【技术实现步骤摘要】
本申请涉及滑坡预测，具体地，涉及一种基于黏菌优化算法的lstm-xgboost滑坡位移预测方法。
技术介绍
1、目前，滑坡是最常见、危害性强、波及面广的一种地质灾害，不仅对人类生命财产安全、居住环境都造成了巨大的破坏，还会对地质构造、生物多样性造成二次伤害，给灾后重建工作带来阻力。因此，开展滑坡灾害研究刻不容缓。深入完善滑坡位移研究工作，提出高性能的智能化模型，从数值上提高位移的预测精度，对实现灾前预警、保障人民生命财产安全有着重大的现实意义。
2、针对上述问题，提出了各种各样的滑坡预测方法。其中，长短时记忆神经网络(long short-term memory networks，lstm)是一种常用且具有的良好时间序列预测能力的深度学习模型。lstm是为了解决(recurrent neural network，rnn)模型存在的长期依赖问题而专门设计出来的。相比于传统的rnn，lstm网络模型引入了三个门控单元，分别是输入门、遗忘门和输出门，从而实现了对信息的选择性记忆，能够在一定程度上保持并传递历史信息。滑坡位移是长期而缓慢变化的演化过程，lstm能够长期记忆历史信息，对历史信息进行有效传递。极限梯度提升(extreme gradient boosting，xgboost)算法可以通过不断生成新的回归树来减小上一步预测的误差，逐步缩小真实值与预测值之间的差距，进而可以提高模型的预测精度。为了同时取得较好的拟合与预测效果，构建lstm-xgboost协同预测模型，实现两种预测模型的优势互补。然而滑坡预测问题中存在的
3、通过上述分析，现有技术存在的问题及缺陷为：
4、1、针对滑坡位移预测问题，现有的机器学习方法大多采用单一模型进行预测，这类模型对于滑坡这种随时空动态变化的非线性演化系统，难以同时兼顾预测模型在训练过程中的数据拟合与网路输入与输出中的长期依赖关系，难于同时取得较好的拟合与预测效果。
5、2、与其他元启发算法类似，黏菌优化算法在处理复杂的多模态基准和实际应用问题时无法收敛到全局最优解或收敛缓慢，从而产生求解精度低的现象。
技术实现思路
1、为了克服现有技术中的至少一个不足，本申请提供一种基于黏菌优化算法的lstm-xgboost滑坡位移预测方法。
2、第一方面，提供一种基于黏菌优化算法的lstm-xgboost滑坡位移预测方法，包括：
3、构建滑坡位移预测模型，滑坡位移预测模型包括差分自回归滑动平均模型和lstm-xgboost协同预测模型；
4、采用多策略协同的黏菌增强算法确定lstm-xgboost协同预测模型的权重和偏置；
5、将滑坡预测历史数据分解为趋势项数据和周期项数据；
6、将趋势项数据输入到差分自回归滑动平均模型中，得到预测的趋势项位移，将周期项数据输入到lstm-xgboost协同预测模型中，得到预测的周期位移；
7、累加预测的趋势项位移和预测的周期位移，得到滑坡位移预测结果。
8、在一个实施例中，采用多策略协同的黏菌增强算法确定lstm-xgboost协同预测模型的权重和偏置，包括：
9、初始化黏菌种群，黏菌种群中包括多个黏菌个体；
10、在每次迭代过程中，针对前一次迭代的黏菌种群，计算每个黏菌个体的适应度并按照从小到大的顺序排序，选取适应度值较大的一半黏菌个体保留在worse库中；
11、对前一次迭代的黏菌种群中的每个黏菌个体进行更新，得到更新后的黏菌种群；
12、对更新后的黏菌种群中的每个黏菌个体进行变异操作，得到变异操作后的黏菌种群；
13、基于糟粕进化机制在变异操作后的黏菌种群和worse库中选择较优的个体，得到当前代的黏菌种群；
14、根据当前代的黏菌种群和前一次迭代的最优解，确定当前代的最优解；
15、在当前迭代次数达到最大迭代次数时，当前代对应的最优解即为lstm-xgboost协同预测模型的权重和偏置。
16、在一个实施例中，对前一次迭代的黏菌种群中的每个黏菌个体进行更新，得到更新后的黏菌种群，包括：
17、
18、其中，x′i(t)为更新后的黏菌种群中的第i个黏菌个体，rand、r均为[0,1]之间的随机数，ub为搜索范围的上界，lb为搜索范围的下界，z为用于限定随机数rand的参数，xb(t)为第t次迭代的最优解，v1为用于模拟黏菌是接近食物源还是寻找其他食物源的状态的参数，weighti为第i个黏菌个体的权重系数，xrand1(t)、xrand2(t)为第t次迭代的黏菌种群中随机选择的两个黏菌个体，c为用于限定随机数r的参数，n为黏菌种群中的黏菌个体总数，q为概率因子，xi-1(t)为第t次迭代的黏菌种群中第i-1个个体，xi(t)为第t次迭代的黏菌种群中第i个个体，β为权重系数，xrand3(t)为第t次迭代的黏菌种群中随机选择的黏菌个体，v2为非线性递减参数。
