一种基于滑坡累计位移预测的LMD-EST-TCN混合方法及系统技术方案

本发明专利技术属于地质灾害监测领域，公开了一种基于滑坡累计位移预测的LMD

【技术实现步骤摘要】
一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法及系统


[0001]本专利技术属于地质灾害监测领域，特别是涉及一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法。

技术介绍

[0002]构建滑坡早期衰减模型的方法有：(1)经验模型，(2)统计学理论模型，(3)人工智能模型等。经验模型的特点是具有明显的特征物理机制，但有严重的应用局限性，并依赖于专家的经验，由于模型简化了地质和力学机制，模型可能与事实不符；随着统计学的发展，许多统计方法被用于预测滑坡位移，如Verhulst模型和灰色系统模型。这些模型大多是非线性模型，没有一定的地质和力学机制支持；随着人工智能的快速发展，各种研究都致力于将人工智能模型应用于滑坡位移预测，这些神经网络模型是完全连接的，在训练过程中可能会产生信息泄漏，导致训练集过拟合。
[0003]针对2所列举模型的不足，将局部均值分解(LMD)、指数平滑预测模型(ETS)和时间卷积网络(TCN)组合为一种预测滑坡位移的混合方法，命名为LMD
‑
ETS
‑
TCN。与以往研究中使用的其他模型相比，LMD可以避免EMD中的过包络或欠包络的缺点；ETS模型考虑了数据的自相关性，能较好的预测滑坡位移中的趋势项位移，适用于有非线性增长倾向的数据序列，而滑坡变形就具有明显非线性增长倾向；TCN模型也有一些优势，循环架构的神经网络容易出现梯度消失的问题，而TCN更容易提高序列观察范围，避免产生梯度爆炸、梯度消失的问题，能在数据序列较长的历史序列中捕获时间和空间特征。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，提供一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法，旨在传统方法中存在的严重应用局限性，利用LMD
‑
EST
‑
TCN混合方法进行预测滑坡位移。
[0007]为解决上述技术问题，本专利技术提供如下技术方案，一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法，包括：
[0008]利用局部平均分解LMD分解调频信号，将位移分解为趋势项位移和周期项位移；利用网格搜索确定指数平滑预测法EST模型的状态空间和时间卷积网络TCN模型的超参数并进行调优测试；采用平均绝对误差、均方根误差和决定系数评价模型性能。
[0009]作为本专利技术所述的基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法的一种优选方案，其中：所述局部平均分解LMD具体步骤如下：
[0010]在信号x(t)的半波振荡中计算极值n
i
和n
i+1
的平均值m
i
，通过移动平均值平滑局部均值，形成平滑变化的连续局部均值函数m(t)，确定每个对应的半波振荡的局部幅度，将平
滑局部震级产生一个平滑变化的连续包络函数，计算初始信号的原始均值，迭代过程应重复n次，直至计算出纯调频信号，最后将初始信号x(t)与乘积函数PF1(t)相减获得新函数u1(t)，因此流持续k次，直到u
k
(t)变为常数与不再振荡。
[0011]所述分解调频信号表示为：
[0012][0013][0014]所述纯调频信号表示为：
[0015][0016]其中，m
i
为信号半波振荡的平均值，n
i
、n
i+1
为极值，a
i
为半波振荡的局部幅度，h
ln
(t)为输出信号，x(t)为初始信号，m
ln
(t)为原始均值，s
ln
(t)为纯调频信号，a
ln
(t)为初始包络估计。
[0017]作为本专利技术所述的基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法的一种优选方案，其中：所述乘积函数包括将纯调频信号通过乘积函数获得新函数表示为：
[0018]PF1(t)＝a1(t).s
1n
(t)
[0019][0020][0021]其中，PF
k
(t)为乘积函数，u
k
(t)为新函数。
