基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

滑坡位移非线性时间序列预测模型研究

从分析滑坡位移的实际变化情况和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地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。     

基于H-P滤波法、ARIMA和VAR模型的库区滑坡位移综合预测

受库水位涨落及降雨等影响,库区滑坡位移表现出明显的周期性。基于位移时间序列分析,将滑坡监测位移分解为趋势项与周期项之和。趋势项反映滑坡变形的长期趋势,其主要受滑坡本身地质结构等因素影响。周期项反映滑坡变形的波动性,其主要受外部因素影响。以三峡库区巫山塔坪滑坡为例,考虑长江水位与降雨量影响,采用H-P滤波法从滑坡位移中分解出趋势项及周期项,利用差分自回归滑动平均模型（ARIMA）对趋势项进行平稳处理并计算趋势项预测值,利用向量自回归模型（VAR）计算周期项预测值。趋势项预测值与周期项预测值之和为滑坡位移预测值。与实际监测值及多种方法分析比较,表明综合预测所得结果能较好反映滑坡变形的趋势性和波动性,位移预测效果较好。     

滑坡位移分解预测中的平滑先验分析方法

目前在滑坡位移预测研究中,先将滑坡位移数据分解为趋势项及周期项后再分别进行预测已成为普遍做法。平滑先验分析法(Smoothness Priors Approach,SPA)是一种计算过程简单、计算量极小,且能快速分离原始数据趋势项和周期项的数据处理方法。在介绍SPA基本原理基础上,以三峡库区白家包滑坡典型监测点位移数据为例,对通过调节SPA正则化参数而获得的不同趋势项及周期项进行特征分析;进而结合对滑坡变形演化机制过程的先验分析,根据位移分解特征确定合理的参数取值;最后针对不同参数SPA位移分解数据,采用支持向量机进行位移预测对比分析。结果表明,SPA是一种适用于滑坡位移预测的位移分解方法,通过调节正则化参数并结合滑坡变形机制先验分析,能够获得较为合理的位移分解结果,进而提高滑坡位移预测精度。     

基于集合经验模态分解与支持向量机回归的位移预测方法:以三峡库区滑坡为例

三峡库区滑坡地表位移-时间曲线多呈台阶型特征。基于位移响应成分模型的滑坡位移预测方法是该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成分与低频成分的问题,提出了基于时间序列集合经验模态分解(EEMD)与重构的粒子群优化-支持向量机回归(PSO-SVR)位移预测方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其他常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其他5个台阶型滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

基于滑坡灾害预警分级的应急处置措施

滑坡灾害应急处置能力是地质灾害减灾防灾的重要方面。目前,基于滑坡灾害预测和预警分级成果,系统性的应急措施分类研究还鲜有展开,因此,以三峡库区白水河滑坡为例,运用时间序列加法模型将滑坡累计位移分解为趋势项位移与周期项位移,并分别应用多项式拟合及自回归(AR)模型对2个分量进行预测,在此结果上采用聚类分析方法将滑坡变形分为匀速变形与加速变形阶段,综合判断滑坡灾害预警等级,开展了针对滑坡预警分级的应急措施研究。结果表明:白水河滑坡预警等级主要为蓝色和黄色2种类型,对处于不同的预警等级下的滑坡,可根据滑坡变形特征快速决策,基于滑坡灾害预测和预警分级结果能更有效地指导滑坡应急处置。     

基于时间序列EEMD重构的滑坡位移PSO-SVR预测方法——以三峡库区滑坡为例

三峡库区滑坡地表位移—时间曲线多呈“台阶型”特征。基于位移响应成份模型的滑坡位移预测方法是对该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成份与低频成份的问题,提出了基于时间序列EEMD重构的滑坡位移PSO-SVR预测的方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将地表位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其它常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其它5个“台阶型”滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

联合多种数据驱动建模方法的滑坡位移预测研究

边坡位移是滑坡演化的宏观体现,分析并预测滑坡位移发展态势对于防灾减灾具有重要意义。由于滑坡位移曲线具有明显的非线性特征,单一模型往往难以刻画其非线性与复杂性。为发展一种普遍适用于滑坡位移的预测方法,提出了一种联合多种数据驱动模型的新方法。该方法根据时间序列分析理论,将滑坡位移序列分解为趋势项和周期项,趋势项采用并联型灰色神经网络处理,周期项则采用人工蜂群算法（ABC）优化后的极限学习机模型（ELM）处理,从而充分应用各种模型的优点。以三峡库区白水河和八字门滑坡为例,对位移数据进行分析处理后,灰色神经网络模型预测其趋势性位移,改进后的极限学习机模型对周期性位移进行训练及预测。结果表明:在预测精度上,优化后的极限学习机模型准确度高于极限学习机模型及小波神经网络等方法,提出的灰色神经网络与ABC-ELM的组合模型可作为实际工程的一个参考。     

混沌序列WA-ELM耦合模型在滑坡位移预测中的应用

针对滑坡位移序列的混沌特性和传统时间序列预测模型的不足,提出了一种基于混沌时间序列的小波分解-极限学习机(WA-ELM)滑坡位移预测模型。该模型以滑坡位移序列混沌特性分析为基础,应用小波分析将位移序列分解为具有不同频率特征的分量,对各特征分量分别进行相空间重构并应用极限学习机进行预测,最后将各特征分量预测值叠加,得到原始位移序列的预测值。以三峡库区八字门滑坡为例,并与小波分析-支持向量机(WA-SVM)以及单独ELM模型进行对比研究。结果表明,基于混沌时间序列的WA-ELM模型预测精度较高且具有较好的通用性与稳定性,是一种有效的滑坡位移预测方法。     

