基于EMD分解和改进GWO-BP神经网络的滑坡位移预测

考虑到滑坡位移受多因素的影响，结合信号分解与智能算法，提出了一种时序分解-模型构建-模型训练的EMD-BP-TIGWO滑坡位移预测方法。首先，利用EMD方法将滑坡监测数据分解为多个IMF分量及一个残余量，将分解后的分量划分为周期项及趋势项位移；其次，构建BP-TIGWO模型，引入Tent映射及自适应权重，提高灰狼算法的收敛速度及全局搜索能力，并利用TIGWO算法优化BP神经网络的权值及阈值；利用Pearson相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析，利用优化后的BP模型分别对周期及趋势项滑坡位移进行预测；最后，将各分量预测值进行叠加得到滑坡累计位移预测值，并对模型预测准确率进行评价。实验结果表明，EMD-BP-TIGWO模型在考虑降雨输入特征下，连续32 d预测的RMSE、MAE及R²分别为0.64、0.51及0.97,模型预测精度明显高于未考虑时滞的EMD-GWO-BP、EMD-GWO-BP、BP-TIGWO、BP模型的预测精度，可为预测滑坡的位移提供参考。