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LS-SVM模型的白水河滑坡台阶状位移预测

滑坡位移是滑坡变形破坏最直观的表现,滑坡位移预测成功与否对于判别滑坡的演化趋势至关重要。滑坡位移曲线是受多种影响因素共同作用的非平稳时间序列,以三峡库区白水河滑坡为例,利用HP滤波分析方法提取滑坡位移的趋势项,趋势项位移主要是由滑坡自身特征决定的,具有较明显的非线性递增特性,采用多项式对其进行拟合预测;周期项受多种诱发因子(滑坡演化阶段、季节性降雨、库水位升降等)影响,利用最小二乘支持向量机模型(LS-SVM)对其进行训练与预测。将趋势项和周期项拟合预测结果叠加即为累计位移预测值,结果表明在监测点ZG93和XD-04的预测中,LS-SVM模型均具备较高的评价精度,在台阶状位移特征的滑坡位移预测中具有较好的适应性。     

基于机器学习的重力坝变形监测统计模型及应用

为了提升重力坝变形监测模型精度,文章采用极限学习机(ELM)、基于网格搜索和交叉验证的支持向量机、基于模拟退火遗传算法优化的BP神经网络(GASA-BP)三种机器学习方法对经验模态分解(EMD)重构的周期项进行训练和预测,并与传统的最小二乘法进行对比分析。结果表明,机器学习算法可以有效提升模型的拟合及预测精度。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

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。     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

阶跃型位移特征滑坡的预测预报研究

针对以往滑坡预测预报模型对于阶跃型变形特征滑坡破坏时间预测精度较低的缺点,需建立以位移作为目标函数来反映滑坡位移变化规律的预测模型。基于时间序列分析方法将滑坡位移分解为趋势项位移和波动项位移,并采用移动平均法分离趋势项位移和波动项位移。然后分别采用多项式拟合和自回归滑动平均(ARMA)模型对滑坡趋势项位移和波动项位移进行预测,最后叠加两个位移分量得到总位移预测值。将此方法应用于三峡库区某典型阶跃型变形特征滑坡,预测值曲线与总位移观测值曲线基本吻合,较好地反映了滑坡阶跃型的演化特征,表明该模型预测阶跃型变形特征滑坡位移精度较高。且该方法计算原理清晰明确,计算过程容易实现,具有较强的工程实用性。     

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。     

WA-BT-ELM耦合模型在黄土滑坡位移预测中的应用

黄土滑坡的变形演化过程往往受到多种因素的影响,呈现出非线性特征。基于小波分析函数(Wavelet Analysis,WA)、提升回归树(Boosting Regression Tree,BT),以及极限训练机(Extreme Learning Machine,ELM)方法,提出一种名为WA-BT-ELM的黄土滑坡位移预测新方法。该方法将非线性位移数据作为一时间序列,运用小波分析函数将监测点累积位移曲线分解为若干子小波;随后使用提升回归树对所有子小波进行重要度分析,剔除相关性不高的子小波以去掉冗杂信息;最后运用极限训练机,结合筛选得到的子小波对滑坡位移进行预测分析。基于该模型对甘肃省永靖县黑方台滑坡区的滑坡位移监测数据进行预测,得到了优于ANN,BPNN,SVM,ELM,以及WA-ELM预测模型的结果,故认为WA-BT-ELM模型是一种有效的黄土滑坡位移预测方法。     

基于ARIMA时间序列模型的滑坡位移预测预报——以三峡库区王家坡滑坡为例

为深入研究滑坡的位移特性,以三峡库区王家坡滑坡为例,基于简单移动平均法及时间序列的减法模型分解滑坡位移的趋势项位移和周期项位移,对趋势项位移采取多项式拟合处理,对周期项位移进行一阶差分处理,并分析其自相关函数ACF及偏自相关函数PACF,然后根据模型的识别规则,建立了ARIMA(1,1,1)模型。根据时间序列的加法模型,将两部分预测位移相加即为滑坡位移预测的总位移。模型与实测结果对比表明,该预测预报模型效果较好,基本反映了滑坡位移的整体趋势,且实现了对滑坡累积位移的滚动预测,在滑坡累积位移短期预测预报中具有一定的适用性。     

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。     

基于新型智能算法ELM的滑坡变形位移预测

针对采用经典智能算法进行滑坡变形预测时存在学习速度慢、网络结构参数选取复杂等问题,构建了基于新型智能算法ELM(Extreme Learning Machine)的滑坡位移预测模型,采用二值区间搜索算法选定最佳隐层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、古树屋两滑坡体为例,将ELM与经典智能算法LMBP、RBF的预测效果进行对比,算例结果表明:ELM算法具有较高的预测精度,且在网络学习速度等方面优势明显。     

考虑诱发因素影响滞后性的库岸滑坡位移预测

针对诱发因素对于滑坡位移变形的滞后影响,采用平均影响值法(MIV)对不同滞后期诱发因素进行筛选,然后结合广义回归神经网络(GRNN)建立了MIV-GRNN滑坡位移混合预测模型。以三峡库区具有代表性的树坪滑坡为例,将滑坡位移时间序列分解为趋势项和周期项,运用多项式和MIV-GRNN模型分别预测趋势项和周期项位移。分析结果表明:MIV-GRNN模型可以较好地反映诱发因素对滑坡位移滞后性的影响,与传统预测模型相比最大相对误差减少了11.2%。     

阶跃型滑坡综合变形预测及监测预警方法研究

大型库岸滑坡的长期变形在汛期降雨作用下呈现明显的周期性“阶跃式”陡增特征。针对阶跃型滑坡的变形特征，本文提出了一种多源数据“融合-预测-预警”的三步式滑坡监测预警方法：(1)“融合”,即基于经验模态分解法将多点位移监测数据分别分解为趋势项和周期项，采用加权值法分别融合不同监测点的趋势项和周期项位移得到融合趋势项和融合周期项序列，并将两者叠加得到滑坡体的现状综合变形时间序列；(2)“预测”,即引入“一个预测周期”概念，采用滑动多项式拟合法和随机森林算法分别对融合趋势项和融合周期项进行预测并叠加得到滑坡体的预测综合变形时间序列；(3)“预警”,即基于斜率变点分析方法搜索综合变形曲线的“稳定点”和“跃迁点”,确定稳定变形和加速变形区间的斜率，建立阶跃型滑坡的四级递进式分级预警模型，基于该预警模型对滑坡现状进行预警。以向家坝水库某滑坡体自动化位移监测数据为研究对象，采用本文所提方法对该滑坡进行了综合变形预测和监测预警，结果表明：综合变形时间序列可以整体反映滑坡的变形演化规律，且预测结果可靠，根据分级预警模型判断此滑坡体当前处于稳定变形阶段(Ⅰ级预警)。