19、在一个实施例中，非线性递减参数v2，采用以下公式表示：
20、
21、
22、其中，t表示第t次迭代，maxt为最大迭代次数，k为调节因子，h为整参数。
23、在一个实施例中，对更新后的黏菌种群中的每个黏菌个体进行变异操作，得到变异操作后的黏菌种群，包括：
24、x″i(t)＝x′i(t)+f·xb(t)+f·(x′rand1(t)-x′rand2(t))
25、其中，x″i(t)为变异操作后的黏菌种群中的第i个黏菌个体，x′i(t)为更新后的黏菌种群中的第i个黏菌个体，f为突变算子，xb(t)为第t次迭代的最优解，x′rand1(t)、x′rand2(t)为更新后的黏菌种群中的两个随机黏菌个体。
26、在一个实施例中，基于糟粕进化机制在变异操作后的黏菌种群和worse库中选择较优的个体，得到当前代的黏菌种群，包括：
27、计算变异操作后的黏菌种群中的每个黏菌个体的适应度，并按照从小到大的顺序进行排序，选取适应度值较大的一半黏菌个体保留在condition库中；
28、采用以下公式确定当前代的黏菌种群：
29、
30、其中，xi(t+1)为第t+1次迭代的黏菌种群中的第i个黏菌个体，worsei(t)为第t次迭代的worse库中的第i个黏菌个体，f表示适应度，conditioni(t)为第t次迭代的condition库中的第i个黏菌个体。
31、在一个实施例中，方法还包括对滑坡位移预测模型进行训练，得到训练后的滑坡位移预测模型。
32、第二方面，提供一种基于黏菌优化算法的lstm-xgboost滑坡位移预测装置，包括：
33、模型构建模块，用于构建滑坡位移预测模型，滑坡位移预测模型包括差分自回归滑动平均模型本文档来自技高网...
【技术保护点】
1.一种基于黏菌优化算法的LSTM-XGBoost滑坡位移预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，其中，采用多策略协同的黏菌增强算法确定所述LSTM-XGBoost协同预测模型的权重和偏置，包括：
3.如权利要求2所述的方法，其特征在于，对所述前一次迭代的黏菌种群中的每个黏菌个体进行更新，得到更新后的黏菌种群，包括：
4.如权利要求3所述的方法，其特征在于，所述非线性递减参数v2，采用以下公式表示：
5.如权利要求2所述的方法，其特征在于，其中，对所述更新后的黏菌种群中的每个黏菌个体进行变异操作，得到变异操作后的黏菌种群，包括：
6.如权利要求2所述的方法，其特征在于，其中，基于糟粕进化机制在所述变异操作后的黏菌种群和所述Worse库中选择较优的个体，得到当前代的黏菌种群，包括：
7.如权利要求1所述的方法，其特征在于，所述方法还包括对所述滑坡位移预测模型进行训练，得到训练后的滑坡位移预测模型。
8.一种基于黏菌优化算法的LSTM-XGBoost滑坡位移预测装置，其特
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，以实现权利要求1-7任意一项所述的基于黏菌优化算法的LSTM-XGBoost滑坡位移预测方法。
10.一种计算机程序产品，其特征在于，包括计算机程序/指令，所述计算机程序/指令被处理器执行时，以实现权利要求1-7任意一项所述的基于黏菌优化算法的LSTM-XGBoost滑坡位移预测方法。
...【技术特征摘要】
1.一种基于黏菌优化算法的lstm-xgboost滑坡位移预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，其中，采用多策略协同的黏菌增强算法确定所述lstm-xgboost协同预测模型的权重和偏置，包括：
3.如权利要求2所述的方法，其特征在于，对所述前一次迭代的黏菌种群中的每个黏菌个体进行更新，得到更新后的黏菌种群，包括：
4.如权利要求3所述的方法，其特征在于，所述非线性递减参数v2，采用以下公式表示：
5.如权利要求2所述的方法，其特征在于，其中，对所述更新后的黏菌种群中的每个黏菌个体进行变异操作，得到变异操作后的黏菌种群，包括：
6.如权利要求2所述的方法，其特征在于，其中，基于糟粕进化机制在所述变异操作后的黏菌种群和...
【专利技术属性】
技术研发人员：王毅，闫小婕，张超凡，王升辉，洪国栋，
申请(专利权)人：西北大学，
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。