滑坡位移预测模型补充评价方法

针对目前滑坡位移预测模型评价方法中总体性指标区分能力不足,以及对滑坡高风险期预测效果评价不准确等问题,设计滑坡位移预测模型快速位移期综合误差(CERDP)和峰值预测误差(PPE)两个补充评价指标以及对应的补充评价技术流程。基于滑坡监测数据的实例研究表明,所提补充评价指标和应用流程合理可行,可以有效地应对均方根误差(RMSE)等指标差异不显著带来的评价不准确问题,遴选出总体性能可靠,在风险时段和最高风险时点表现更好的模型,为滑坡风险管理工作提供有效的技术支持。

基于改进灰狼优化与支持向量回归的滑坡位移预测

针对滑坡位移难以预测、影响因素难以选择等问题,提出一种结合了二次移动平均(DMA)法、变分模态分解(VMD)、改进灰狼优化(IGWO)算法与支持向量回归(SVR)的模型进行滑坡位移预测。首先,利用DMA提取滑坡位移趋势项和周期项,采用多项式拟合对趋势项进行预测;其次,对滑坡周期项的影响因素进行分类,采用VMD对原始影响因子序列进行分解获得最优序列;再次,提出一种结合SVR与基于改进Circle多策略的灰狼优化算法CTGWO-SVR(Circle Tactics Grey Wolf Optimizer with SVR)对滑坡周期项进行预测;最后采用时间序列加法模型求出累计位移预测序列,并采用灰色预测的后验证差校验和小概率误差对模型进行评价。实验结果表明,与GA-SVR和GWO-SVR模型相比,CTGWO-SVR的预测精度更高,拟合度达到0.979,均方根误差分别减小了51.47%与59.25%,预测精度等级为一级,可满足滑坡预测的实时性和准确性要求。

基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用

滑坡位移预测是滑坡稳定性评价的重要环节。尽管基于深度学习范式的时间序列方法预测滑坡位移取得了一定的成果,但由于滑坡位移数据的非平稳性、周期性和趋势性变化特征,导致当前时间序列模型的滑坡位移的多变量预测容易过拟合。为解决这一问题,针对滑坡位移数据的波动性和由周期项与趋势项位移叠加组成的特性,提出一种基于孤立森林(Isolation Forest,IF)异常检测、集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的滑坡位移预测模型。选择三峡库区以降雨为影响因子的阶跃型白家包滑坡为研究对象,引入IF算法对滑坡原始位移数据进行异常检测,使用EEMD方法提取滑坡趋势项和周期项位移,通过CNN捕捉局部周期项和趋势模式,并基于LSTM模型预测总体位移。结果表明,EEMD-CNN-LSTM在预测降雨情况时滑坡总体位移的均方根误差(RMSE)、平均绝对误差(MAE)、评价绝对百分比误差(MAPE)和决定系数(R2)4种指标分别为0.4190、0.3139、0.2379和0.9997,前3种精度评价指标较现有模型分别提升32.3%、25.1%、7.3%。相较于传统的LSTM模型、随机森林方法和EEMD-LSTM方法,EEMD-CNN-LSTM模型在有、无降雨这一外部影响因素下具有显著优势,能够较大地降低过拟合,提高预测的准确性。

随机森林优化的静动态耦合模型在滑坡位移预测中的应用

以重庆市奉节县生基包滑坡为例,首先采用静态的支持向量回归(SVR)机器学习算法和动态的长短期记忆神经网络(LSTM)机器学习算法对滑坡位移进行预测;其次引入随机森林(RF)算法,在输入因素筛选的基础上,对SVR模型和LSTM模型的预测结果进行更优解分类预测;最后通过RF模型输出概率值,对静动态耦合模型(SVR-LSTM)进行权重赋值,得到RF优化的SVR-LSTM滑坡位移预测模型。结果表明LSTM模型预测整体优于SVR模型,RF优化的SVR-LSTM滑坡位移预测模型集成了静态SVR与动态LSTM预测模型的优势,其预测性能与单一的SVR模型和LSTM模型相比更优。研究提供了一种滑坡位移预测模型集成的思路,为三峡库区的地质灾害预测预报提供借鉴和参考。