[0022]作为本专利技术所述的基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法的一种优选方案，其中：所述指数平滑预测法EST包括ETS模型由一个预测方程和三个平滑方程组成表示为：
[0023][0024]其中，为时间t处的拟合值向前一步的预测，y
t
为时间t处的数据值，l
t
为时间t处的水平，b
t
代表趋势分量，S
t
代表季节变化周期，m为季节周期数一年中包含的季节数，α、β、γ代表平滑参数0<α、β、γ<1，φ为阻尼系数趋势抑制因子。
[0025]作为本专利技术所述的基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法的一种优选方案，其中：所述时间卷积网络TCN包括对于一维序列，输入X∈R
n
，滤波器f:{0,
…
,k
‑
1}
→
R，展开卷积运算表示为：
[0026][0027]其中，F(s)为展开卷积，X为一维序列系数，f(i)为滤波器，s为序列元素，d为膨胀因子，k为过滤器大小，s
‑
d.i表示过去的方向。
[0028]作为本专利技术所述的基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法的一种优选方案，其中：所述调优测试包括预测的趋势项位移用EST模型拟合趋势项进行预测，训练一种基于周期项的TCN方法来预测滑坡周期项位移，累计项位移预测是趋势项位移预测与周期项位移预测的总和，循环预测得到t+1次的位移。
[0029]作为本专利技术所述的基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法的一种优选方案，其中：所述评价模型性能包括采用平均绝对误差MAE、均方根误差RMSE和决定系数R2来评价模型的性能表示为：
[0030][0031][0032][0033]其中，y
i
和分别为观测位移和预测位移，为n次实测位移的平均位移，MAE为平均绝对误差，RMSE为均方根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法，其特征在于：包括，利用局部平均分解LMD分解调频信号，将位移分解为趋势项位移和周期项位移；利用网格搜索确定指数平滑预测法EST模型的状态空间和时间卷积网络TCN模型的超参数并进行调优测试；采用平均绝对误差、均方根误差和决定系数评价模型性能。2.如权利要求1所述的一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法，其特征在于：所述局部平均分解LMD具体步骤如下：在信号xt的半波振荡中计算极值n
i
和n
i+1
的平均值m
i
，通过移动平均值平滑局部均值，形成平滑变化的连续局部均值函数m(t)，确定每个对应的半波振荡的局部幅度，将平滑局部震级产生一个平滑变化的连续包络函数，计算初始信号的原始均值，迭代过程应重复n次，直至计算出纯调频信号，将初始信号xt与乘积函数PF1(t)相减获得新函数u1(t)，因此流持续k次，直到u
k
(t)变为常数与不再振荡。所述分解调频信号表示为：h
11
(t)＝xt
‑
m
11
(t)，所述纯调频信号表示为：其中，m
i
为信号半波振荡的平均值，n
i
、n
i+1
为极值，a
i
为半波振荡的局部幅度，h
ln
(t)为输出信号，xt为初始信号，m
ln
(t)为原始均值，s
ln
(t)为纯调频信号，a
ln
(t)为初始包络估计。3.如权利要求2所述的一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法，其特征在于：所述乘积函数包括将纯调频信号通过乘积函数获得新函数表示为：PF1(t)＝a1(t).s
1n
(t)(t)其中，PF
k
(t)为乘积函数，u
k
(t)为新函数。4.如权利要求3所述的一种基于滑坡累计位移预测的LMD
‑
EST
‑
TCN混合方法，其特征在于：所述指数平滑预测法EST包括ETS模型由一个预测方程和三个平滑方程组成表示为：
其中，为时间t处的拟合值向前一步的预测，y
t
为时间t处的数据值，l
t
为时间t处的水平，b
t
...

【专利技术属性】
技术研发人员：刘卓娅，欧阳广泽，邓松，文屹，吴建蓉，黄军凯，余昌皓，曹雷，刘忻，颜康，罗鑫，张啟黎，肖书舟，郑友卓，王融融，魏延勋，李书耀，赵军，赵强飞，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：