意识危险个体位置；步骤1.4：判断当前适应度是否大于前适应度，若大于，则更新适应度，若小于，则不变；步骤1.5：判断是否达到最大迭代次数，若未满足，则返回步骤2，若满足，则输出最优...

【专利技术属性】
技术研发人员：纪元法，任帅，孙希延，韦照川，
申请(专利权)人：南宁桂电电子科技研究院有限公司，
类型：发明
国别省市：