基于时间序列与长短时记忆网络的滑坡位移动态预测模型

针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。     

基于变形速率分解的阶跃型滑坡预测——以呷爬滑坡为例

阶跃型滑坡位移预测是滑坡变形现状研究与危害评估的重要工作，而阶跃预测的研究多为平稳波动信号，基于滑坡阶跃运动特征的变形速率分解方法提供了非线性变形阶段阶跃滑坡信号分解的新思路。以呷爬滑坡为例，通过差分与离散小波变换(DWT)平滑方法得到变形速率数据，并基于滑坡阶跃运动特征将变形速率数据分解为由外部诱发因素决定的小尺度波动项与内在控制因素决定的大尺度趋势项，其中变形速率趋势项信号通过添加震荡函数的反Logistic函数模型(ILF)预测，并结合曲率极值法判识滑坡变形状态；变形速率波动项信号则运用长短时记忆神经网络(long short-term memory,LSTM)构建非线性映射模型，以降雨、库水位作为诱发输入，趋势项预测结果作为控制输入进行预测。预测结果表明，基于变形速率分解模型针对呷爬滑坡非线性过程数据的预测精度相比传统的位移拟合分解模型更高，外部因素映射能力更强，因此基于变形速率分解是基于阶跃运动机制预测的有效思路，解决了非线性变形阶段的阶跃滑坡预测问题。     

基于时间序列分析的滑坡位移预测模型研究

 结合滑坡位移监测数据,从分析滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身基础地质条件控制的趋势项位移以及由外界因素如降雨、库水位变动等影响的周期项位移,应用时间序列分析方法建立滑坡位移预报模型。采用二次移动平均法分离滑坡位移的趋势项和周期项,在此基础上分别采用GM(1,1)灰色模型和自回归AR模型分别对滑坡趋势项位移和周期项位移进行预测,将计算得到的各分项位移预测值叠加即得到总位移预测值。以三峡库区八字门滑坡位移为例,分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

灰色-神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项,建立灰色-神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测,证明该模型的有效性及可行性。     

灰色–神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性，运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项，建立灰色–神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测，证明该模型的有效性及可行性。     

基于诱发因素响应与支持向量机的阶跃式滑坡位移预测

受库水位周期性调度和降雨的影响,三峡库区部分滑坡的位移变形呈台阶状。针对滑坡的这种变形特征,提出一种基于诱发因素响应分析的进化支持向量机位移预测模型:应用移动平均法将滑坡总位移分解为趋势项位移和周期项位移,趋势项位移变化受坡体地质条件控制,应用多项式函数进行预测;周期性位移变化受诱发因素联合控制,选取变形主导因素作为影响因子建立进化支持向量机模型进行预测;将分项位移预测值叠加即为总位移预测值。以库区典型阶跃式滑坡——八字门滑坡为例,应用进化支持向量机模型进行预测研究。结果表明:诱发因素响应分析是滑坡位移预测的关键;基于诱发因素响应的进化支持向量机耦合模型在阶跃式变形期有较好的预测效果,是一种行之有效的阶跃式滑坡位移预测方法。     

R/S分析在滑坡变形趋势预测中的应用

R/S分析(重标度极差分析)是一种描述和刻画非线性时间序列的有效方法。针对滑坡地表位移监测时序确定性与随机性共存的复杂非线性特征,对三峡库区的一个实例滑坡的长时期位移时序进行了R/S分析。分别计算了滑坡累积位移时序和增量位移时序的Hurst指数,指出增量位移时序是更有效的分形结构,其Hurst指数能定量刻画滑坡的变形趋势;分析了滑坡增量位移时序的非周期循环长度,发现滑坡前缘与中后部的增量位移时序Hurst指数和非周期循环长度存在显著差别,并从滑坡变形诱发机制上解释了这一差异产生的内在原因;最后基于滑坡变形演化的力学机理,提出了一个利用增量位移时序Hurst指数判断滑坡加速变形阶段的概念模型:为提高和完善滑坡失稳时间预测预报理论,提供了一个有意义的新思路和新方法。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