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。

逻辑回归优化的静—动态耦合模型在滑坡位移预测中的应用

滑坡位移的准确预测是滑坡预警系统的重要组成部分。本研究提出一种基于逻辑回归优化的静—动态耦合滑坡位移预测模型,以应对滑坡演化的动态特性体现在传统静态预测模型中的不足。以八字门滑坡为案例进行研究,首先采用移动平均法将累积位移分解为趋势项和周期项两个部分,随后采用静态机器学习算法——支持向量回归(SVR)和动态机器学习算法——长短期记忆神经网络(LSTM)来预测滑坡位移;其次,通过引入逻辑回归分类算法(LR),在原输入因子的基础上进行筛选,对SVR模型和LSTM模型的预测结果进行分类计算;最后,通过逻辑回归模型的输出,更新静动态耦合模型的结果,得到优化的SVR-LSTM滑坡位移预测模型。结果显示,优化后的模型相较于SVR模型和LSTM模型,其RMSE和MAPE分别降低了5.93 mm、0.28%和0.71 mm、0.03%。集成模型融合了静态(SVR)和动态(LSTM)模型的优势,其预测性能优于单一的SVR模型和LSTM模型。本研究为滑坡位移预测模型提供了一种新思路,可以为三峡库区的地质灾害预测提供参考。

基于CEEMDAN-LSTM的滑坡位移预测

建立滑坡地质灾害高精度的位移预测模型对滑坡灾害的提前预报十分重要,并且滑坡变形具有阶梯状曲线特性,通常具有隐性的周期性。因此,以三峡库区白水河新滩滑坡为例,基于阶梯状滑坡位移的内在季节性特征,提出了一种基于自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和长短时记忆网(Long Short-Term Memory,LSTM)的位移预测方法。首先利用CEEMDAN将滑坡累计位移分解为趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用LSTM模型预测周期项位移,最后将各分量位移累加得到最终的模型计算。结果表明,CEEMDAN-LSTM模型具有精确度较高的预测效果。

基于FEEMD-GRU-FC模型的滑坡位移预测

水库库区滑坡同时受到降雨和水库水位周期性变化的影响,这会干扰滑坡位移预测模型在该类区域的预测性能。为此,提出了一种针对环境周期性变化特点的FEEMD-GRU-FC(Fast Ensemble Empirical Mode Decomposition-Gated Recurrent Unit-Fully Connected Layer)滑坡位移预测模型。该模型充分考虑位移数据不同频率之间的噪声影响,将位移分解为不同频率的子序列分别预测,采用PCC(Pearson Correlation Coefficient)方法选择影响较大的外部环境因素,添加全连接层完善GRU模型提取环境数据中周期性变化特征的能力,模型结合三峡库区八字门滑坡的实际数据进行模拟仿真,使用不同预测模型和评价指标进行多角度对比验证。实验结果表明:所提模型在八字门滑坡的预测效果要优于其他3种模型,其拟合度达到了98.6%,3种不同误差指标均为最低,证明了该模型可以准确预测库区滑坡位移。研究成果可为防灾减灾工作提供指导。

基于VMD-Kalman-GM组合模型的滑坡位移预测

滑坡位移的预测与分析能为滑坡灾害的预警提供重要数据支持作用,针对受降雨影响存在波动发展的滑坡位移序列,为了提高降雨对滑坡位移影响的预测效果,文章建立了一种变分模态分解(VMD)算法和卡尔曼滤波(Kalman)、改进灰色模型(GM)组合预测的方法,文章基于变分模态分解算法将滑坡地表监测位移序列分解不同频率分量,经过时序组合得到波动值和趋势值,在确定波动值与降雨数值时滞相关性的条件下,提出了一种考虑降雨数值的变化趋势的卡尔曼滤波预测模型,建立降雨时间滞后影响下的卡尔曼滤波预测模型,利用该模型进行滑坡位移波动值的动态预测,同时建立动态灰色预测模型预测趋势值,最后波动值和趋势值合成得到滑坡预测数值,建立了VMD-Kalman-GM组合预测模型。以中国三峡库区八字门滑坡监测数据为例,将预测结果与实测值进行比较,验证了该方法的可行性和准确性,为滑坡位移的预测提供了一种新的方法。

