【技术实现步骤摘要】
本专利技术涉及滑坡位移预测，具体涉及是一种基于改进耳廓狐算法的lstm滑坡位移预测方法。
技术介绍
1、为了保障人民群众的生命和财产安全，基于滑坡位移实时监测数据进行滑坡位移预测，实现滑坡的预警预报，从而达到科学防灾减灾的目的是十分必要的。
2、目前，滑坡位移预测研究在国内外受到广大学者的高度关注。在滑坡位移预测的研究中，以深度学习为代表的模型的lstm(长短时记忆模型，long short-term memory)，已经纳入到工程应用与科学研究当中。lstm作为一种循环神经网络的变体，其内部的lstm单元包含有输入门、输出门和遗忘门三个记忆单元，能够在网络中保存和访问长期记忆信息，对于处理具有长期依赖关系的序列数据特别适用。然而，lstm模型的性能很大程度上依赖于神经网络模型超参数的选择，因此需要人为不断调整超参数进行模型的训练才能获得性能更优的lstm模型。在这种背景下，部分学者通过采用粒子群等优化算法用于神经网络模型超参数的选择，但仍存在问题。首先，滑坡位移预测问题由于其内部特征的复杂性(如地层岩性、地下水等)以及外部环境的不确定性(如降雨、地震、人类工程活动等)，导致模型的泛化能力不足。其次，引入粒子群等优化算法，可以一定程度改善超参数寻优，但其优化算法容易陷入局部最优，不能确保得到最优的超参数。
3、从滑坡演化模式进行划分可以分为典型的蠕变性滑坡和持续缓速蠕变型滑坡，其中典型的蠕变性滑坡是指具有三阶段演化模式变化的滑坡，包括初始变形阶段、等速变形阶段和加速变形三个阶段。在初始变形阶段，当变形在外
4、而与典型蠕变性滑坡不同的是，持续缓速蠕变型滑坡不完整包含三阶段变形演化阶段，其位移曲线仅包含三阶段中的等速变形阶段和加速变形两个阶段。其位移曲线特征为随着时间增长，位移逐步增大，并且位移速率大于0，具有单调递增性。
5、同时，耳廓狐优化算法(fennec foxoptimization,ffa)是模拟自然界中耳廓狐在沙子下挖掘寻找猎物(局部搜索)和耳廓狐逃离掠夺者攻击的策略(全局搜索)提出的算法，应用在lstm滑坡位移预测中，基于其特性，通常适用于持续缓速蠕变型滑坡，也即加速破坏型滑坡，但是在实际使用中初始化的时候，是一种伪均匀分布的算法，简单描述就是像一个矩形中分布了很多点，伪均匀分布的结果就是这些点要么集中在矩形的顶部，或者底部，或者左侧，或者右侧，存在分布不均的问题。
6、综上所述，这些问题造成既有模型具有泛化能力较弱、预测精度不高，同时优化算法容易陷入局部最优，致使lstm网络结构不能适应实际滑坡位移预测的问题。
技术实现思路
1、本专利技术针对以上问题，提供一种基于改进耳廓狐算法的lstm滑坡位移预测方法。
2、采用的技术方案是，一种基于改进耳廓狐算法的lstm滑坡位移预测方法，包括以下步骤：
3、s1.采集滑坡位移数据，构建滑坡位移样本原始数据集；
4、s2.对滑坡位移样本原始数据集进行预处理，得到滑坡位移样本数据集，并将滑坡位移样本数据集划分为训练集和测试样本集；
5、s3.建立初始化lstm网络模型，并设计lstm模型超参数向量结构；
6、s4.建立于tent混沌映射模型，初始化耳廓狐算法种群；
7、s5.在tent混沌映射初始化耳廓狐算法种群的基础上，采用耳廓狐算法对lstm模型滑动窗口长度、神经元个数及丢弃率等超参数进行寻优；
8、s6.根据耳廓狐算法寻优得到的最优超参数，进行lstm模型训练，将待测试的滑坡位移的特征数据代入最终的lstm模型，得到预测结果并计算均方误差。
9、可选的，s1中，所述滑坡位移数据包括gnss监测数据、拉线计监测数据和深层测斜仪数据。
10、可选的，s2中，对滑坡位移样本原始数据集进行预处理包括以下步骤：
11、s2-1.对滑坡位移样本原始数据集进行异常数据处理，包括统一格式和单位、去除无效数据、去除不合理数据、去除离群噪声点、填充数据；
12、s2-2.对异常数据处理过后的滑坡位移样本原始数据集进行归一化处理，使滑坡监测数据信息映射至[0,1]范围内，数据归一化处理采用离差标准化法，计算算式为：
13、
14、式中，xi为某数据归一化后的值，x为数据归一化前的数据值，xmin为样本数据中的最小值，xmax为样本数据中的最大值；
15、s2-3.根据归一化后的滑坡位移样本集dataset，构建训练集trainx、trainy和测试集testx、testy。
16、可选的，s2-3包括以下步骤：
17、s2-3-1.设定训练集大小train_size为归一化后滑坡位移样本集的长度dataset_len，若train_size为小数，则将train_size为整数；设定测试集大小test_size为滑坡位移样本集长度减去train_size；
