基于经验模态分解和LSTM模型的滑坡位移预测

建立高精度的位移预测模型对滑坡的提前预报具有重要意义,然而以往的研究多是选用静态预测模型,无法满足滑坡的动态特性。鉴于此,以三峡库区新滩滑坡为例,选用了近期较为流行的长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测。首先选用经验模态分解法(EMD)将滑坡累积位移分解成趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用动态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值。结果表明:LSTM模型预测结果的均方根误差为17.07 mm,相关性系数达0.999,具有较高的预测精度,为"阶梯状"滑坡位移的预测提供了一种可行的思路。     

基于变分模态分解的分频径流预测模型

准确的径流预测对于流域防洪减灾、农业灌溉、水库调度等具有重要意义。针对径流序列具有较强的非线性和非平稳性特征,提出一种月径流预测混合模型VMD-(CNN-LSTM, ELMAN)。首先运用VMD将径流序列分解为多个模态分量,并计算各个模态分量的样本熵值(SE),将其划分为高频和中低频分量;然后运用CNN-LSTM模型预测高频分量,运用ELMAN模型预测中低频分量;最后将预测结果相加得到最终预测结果。将模型应用于黄河流域中下游段白马寺和黑石关水文站的月径流预测,并与CNN-LSTM、ELMAN、VMD-CNN-LSTM模型的预测结果进行对比与评价。研究结果表明：本文模型预测结果的NSE值均大于0.99,优于其他模型,表明VMD-(CNN-LSTM, ELMAN)模型具有较高的预测精度,可应用于实际研究区的径流预测。     

基于灰色关联分析联合VMD-SES-BP模型的滑坡位移预测

针对三峡地区滑坡位移具有的"阶梯状"的问题,结合变分模态分解(VMD)、二次指数平滑(SES)、BP神经网络(BPNN),提出了一种新的滑坡位移时序预测模型:VMD-SES-BP预测模型.利用该模型对三峡白水河滑坡GPS监测位移数据进行变分模态分解得到趋势分量和其他子序列分量.选择二次指数平滑对趋势分量进行滚动预测,采...     

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。     

基于深度神经网络的高位滑坡范围预测

以贵州尖山营滑坡为工程背景,通过对深度学习的总结与分析,建立多层感知器模型以对该滑坡危险区范围进行非线性预测研究。通过对深度神经网络算法的优化,构建64-128-32-1四层多层感知器模型,并以滑坡最大高差、滑坡体积、滑源区坡度、坡脚坡度、地层倾角作为输入量,以滑坡最大水平运动距离作为输出量对该模型进行训练,实现影响因素与运动距离的非线性映射。根据对贵州省尖山营滑坡调查和研究,尖山营滑坡区域面积约648 700 m2,体积约1 200万 m3,属于特大型滑坡。依据最优模型对该滑坡进行滑距预测,滑坡平面直线距离1 769 m区域内为危险区域。     

基于多源时间序列的滑坡位移动态预测

位移预测在滑坡预警预报系统中有着重要地位,为了提高位移预测的精度,提出了变分模态分解和二次指数平滑法、神经网络结合的滑坡位移动态预测方法。首先对历史监测位移数据进行变分模态分解,产生多个模态分量,然后利用二次指数平滑法和极限学习机(ELM)模型进行预测。粒子群优化算法被用来优化ELM模型,最后累加各模态的预测值完成预测。以三峡库区白家包滑坡为例,将所建模型与最小二乘支持向量机(LSSVM)和卷积神经网络-门控递归单元(CNN-GRU)预测的周期项进行比较,结果表明：所用DES-PSO-ELM能够有效预测滑坡位移变化,其均方根误差、平均绝对误差、平均绝对百分误差和相关系数值分别为1.293、0.993 mm, 0.008 0、0.999 8,预测误差最小。研究结果可以为滑坡预警监控系统提供技术依据。     

基于时序AR补偿RBF模型的滑坡位移预测

为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF(Radial Basis Function)神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。     