基于诱发因素响应分析的滑坡位移预测模型研究

 滑坡位移的变化除与其基础地质条件相关之外,更取决于诱发因素的动态作用。为建立滑坡位移动态变化与诱因变化的响应关系,采用时间序列分解预测模型,通过移动平均法将位移分解为趋势项及周期项。趋势项位移由边坡的势能和约束条件所决定,利用多项式位移函数进行拟合预测。周期项位移受库水位涨落和降雨等诱因的周期性动态作用而变化,选取当前月降雨量、累计前两月降雨量、月库水位高程变化量及年内总位移累计增量为影响因子,利用BP神经网络进行多变量位移预测。将各分项位移预测值叠加,从而得到总位移预测值。以三峡库区白水河滑坡为例,利用位移、降雨及库水位变化数据进行计算验证。结果表明,基于滑坡诱发因素和位移变化综合分析预测模型,可以较好地反映诱因动态变化对滑坡位移发展的关键作用,提高预测结果的精度和有效性。     

基于滑坡监测数据的预警判据研究

位移-时间趋势曲线是研究滑坡失稳预测十分重要的资料依据,它表明了滑坡变形程度及相对的稳定性程度。文章将边坡失稳时的总位移分解成位移的趋势项和位移的周期项,通过时间序列方法对滑坡位移进行预测。文章以德化县上涌镇桂林村马坪滑坡为例,在监测数据的模糊离散性与随机性的基础上以及变形参数所呈现的相关规律,通过GM(1,1)的灰色模型获得位移的趋势项,采用时间序列加法得到滑坡总位移预测值。通过对已获得的滑坡隐患点的监测数据与数值模拟结果的对比分析,建立数学模型,预测滑坡未来的位移趋势,研究滑坡预警判据,最终以位移速率来概化研究区内台风暴雨型滑坡的预警判据。结果显示,该预警判据对于了解边坡位移的发展趋势以及研究边坡的动态稳定性是有效可行的。     

基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究

针对目前滑坡位移预测研究中存在的随机性位移无法分解与预测、支持向量机(SVR)模型中输入向量权值无差异、最优训练组合无法确定等问题,基于时序分析理论和变分模态分解(VMD),结合灰狼优化算法(GWO)、最大信息系数(MIC)和SVR,提出一种新型滑坡位移预测模型。该模型首先采用时序分析法和VMD,将滑坡实际累积位移分解为趋势性位移、周期性位移和随机性位移。然后基于滑坡对各类影响因素的响应分析,为3种位移选择合适的影响因子,并采用GWO-MIC-SVR模型对各位移分量进行多数据驱动的动态单步预测。最终基于训练数据的时效性分析,确定最优训练组合,并应用时序加法模型将最优预测值进行叠加,实现对滑坡累积位移的预测。以三峡库区典型堆积层滑坡——白水河滑坡为例,选取监测点ZG93和ZG118从2004年1月~2013年4月的数据进行研究。结果表明,与以往的研究相比,该模型不仅有效预测时间较长,且预测精度较高,具有较高的实用性和推广应用价值。     

边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

基于趋势项分离的隧道变形组合预测研究

以小波变换分离隧道变形数据的趋势项和误差项,采用回归模型对趋势项进行单项预测,并进一步对其进行组合预测;同时,利用BP神经网络对误差项及原始数据项进行预测,最后对比本文组合预测与传统BP神经网络的预测结果。结果表明:sym5小波函数对本文监测数据的分离效果最好,而非线性组合预测的精度要优于线性组合预测的精度,且综合对比本文组合预测和BP神经网络的结果,得出本文的组合预测很大程度上提高了预测精度,为隧道的变形预测提供了一种新的思路。     

