基于双采样随机森林的临滑阶段的预测算法:以湖北黄石5号铁矿石治理地块为例

针对碎石土边坡监测过程中滑坡稳定变形期与临滑阶段监测数据量严重不匹配,导致临滑阶段数据量偏小,从而产生的非平衡数据集造成预判不准确的问题,提出了一种基于DST随机森林的碎石土边坡临滑阶段地表位移的预测算法。首先,采用过采样和欠采样相结合的双采样技术(double sampling technique,DST)对地表位移中的非平衡数据集进行采集,然后,通过随机森林预测算法有放回的随机抽样进行预测,最后,通过实验得出预测结果。结果表明:DST随机森林预测算法相比于普通随机森林预测算法预测误差率降低到3.39%,证明双采样技术(DST)采集临滑阶段非平衡数据集的必要性。

基于贝叶斯优化XGBoost的多元输入模型对滑坡位移预测效果研究

针对滑坡区降雨量较少以及受库水位影响小,从而导致滑坡位移预测效果不理想的问题,提出多元滑坡影响因素作为输入和贝叶斯优化极致梯度提升(BO-XGBoost)模型预测滑坡位移的方法。通过随机森林模型、XGBoost模型和Pearson相关系数法对影响滑坡位移的6个特征进行训练得到融合的特征重要度,并以此特征重要度排序选择5种不同特征数量的输入量,最后建立BO-XGBoost模型预测滑坡位移。以杨家坡滑坡为例,将降雨量、土壤含水率和水平位移作为输入对高程方向位移进行预测,并与自适应提升(AdaBoost)、线性回归(LR)和XGBoost模型比较预测结果。实验结果表明,该模型采用多元化输入后,决定系数提高了0.161,均方误差和平均绝对误差分别减小了79.83%和58.85%,且预测效果优于其他3个模型。

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。提出一种基于鲸鱼优化卷积神经网络(convolutional neural networks, CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network, BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm, WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明:所提出模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(root mean square error, RMSE)下降了0.030 5 mm。