基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测

深度学习在机器视觉等各个领域的兴起,使长短时间记忆(LSTM)神经网络也越来越常用于滑坡预测工作中。为加强对历史信息的提取与捕捉,提出一种多头自注意力长短时间记忆(MHA-LSTM)神经网络用来预测滑坡位移。首先采用改进版的自适应噪声完备集合经验模态分解(ICEEMDAN)算法将滑坡位移分解成趋势项、周期项和噪声项;然后采用MHA-LSTM神经网络拟合带噪声的滑坡位移趋势项和周期项,两者相加即可得到滑坡总位移的预测结果;最后以白水河滑坡实测数据为例,考虑月降雨量和库水位因素的影响,对该滑坡位移的周期项和趋势项进行预测,并与其他传统神经网络的预测结果进行对比。结果表明:MHA-LSTM神经网络模型相较于其他传统神经网络模型,能更好地捕捉历史的信息特征,预测效果更佳,可为滑坡预测提供新的技术方法。

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network,TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明:该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。

考虑滞后性变化的滑坡位移预测模型研究

在库水位反复升降条件下,滑坡的变形会滞后于库水位变动。滑坡变形的滞后性会随着时间发生改变,为解决滑坡变形滞后性随时间改变而导致的预测困难问题,基于溪洛渡库区雨林二组滑坡的长时间监测数据,通过相关性分析对滑坡变形滞后性随时间的变化规律展开了研究,并提出了一种考虑滑坡变形滞后性变化的位移预测方法。以白鹤滩库区王家山滑坡的变形情况对预测方法的普适性进行了验证。研究结果表明:滑坡变形的滞后性是随着时间逐渐显现的,由第2蓄水周期的1 d增加至第5周期的11 d,且库水位升高时滑坡变形的滞后性变化得更为明显。验证结果表明,预测方法的准确性和普适性均较好。综合分析认为该法可为库区其他涉水滑坡的变形预测提供借鉴。

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。

基于时间序列与GWO-ELM模型的滑坡位移预测

针对三峡库区的阶跃型滑坡位移特征,以白水河滑坡为例,提出一种基于时间序列和灰狼优化的极限学习机(GWO-ELM)位移预测模型。首先,根据滑坡的内在演化规律和外部影响因素,建立滑坡位移的时间序列模型,将监测位移分解为趋势性位移和周期性位移,并运用稳健加权最小二乘法的三次多项式对趋势性位移进行拟合,以此得到周期性位移。其次,对位移监测数据进行分析,选取周期性位移的影响因子,分别通过GWO-ELM、极限学习机(ELM)和灰狼优化的支持向量机(GWO-SVM)模型对周期性位移进行预测。研究结果表明:GWO-ELM预测模型具有良好的泛化能力,能有效减少人为误差,在预测精度上,明显优于ELM和GWO-SVM模型。基于时间序列与GWO-ELM位移预测模型具有较高的预测精度和泛化能力,是一种有效的滑坡位移预测方法。

基于诱发因素响应与BP神经网络的滑坡位移预测预报

三峡库区地质灾害有滑坡、崩塌、泥石流、塌陷、地面沉降、地裂缝等,其中主要以滑坡为主.为深入研究滑坡的变形特性,建立滑坡位移与其影响因素之间的预测预报模型,本文以三峡库区白家包滑坡为例,基于时间序列分析方法,提取滑坡趋势项位移及周期项位移.针对趋势项位移,采取多项式拟合,针对周期项位移,选取库水位、降雨量、月间库水位变化量、2个月累计库水位变化量、当月降雨量、两月降雨量作为周期项位移的影响因子,建立周期项位移与影响因子之间的BP神经网络预测预报模型.最终基于时间序列的加法模型,将趋势项位移与周期项位移进行叠加,即为预测位移.研究结果表明,该预测预报模型基本反映了滑坡累积位移的整体趋势,具有一定的工程意义.

基于矩阵奇异值分解约束型无迹粒子滤波的滑坡位移预测模型研究

[目的]通过对滑坡位移预测模型进行研究,为政府部门实施更加可靠的灾害防治决策提供科学依据。[方法]提出了一种矩阵奇异值分解(SVD)约束型无迹粒子滤波(IUPF)方法,建立基于位移参数的滑坡位移预报模型。[结果]利用改进的SVD方法有效提升了无迹粒子滤波方法中Sigma点计算的鲁棒性,从而提升了算法的预测精度,对滑坡的稳定趋势能够做出更准确的预报。将该算法在镇江市跑马山滑坡体监测工程、京港澳高速公路雨花互通南侧护坡体滑坡监测工程相关数据进行了应用和分析验证。[结论]实例验证结果表明,加入SVD约束后的无迹粒子滤波算法,能够使得滑坡位移预测更加准确,预测的数据更加准确地反映了滑坡的变形趋势。