滑坡速度倒数法预测模型加速开始点识别及临滑时间预测研究

对矿山或自然土质和岩质边坡而言,大多数滑坡预报都是基于边坡变形三阶段蠕变理论,并根据临滑前加速变形阶段即开始加速点(onset of acceleration,OOA)之后的位移进行滑坡时间预测研究。在分析S-SAR型边坡雷达连续监测的位移后,发现以OOA作为速度倒数法(inverse velocity method,INV)分析的开始点(starting point,SP),所预测的滑坡时间具有一定滞后性。基于变形速度随机变量在斜坡处于匀速变形阶段时服从正态分布特征,提出一种应用正态分布置信区间来动态识别SP位置的方法。通过将S-t坐标系统一量纲后转换成T-t坐标系,建立一种T-lgt的滑坡时间预测模型,此模型应用SP位置后的位移数据可以效提高滑坡预测时间准确性。     

滑坡位移预测的支持向量机模型参数选择研究

支持向量机(Support Vector Machine, SVM)已被广泛应用到滑坡位移预测,但在具体使用时,SVM的惩罚系数C、核函数参数δ及松弛系数ζ这三个重要参数的取值选择成为影响预测精度的关键。为有效分析SVM三参数取值对滑坡位移预测精度的影响规律,以三峡库区浮托减重和动水压力型两类典型水库滑坡为代表的连续6年地表位移、降雨及库水位监测数据为研究对象,首先,采用移动平均法将位移数据分解为趋势项和周期波动项,并区分训练集和检验集;再结合对滑坡变形机理及影响因素的分析,选择相应预测变量分别建立趋势项和波动项位移预测SVM模型;然后,在固定两参数情形下,通过改变另一参数的取值大小以获得SVM训练集与检验集的预测精度变化规律;最后,建立起典型水库滑坡SVM位移分解预测的参数取值推荐范围。该取值范围可以作为滑坡位移预测SVM模型的参数寻优初始搜索范围,可以在保证预测精度的前提下大大提高搜索效率。     

滑坡位移预测的SVR-MIV变量筛选方法研究

支持向量回归机(Support Vector Regression, SVR)在滑坡位移预测研究中已得到广泛应用,但SVR具有模型可解释性差的缺陷,即无法直接获得并筛选最佳预测变量,从而影响预测精度。为此,将较广泛应用于评价神经网络模型变量影响大小的平均影响值(Mean Impact Value, MIV)方法与SVR模型相结合,实现基于SVR-MIV的变量筛选,该方法不但能对所有预测模型初始变量影响大小进行排序,还可以进一步结合反向逐变量剔除分析实现变量筛选。为验证该方法的有效性,选择三峡库区两类典型水库滑坡代表的累积位移监测数据,在采用移动平均法将位移分解为趋势项和波动项的基础上,重点针对波动项位移,选择包括降雨及库水位变动特征在内的12项初始变量,采用SVR-MIV方法进行变量筛选分析。结果表明,该方法筛选出的变量理论上符合对应滑坡变形影响机理分析结论,且可以提高滑坡位移实际预测精度。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。     

滑坡预测的非线性混沌模型

根据滑坡位移时间序列的非线性性质，应用混纯时间序列预测方法，建立滑坡预测的非线性混纯模型。在此基础上，介绍了加权一阶局域算法，并用这种算法对清江茅坪滑坡实际位移监测数据进行预测计算。结果表明，这种建立在非线性混沌模型基础上的方法不仅预测精度高，而且计算量小，相对容易操作，从而为滑坡位移提供了一种新的预测方法。     

滑坡非线性演化行为的自组织进化识别

滑坡行为表现出复杂的非线性演化特征,位移是滑坡演化过程中所反馈出的重要信息之一。引入进化算法的全局优化思想,结合时间序列分析基本理论,以斜坡位移时间序列为基础,将遗传规划和遗传算法有机结合在一起,设计了一种模型结构和参数分别进化、共同识别的进化方案,实现对斜坡演化的非线性动力学模型结构和参数的全局最优识别。以新滩及八尺门滑坡为例对滑坡的发展孕育过程进行分析,结果表明,新方法识别获得的非线性动力学模型预测效果较理想,而且表现出较高的自组织进化识别能力。