基于CEEMDAN-BA-SVR-Adaboost模型的白水河滑坡位移预测

为提高白水河滑坡位移预测精度,提出一种新的预测模型,即基于自适应噪声完全集合经验模态分解(CEEMDAN)-蝙蝠算法(BA)-支持向量回归机(SVR)-自适应提升算法(Adaboost)的模型。以该滑坡为研究对象,利用CEEMDAN将滑坡位移分解为趋势项以及由IMF分项构成的波动项。首先采用BP神经网络对趋势项位移进行预测,随后利用CEEMDAN-BA-SVR-Adaboost模型对波动项进行预测,并将预测结果与CEEMDAN-PSO-SVR-Adaboost、CEEMDAN-BA-BP-Adaboost、CEEMADAN-BA-SVR、BA-SVR-Adaboost模型预测结果进行对比分析,验证本模型在位移预测方面的优越性。此外,利用CEEMDAN-BA-SVR-Adaboost模型对ZG118波动项位移进行预测,同时计算ZG93监测点最终累计预测位移。结果表明,对白水河滑坡位移进行预测时,CEEMDAN-BA-SVR-Adaboost模型具有较高的准确性和适用性。     

基于神经网络误差修正灰色模型的基坑位移预测

一般情况下,基坑工程位移的发展趋势可以分为3种类型,传统GM(1,1)模型由于模拟曲线为指数曲线,因此只适合于第1类趋势的位移时间序列建模。在无偏GM(1,1)模型的基础上建立修正曲线型无偏灰色预测模型和生长曲线型无偏灰色预测模型,适合于第2、3类趋势的位移时间序列建模。结合神经网络的非线性描述能力以及无偏灰色预测模型的趋势预测能力建立神经网络误差修正灰色模型。基坑位移预测实例应用结果显示,神经网络误差修正灰色模型能很好地描述基坑位移的非线性发展。     

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分，将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而，将数据分解技术直接应用于整个时间序列是一种不切实际的方法，会导致部分信息从测试阶段传输到模型的训练过程中。为此，设计了一个用观测数据更新历史样本的自适应动态分解策略，提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先，采用自适应分解策略对径流时序数据进行变分模态分解，得到不同频率成分的子序列；其次，为每个分解子序列构建长短期记忆神经网络径流预测模型，并采用贝叶斯优化算法优选模型超参数；然后，将子序列的预测结果集成得到径流的最终预测结果；最后，以金沙江上游石鼓水文站月径流预报为研究实例，对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明，所提混合模型在数据分解预处理中避免了引入未来信息，并能够进一步提升径流预报精度。     

基于外因响应的滑坡位移预测模型研究

根据滑坡位移序列的单调性和非线性,将滑坡位移分为趋势项和偏离量,建立曲线回归-BP神经网络模型对滑坡位移进行动态预测。以三峡库区树坪滑坡为例,首先通过曲线回归提取滑坡位移趋势项;然后在选取滑坡位移动态变化影响因子的基础上,建立BP神经网络模型逼近位移偏离量;最后将趋势项和偏离量预测值叠加,得到滑坡位移预测值。结果表明,该模型可更好地反映影响因子动态变化对滑坡位移发展的关键作用,预测的平均相对误差为3.3%,有效地提高了预测结果的精度。     

基于RBF多变量时间序列的滑坡位移预测研究

斜坡是一个受到多种因素影响的混沌动力系统,斜坡位移是其内部力学现象的宏观表现,具有很强的不确定性,从而导致难以建立斜坡位移的确定性方程。滑坡是斜坡的一种成因类型,具有相同的系统特性。滑坡经过防治后,其位移的主要外在动力因素除地下水外同时还受到防治设施的控制。滑坡位移及其影响因素所构成的混沌时间序列能够反映滑坡位移动力系统的历史行为。根据观测获得的多变量时间序列重构原滑坡位移动力系统,采用RBF神经网络实现变量间的映射关系,对滑坡位移进行了预测。预测结果对比分析表明:采用多变量时间序列预测模型能对滑坡位移进行有效预测,取得比单变量时间序列预测模型更好的预测效果;多变量时间序列预测模型具有更明确的物理力学意义,更能反映滑坡演化变形的实质特征。     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。     

