基于注意力机制和双向门控循环单元的滑坡位移预测方法技术

本发明专利技术公开了一种基于注意力机制和双向门控循环单元的滑坡位移预测方法，属于滑坡位移预测和计算机深度学习领域。本发明专利技术方法基于时间序列分解的思想，采用遗传算法对变分模态分解方法进行参数寻优；然后利用优化后的变分模态分解方法将滑坡位移分解为趋势项、周期项和随机项位移，同时选取外部诱因并分解为周期项分量和随机项分量；采用多项式最小二乘法拟合得到趋势项位移的预测值；利用基于注意机制的双向门控循环单元模型得到周期项位移的预测值；采用非线性自回归神经网络得到随机项位移的预测值；最后将各位移预测值叠加得到最终的滑坡位移预测值。本发明专利技术方法对不同位移分量单独预测，能够有效提高滑坡位移预测值的准确度。度。度。

【技术实现步骤摘要】
基于注意力机制和双向门控循环单元的滑坡位移预测方法


[0001]本发属于滑坡位移预测和计算机深度学习领域，尤其涉及一种基于注意力机制和双向门控循环单元的滑坡位移预测方法。

技术介绍

[0002]复杂山区地质环境条件通常较脆弱，如在高山峡谷地貌且地质构造复杂多样的山区，当山体受外诱发因素作用下，容易出现崩塌、滑坡、泥石流等地质灾害。这会给该区的人们生活与生命财产带来严重损失。在所有自然灾害中，滑坡是一种易发的山区自然灾害。对滑坡灾害风险进行预测是十分必要的。
[0003]滑坡演化是一个动态变化的过程，在受外界诱发因素条件改变时，滑坡的风险也随之变化。若仅仅只给出复杂山区的滑坡地质灾害风险是完全不够的。对于已经预测出近期可能发生滑坡地质灾害的监测区域，还需要确定滑坡地质灾害影响的空间范围以及滑坡地质灾害风险预计出现时间。滑坡一般是从坡体地表形变开始出现到坡体最终失稳而滑动过程。它一般会经历初始启动(第Ⅰ阶段)、缓慢变形(第II阶段)和加速变形(第Ⅲ阶段)等3个阶段。根据滑坡位移变化趋势预测滑坡所处阶段，进而预测滑坡可能发生的时间，这一思路得到了广泛的认可。准确的预测滑坡位移变化趋势是准确预测滑坡出现时间的前提基础。
[0004]采用深度学习构建预测模型是当前预测的主要数学方法。通常来说，滑坡预测方法可分为单因素和多因素预测法。例如GM(n，1)、Verhulst模型等单因素法运用于滑坡预测都取得了较好效果。随着信息技术和监测技术的更新，目前更倾向于使用多因素法。如：基于诱发因素的响应分析，搭建BP神经网络对滑坡位移周期项进行预测；基于时间序列与PSO
‑
SVR耦合模型，建立了周期项位移与外在因素的响应关系；基于小波变换和ELM模型，提出了混沌时间序列WA
‑
ELM滑坡位移预测模型。一般认为，当信息足够时，考虑多因素的“学习型”方法比考虑单因素的方法显得更合理。
[0005]但目前这些方法多采用静态模型，即在模型投入使用之前只接受一次训练，使用过程中模型的参数不能随时间变化而调整。而滑坡是一个动态变化的过程，从而制约了模型的预测效果。
[0006]滑坡位移的时间序列预测是滑坡预测预警系统中的重要组成部分。滑坡位移受坡体自身地质条件和外部诱因因素共同影响，具有动态、复杂和非线性等特点。艰险山区地形结构特殊和气候条件复杂，发生滑坡的概率更高，位移预测的难度更大。目前虽然有一些预测模型方法可用于滑坡地表位移预测，但它们大都多为静态模型，也没有考虑滑坡自身演化的趋势。例如，支持向量机模型SVM以及神经网络模型NN都属于静态模型，它们局限于隐含层网络单向传递结构特点，这类模型往往无法顾及滑坡自身演化的趋势，从而制约了模型的预测效果。
[0007]针对滑坡位移变化主要受降雨等外部因素的影响，当前大多数方法利用时间序列加法模型将位移分解成趋势项和周期项位移。不过它们往往忽略了随机项位移的影响，导
致位移预测结果的准确度始终无法得到较大的提升。为了分解得到随机项位移来提高预测的精确度，可采用的方法有经验模态分解，小波分析等。但它们分解分量通常多于5个，各分量所表示的物理意义难以明确。
[0008]艰险山区地形结构特殊和气候条件复杂，发生滑坡的概率更高，位移预测的难度更大，传统时间序列分解方法难以模拟滑坡位移的动态演化特征。当前滑坡位移预测所采用的方法多采用静态模型，例如支持向量机模型SVM以及神经网络模型NN，而滑坡是一个动态的过程，静态模型预测效果不太好。
[0009]随着深度学习的广泛应用，可将长短时记忆网络应用于滑坡预测，实现滑坡位移变化过程的动态预测模型。门控循环单元(GRU，Gated Recurrent Unit)作为长短时记忆网络的一种优化模型，在自动化识别与分类方面具有良好的效果，但目前它在滑坡位移预测中的应用研究还相对较少。