基于EMD-TAR组合模型的滑坡位移预测研究

针对非线性波动性发展的滑坡,为了提高其位移变化的预测精度,以经验模态分解(Empirical Mode Decomposition)方法对滑坡监测地表位移的时间序列进行处理,将不规律变化的位移序列转化为存在一定规律变化的模态分量,得到不同频率的位移分量,对每一分量单独预测,避免误差相互影响,通过预测所有分量的变化趋势来综合预测位移序列的变化趋势,利用改进门限自回归模型(Threshold Auto Regressive)对非稳态谐波描述性较好的优势预测滑坡位移分量,最后模态叠加得到最终预测位移,建立了基于经验模态分解和门限自回归模型的组合预测模型,结合白水河滑坡实例数据验证该模型的预测精度,通过与BP神经网络模型、长短时间记忆网络模型进行预测对比,提出的组合模型预测精度较高,为滑坡位移的预测提供了一种新的方法。

顾及降雨影响的动态优化时滞时序GM(1,2)模型在滑坡位移预测中的应用

滑坡体除了因自身重力产生位移外,还受到降雨的影响,但通常降雨对滑坡位移的作用具有滞后性。为了分析并预测降雨对滑坡位移的影响,本文提出一种顾及降雨影响的动态优化时滞时序GM(1,2)滑坡位移预测模型。首先,利用经验模态分解(EMD)分解位移序列并通过时间序列重构得到周期位移序列和趋势位移序列,对降雨数据和滑坡周期位移序列进行时滞分析和相关分析,确定时滞时间和影响程度,建立基于背景值优化的动态时滞GM(1,2)模型预测降雨量变化导致的滑坡周期位移变化;然后,建立门限自回归模型预测滑坡趋于自然变化的趋势位移;最后,通过时序叠加得到顾及降雨影响的滑坡预测位移,建立了顾及降雨因素的动态优化时滞时序GM(1,2)组合预测方法。本文以福宁高速公路八尺门滑坡和秭归县八字门滑坡监测数据为例,验证了动态优化时滞GM(1,2)模型的精度,并与其他模型的预测结果进行了对比分析。试验结果表明,动态优化时滞时序GM(1,2)组合预测模型能准确地预测降雨影响导致的滑坡位移变化,预测效果较好,该组合模型对滑坡灾害的预警与防治具有一定的参考价值。

基于多头自注意力机制的LSTM-MH-SA滑坡位移预测模型研究

受自身地质条件及外界周期、随机等因素影响,滑坡演变过程具有典型跃变特征。传统基于门控机制的深度学习模型对阶跃型滑坡预测能力不足,多头自注意力通过关注不同尺度时序数据的隐含信息能自适应挖掘序列的变化程度特征,有效学习数据潜在变化趋势,提升序列的预测能力。研究基于变分模态分解技术将滑坡累积位移量分解成趋势项、周期项和随机项,对各位移分量和影响因子开展动态时间规整相关性分析。结合多头自注意力机制和长短时记忆网络模型对各位移分量进行动态预测,各位移分量预测值相加得到实际预测结果。以三峡库区白水河滑坡作为研究区,对监测点ZG118开展累积位移预测,采用监测点ZG93、XD01进行模型适应性验证,试验结果表明对于降雨、库水位变化导致的阶跃数据段,新模型能大大提升预测的精度,为三峡库区滑坡位移预测研究提供新的思路。

基于时间序列和GRU的滑坡位移预测

近些年随着深度学习的兴起,长短时间记忆网络(LSTM)常应用于滑坡位移的预测。GRU(Gated Recurrent Unit)是LSTM的一种改良,为此提出了一种联合时间序列和GRU神经网络来预测滑坡位移的方法。采用移动平均法将滑坡总位移曲线分解为趋势项位移和周期项位移,灰色Verhulst模型描述趋势项变化;考虑降雨和库水位等对滑坡位移的影响,应用Python语言搭建了一个3层GRU网络和全连接层(Dense)网络,以预测周期项变化,并用三峡库区八字门滑坡监测点ZG111位移监测数据对该方法进行了验证。结果表明:该方法相较于GRNN模型更能有效地利用历史信息,预测效果得到明显提高,可为滑坡预测提供重要的参考。