基于诱发因素作用特征的滑坡变形时序模型

降雨、库水位变化是滑坡发生的主要外在诱发因素,降雨和库水位变化的滞后性和周期性是滑坡变形的重要作用特征。考虑降雨及库水位变化的滞后性和周期性对滑坡累积位移的影响,直接将降雨和库水位变化作为滑坡变形位移预测的影响变量,建立多元时序模型。以三峡库区秭归县白水河滑坡为例,首先用灰色模型提取趋势项位移,然后利用滞后的降雨量和滞后的库水位的变化量预测当期的周期项位移,最后将趋势项位移与周期项位移叠加,得到滑坡累积位移的预测值。结果显示,此方法能够很好地反映滑坡诱发因素对滑坡变形的动态影响,预测的平均绝对误差为1.97%,预测精度较高。     

滑坡变形的回归-神经网络预测模型研究

受多种因素影响,滑坡变形具有趋势性和随机性的特点。从滑坡变形监测数据着手,将监测数据分离成趋势值和随机值,建立了滑坡变形的回归-神经网络预测模型。该模型采用逐步回归方法对滑坡变形的趋势值进行预测,用BP神经网络预测方法对滑坡变形的随机值进行预测。利用金沙江乌东德坝址区金坪子滑坡TP06点高程位移变化实测数据,对该模型进行了验证。结果表明:预测误差不超过11%,具有较高的预测精度。     

滑坡体监测数据的改进变维分形-人工神经网络耦合预测模型

滑坡体变形预测对滑坡灾害治理具有重要的意义。根据边坡的演化特性,在研究得到滑坡是一个非线性动态系统,其监测数据具有分形特征的基础上,利用改进变维分形预测模型对滑坡体的监测数据时间序列趋势项进行预测,并引入人工神经网络对时间序列的偏离项进行纠偏优化,从而建立滑坡体监测数据的改进变维分形-人工神经网络（IVDF ANN）耦合模型,并以茅坪滑坡体的实测位移为例进行预测。预测结果证明,该模型充分利用分形理论的自相似性和人工神经网络的自学习能力,具有良好的抗噪性,对小数据量的监测数据能够达到较高的预测精度和较好的预测长度,为滑坡体安全监控预测提供了新的参考方法。     

基于储备池运算和分形插值的滑坡位移预测

滑坡地质灾害的预警可通过监测并预测滑坡位移实现。滑坡演化过程机制复杂,在无法得到准确机理模型的情况下,建立数据驱动的滑坡位移模型是模拟滑坡演化趋势的有效途径。针对滑坡演化的复杂非线性以及动态特性,建立基于储备池运算的动态神经网络滑坡位移预测模型。为了使储备池得到更充分的训练,进一步引入分形插值方法对滑坡位移测量序列进行扩展。预测方法用于3种不同发展趋势的典型滑坡,都得到了精确的预测结果。方法为实现具有复杂动态特性的滑坡位移短时序预测问题提供了解决方案。     

深基坑支护结构位移的神经网络预测

针对深基坑系统的复杂性和变形非线性,将人工神经网络技术引入其中。在分析讨论了人工神经网络中应用最为广泛的BP网络基本原理的基础上,建立了基坑变形预测的神经网络模型,并应用Bayesian方法对实例加以论证。研究表明,神经网络是解决基坑变形预测的有效方法之一。     

高边坡时序位移滚动预测的SVM-Elman模型

基于支持向量机(SVM)和Elman神经网络,提出一种新的高边坡位移时序预测模型——SVM-Elman神经网络预测模型。在对实测数据学习的过程中,寻找最佳学习样本数和最佳测试样本数,利用经粒子群算法优化的SVM模型对边坡位移时间序列进行实时滚动预测;并运用Elman神经网络改进SVM的预测结果,得到SVM-Elman模型预测值,通过比较不同隐含层数的Elman神经网络对预测结果的影响,选择最佳隐含层数的SVM-Elman模型,实现对预测结果的改进。将SVM-Elman模型应用于某混凝土面板堆石坝左岸强卸荷岩体高边坡位移预测分析中,并与传统的SVM预测结果进行比较分析。结果表明,SVM-Elman模型在预测精度上有明显提高,预测结果科学可靠,在岩体高边坡时序位移预测中具有一定的工程应用价值。