技术实现思路

[0010]针对现有滑坡位移预测方法存在无法顾及滑坡自身演化趋势的问题，本专利技术提出一种基于注意力机制和双向门控循环单元的滑坡位移预测方法。该方法基于时间序列分解的思想，采用遗传算法(GA)对变分模态分解方法(VMD)进行参数寻优；然后利用优化后的变分模态分解方法将滑坡位移分解为趋势项、周期项和随机项位移，同时选取外部诱因并分解为周期项分量和随机项分量；采用多项式最小二乘法拟合得到趋势项位移的预测值；利用基于注意机制的双向门控循环单元模型得到周期项位移的预测值；采用非线性自回归神经网络得到随机项位移的预测值；最后将各位移预测值叠加得到最终的位移预测值。
[0011]本专利技术采用的技术方案如下：
[0012]一种基于注意力机制和双向门控循环单元的滑坡位移预测方法，其特征在于，包括以下步骤：
[0013]S1.滑坡位移时间序列分解：
[0014]基于如公式(1)所示的滑坡位移时序加法模型，将历史滑坡位移进行时间序列分解为趋势项位移、周期项位移和随机项位移；
[0015]Y
t
＝T
t
+P
t
+R
t (2)
[0016]其中，Y
t
为t时刻的滑坡位移监测值，T
t
为t时刻的趋势项位移，P
t
为t时刻的周期项位移，R
t
为t时刻的随机项位移。
[0017]S2.外部诱因时间序列分解：
[0018]采用灰色关联模型挖掘历史位移分量与影响因素之间的关联性，结合影响因素的滞后性特征，选取对滑坡位移影响最大的两个影响因素作为外部诱因；对两个外部诱因进行时间序列分解，得到两个外部诱因的周期项分量和随机项分量。
[0019]S3.预测趋势项位移：
[0020]采用多项式最小二乘法拟合预测趋势项位移，得到趋势项位移的预测值。
[0021]S4.预测周期项位移：
[0022]将Bi
‑
GRU神经网络作为主干网络，在主干网络的基础上插入注意力模块，得到基于注意力机制的双向门控循环单元模型。
[0023]将周期项位移和周期项分量输入基于注意力机制的双向门控循环单元模型，得到
周期项位移的预测值。
[0024]S5.预测随机项位移：
[0025]采用非线性自回归神经网络，将随机项位移和随机项分量合并后作为输入，得到随机项位移的预测值。
[0026]S6.计算滑坡位移预测值：
[0027]根据位移的矢量性，将趋势项位移的预测值、周期项位移的预测值和随机项位移的预测值相加求和，得到滑坡位移预测值。
[0028]优选地，步骤S4中，所述基于注意力机制的双向门控循环单元模型包括逆向传播模块、正向传播模块、注意力模块；将T时间段的随机项位移输入到逆向传播模块中，随后将该模块的输出结果输入到注意力模块中，经注意力模块处理后得到权重向量矩阵F；同时将T时间段的随机项分量输入到正向传播模块中得到T时间段的隐向量h
t
，最后将T时间段的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和双向门控循环单元的滑坡位移预测方法，其特征在于，包括以下步骤：S1.滑坡位移时间序列分解：基于如公式(1)所示的滑坡位移时序加法模型，将历史滑坡位移进行时间序列分解为趋势项位移、周期项位移和随机项位移；Y
t
＝T
t
+P
t
+R
t (1)其中，Y
t
为t时刻的滑坡位移监测值，T
t
为t时刻的趋势项位移，P
t
为t时刻的周期项位移，R
t
为t时刻的随机项位移；S2.外部诱因时间序列分解：采用灰色关联模型挖掘历史位移分量与影响因素之间的关联性，结合影响因素的滞后性特征，选取对滑坡位移影响最大的两个影响因素作为外部诱因；对两个外部诱因进行时间序列分解，得到两个外部诱因的周期项分量和随机项分量；S3.预测趋势项位移：采用多项式最小二乘法拟合预测趋势项位移，得到趋势项位移的预测值；S4.预测周期项位移：将Bi
‑
GRU神经网络作为主干网络，在主干网络的基础上插入注意力模块，得到基于注意力机制的双向门控循环单元模型；将周期项位移和周期项分量输入基于注意力机制的双向门控循环单元模型，得到周期项位移的预测值；S5.预测随机项位移：采用非线性自回归神经网络，将随机项位移和随机项分量合并后作为输入，得到随机项位移的预测值；S6.计算滑坡位移预测值：根据位移的矢量性，将趋势项位移的预测值、周期项位移的预测值和随机项位移的预测值相加求和，得到滑坡位移预测值。2.如权利要求1所述的一种基于注意力机制和双向门控循环单元的滑坡位移预测方法，其特征在于，步骤S4中，所述基于注意力机制的双向门控循环单元模型包括逆向传播模块、正向传播模块、注意力模块；将T时间段的随机项位移输入到逆向传播模块中，随后将该模块的输出结果输入到注意力模块中，经注意力模块处理后得到权重向量矩阵F；同时将T时间段的随机项分量输入到正向传播模块中得到T时间段的隐向量h
t
，最后将T时间段的隐向量h
t
和注意力机制模块得到的权重向量矩阵F作...

【专利技术属性】
技术研发人员：陆鑫，章险锋，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：