18、s2-3-2.构建训练集train＝{ti|ti∈datastet，0≤i＜train_size}，构建测试集test＝{ti|ti∈datastet，train_size≤i＜dataset_len}；
19、s2-3-3.设定时序窗口大小look_back，构建训练集trainx和trainy，数学表达式为：
20、trainx＝[x1，x2，x3，...xn]，其中x1＝[train1，train2，...trainlook_back]，x2
21、＝[train2，train3，...trainlook_back+1]，...xn
22、＝[trainn，trainn+1，...trainlook_back+n-1]，n
23、＝train_size-look_back
24、trainy＝[y1，y2，y3，...yn]，其中y1=trainlook_back+1，y2=trainlook_back+2，yn
25、＝trainlook_back+n，n＝train_size-look_back
26、构建测试集testx和testy，数学表达式为：
27、testx＝[x1，x2，x3，...xn]，其中x1＝[test1，test2，...testlook_back]，x2
28、＝[test2，test3，...testlook_back+1]，...xn
29、＝[trainn，trainn+1，...trainlook_back+n-1]，n
30、＝test_size-look_back本文档来自技高网...
【技术保护点】
1.一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，S1中，所述滑坡位移数据包括GNSS监测数据、拉线计监测数据和深层测斜仪数据。
3.根据权利要求2所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，S2中，对滑坡位移样本原始数据集进行预处理包括以下步骤：
4.根据权利要求3所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，所述S2-3包括以下步骤：
5.根据权利要求3所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，S3中，包括以下步骤：
6.根据权利要求5所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，S4中，包括以下步骤：
7.根据权利要求6所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，S5中，包括以下步骤：
8.根据权利要求7所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，
9.根据权利要求8所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，在S5-4中，当迭代计算器t大于最大迭代次数MaxIter时，直接进入S6，否则按如下步骤进行：
10.根据权利要求9所述的一种基于改进耳廓狐算法的LSTM滑坡位移预测方法，其特征在于，S6中，根据S5得到的最优超参数，重新构建最优LSTM模型，并基于trainX和trainY开展模型训练，对testX进行预测生成testPredict，将测试集testPredict的预测结果转换为原始数据的范围，并计算testY与testPredict的均方误差。
...【技术特征摘要】
1.一种基于改进耳廓狐算法的lstm滑坡位移预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进耳廓狐算法的lstm滑坡位移预测方法，其特征在于，s1中，所述滑坡位移数据包括gnss监测数据、拉线计监测数据和深层测斜仪数据。
3.根据权利要求2所述的一种基于改进耳廓狐算法的lstm滑坡位移预测方法，其特征在于，s2中，对滑坡位移样本原始数据集进行预处理包括以下步骤：
4.根据权利要求3所述的一种基于改进耳廓狐算法的lstm滑坡位移预测方法，其特征在于，所述s2-3包括以下步骤：
5.根据权利要求3所述的一种基于改进耳廓狐算法的lstm滑坡位移预测方法，其特征在于，s3中，包括以下步骤：
6.根据权利要求5所述的一种基于改进耳廓狐算法的lstm滑坡位移预测方法，其特征在于，s4中，包括以下步骤：
7...
【专利技术属性】
技术研发人员：伏坤，李享，刘艳梅，彭芳媛，冉松，
申请(专利权)人：成都航空职业技术学院，
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。