基于多算法参数优化与SVR模型的白水河滑坡位移预测

滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。     

Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model

Landslide prediction is important for mitigating geohazards but is very challenging. In landslide evolution, displacement depends on the local geological conditions and variations in the controlling factors. Such factors have led to the “step-like” deformation of landslides in the Three Gorges Reservoir area of China. Based on displacement monitoring data and the deformation characteristics of the Baishuihe Landslide, an additive time series model was established for landslide displacement prediction. In the model, cumulative displacement was divided into three parts: trend, periodic, and random terms. These terms reflect internal factors (geological environmental, gravity, etc.), external factors (rainfall, reservoir water level, etc.), and random factors (uncertainties). After statistically analyzing the displacement data, a cubic polynomial model was proposed to predict the trend term of displacement. Then, multiple algorithms were used to determine the optimal support vector regression (SVR) model and train and predict the periodic term. The results showed that the landslide displacement values predicted based on data time series and the genetic algorithm (GA-SVR) model are better than those based on grid search (GS-SVR) and particle swarm optimization (PSO-SVR) models. Finally, the random term was accurately predicted by GA-SVR. Therefore, the coupled model based on temporal data series and GA-SVR can be used to predict landslide displacement. Additionally, the GA-SVR model has broad application potential in the prediction of landslide displacement with “step-like” behavior.     

基于优化经验模态分解和聚类分析的滑坡位移智能预测研究

针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。     

WA联合ELM与OS-ELM的滑坡位移预测模型

滑坡累积位移监测曲线往往呈现出复杂的非线性增长特性,对此建立了不少相关的预测模型,而以往的预测模型存在着许多不足。本文基于小波函数（Wavelet Analysis,WA）,ELM与OS-ELM,提出一种名为WA联合ELM、OS-ELM的预测方法。首先,该方法基于小波函数,将滑坡累积位移分解成受内部地质条件影响的趋势项和受外部影响因子影响的周期项;然后,基于ELM与OS-ELM分别对趋势项和周期项进行预测;最后将趋势项和周期项的预测值叠加得到累积位移的预测值。结果表明,小波函数得到的趋势项展现出良好的趋势性,而周期项也展现出良好的周期性;以Sigmoid方程为核函数,隐含层神经元个数为33的ELM模型能准确高效对趋势项进行预测,而以RBF方程为核函数,隐含层神经元个数为100的OS-ELM模型能准确高效对周期项进行预测;累积位移预测数据的RMSE分别为0.1423和0.1315,预测结果相对较好,能够在滑坡位移预测领域发挥一定的作用。     

基于整体经验模态分解和支持向量回归的北京市 PM 2．5预测

为了更好地掌握大气中PM2.5浓度的变化规律,利用EEMD-SVR混合模型对该地区的PM2.5浓度值进行了短期预测。首先,通过采用整体经验模态分解(EEMD)方法分析北京市PM2.5,把原始时间序列分解成多个固有模态函数和趋势项;然后,对各阶固有模态函数进行周期性分析,揭示了北京市PM2.5的周期性变化特点;最后,对经过EEMD分解后的各阶固有模态函数和趋势项用支持向量机回归(SVR)方法进行预测。结果表明,EEMD-SVR混合模型比单一的SVR模型预测精度更高。     

基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测

三峡库区某些库岸滑坡在强降雨、库水位涨落等诱发因素影响下,其位移时间序列表现出阶跃式变化特征且可能存在混沌特性.但目前常用于滑坡位移预测的混沌模型,均建立在单变量混沌理论的基础之上.且已有的考虑了诱发因素的常规多变量模型,大都采用经验性的方法来选取输入变量;常规多变量模型对滑坡位移序列的非线性特征,及其与诱发因素间的动态响应关系缺乏数学理论上的深入分析.因此,提出一种基于指数平滑法、多变量混沌模型和极限学习机（extreme learing machine,ELM）的滑坡位移组合预测模型.指数平滑多变量混沌ELM模型首先对滑坡累积位移序列的混沌特性进行识别;然后用指数平滑法对累积位移进行预测,得到趋势项位移,并用累积位移减去趋势项位移得到剩余的波动项位移;之后对波动项位移及降雨量、库水位变化量这3个因子进行多变量相空间重构,并用ELM模型对多变量重构后的波动项位移进行预测;最后将预测得到的趋势项和波动项位移值相加,得到最终的累积位移预测值.以三峡库区白水河滑坡ZG93监测点的累积位移作为实例进行分析,并将模型与指数平滑多变量混沌粒子群-支持向量机（PSO-SVM）模型、指数平滑单变量混沌ELM模型作对比.结果表明滑坡位移序列存在混沌特性,模型能有效预测滑坡位移,其预测效果优于对比模型.且本文模型从混沌理论的角度将波动项位移与降雨量、库水位变化量的动态响应关系进行综合分析,更能反映滑坡位移系统演化的物理本质.      

阶跃型位移特征滑坡时间预测预报研究

滑坡时间预测预报目前主要以滑坡最终破坏的时间为目标函数,但对于变形特征为阶跃型的滑坡却难以准确地预测其破坏时间。为此,提出以位移作为此类滑坡时间预报的目标函数。将滑坡位移分解为蠕变位移和波动位移,采用二次移动平均法分别提取,然后采用多项式拟合和灰色GM(1,1)模型分别对蠕变位移和波动位移进行预测,最后将两部分预测位移相加得到滑坡预测的总位移。以典型阶跃型位移特征滑坡——三峡库区八字门滑坡为例,运用其位移监测数据进行验证,并对多模型预测结果进行对比分析,结果表明,该位移预测模型预测精度良好,能较好地预测阶跃型位移特征滑坡位移。     

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算...