基于非平稳时间序列分析的滑坡变形预测

滑坡的位移监测资料通常可用来预测滑坡的变形发展趋势,位移的发展反映了滑坡的变形过程.为了预测在现有条件持续情况下的滑坡变形趋势,将滑坡位移监测数据视为非平稳时间序列,应用时间序列分析方法,建立了滑坡变形趋势的预测模型.以三峡库区秭归县白水河滑坡为例,通过对变形预警区监测点位移实测时间序列的分析,取监测点ZG93和XD-04为代表,建立了时间序列预测模型,从第17个月开始向前做6步预测,分析预测曲线与实测曲线之间的关系,并计算预测误差,结果显示除个别数据点之外,预测误差均在±9%以内,曲线吻合较好,说明所建模型效果良好,从而为判断白水河滑坡未来的变形发展趋势提供了可靠的理论依据.     

基于时间序列分析法的滑坡变形特征研究

应用时间序列分析方法建立滑坡位移ARIMA预报模型。采用差分平稳,自回归AR模型和移动平均MA模型对滑坡位移进行预测,得到了该滑坡监测点TP1的预报模型为ARIMA(2,2,1),然后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。     

滑坡临滑预报的态矢量方法研究

态矢量是统计物理学中对连续场进行粗粒化描述的一种方法。将其引入滑坡预报中,通过将滑坡危险区划分为n个子区域,在各个时间窗内对一系列子区域的监测数据进行态矢量分析,将监测数据与降雨量态矢量的模等归一化后叠加,研究一段时间内滑坡位移态矢量的发展变化规律,并提出利用态矢量进行滑坡预报的新方法。以新滩滑坡为例,对累计水平位移进行态矢量分析,发现在滑坡前态矢量的模和态矢量增量的模均发生了明显突变,按态矢量曲线的变化规律,依据滑坡预警分级方法提出3级滑坡预警,最高预警级别预报的滑坡时间比实际滑坡时间提前2天。研究结果表明,态矢量的急剧突变是滑坡发生的前兆,可以用来进行滑坡的短期和临滑预报。     

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。     

基于信息维的滑坡时间位移序列分析

以白水河滑坡时间位移序列作为研究对象,提出了用信息维来研究滑坡时间位移序列的方法。对ZG93监测点的时间序列进行了分年信息维数计算,同时对2006—2009年预警区内所有监测点时间序列进行了分维异常分析。结果表明,时间位移序列的信息维数大小与序列的频变和骤变有关;分维异常图可以反映滑坡空间范围内各部位的相对变形情况。     

滑坡坡面位移特征及其应用

在详细分析滑坡坡面位移特征的基础上,提出根据坡面位移矢量确定滑坡滑动面,预报滑坡发生时间的原理和方法。     

滑坡坡面位移特征及其应用

在详细分析滑坡坡面位移特征的基础上,提出根据坡面位移矢量确定滑坡滑动面,预报滑坡发生时间的原理和方法。     

堆积层滑坡临滑预报的新判据

研究表明，仅用速率大小作为滑坡的临滑判剧是不充分的。笔者在分析新滩堆积层滑坡位移矢量角动态特征的基础上，提出了堆积层滑坡临滑预报的新判据。     

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。     

基于时间序列与混合核函数SA-SVR的滑坡位移预测模型研究

本文针对阶跃型滑坡变形定量预测困难,提出一种基于时间序列分解与混合核函数SA-SVR的滑坡位移预测模型.首先基于时间序列分解原理,反复使用指数平滑法将滑坡累积位移分解为趋势项位移和周期项位移,使分解后的趋势项位移较平滑且能保证周期项位移的预测精度.同时针对多项式预测容易过拟合造成预测值偏离真实值的问题,采用K-flod...     

考虑监测离群值朱家店滑坡位移预测研究

滑坡位移预测预报是滑坡防灾减灾的重要组成部分,提高滑坡位移预测的准确性与精确度是该项研究的重点与难点。本文在滑坡位移预测中考虑了监测样本的离群值,通过忽略、指定与修正离群值3种方式,研究滑坡位移预测样本离群值的最优处理方式。以三峡库区朱家店滑坡为例,基于ARIMA(p,d,q)模型,分别对累积位移与位移速率时间序列开展了预测研究。研究结果表明:修正离群值的预测结果介于忽略和指定离群值两者之间,更适用于存在监测离群值的滑坡位移预测;对于ARIMA模型,更适合采用位移速率进行预测预报;使用位移速率时间序列ARIMA(1,0,1)并修正离群值的预测结果为:2016年和2017年6月份滑坡前缘GP3"阶跃"位移分别为79. 0 mm和70. 2 mm,截止2017年8月,GP3累积位移将达1647. 7 mm。     

高填方边坡失稳时间预测的实用模型

建立一种准确可靠的方法来预测高填方边坡因蠕变破坏而发生滑坡的时间是困难的,但对防止财产和生命损失又至关重要。在总结高填方土质边坡蠕变破坏过程中的位移、速度特征的基础上,通过改进Saito模型的应变率公式,提出了基于改进人工蜂群算法的滑坡中短期预测的实用模型。将进入加速变形阶段后的滑坡位移时间序列作为输入,通过人工蜂群算法反演实用模型参数后输出预测的滑坡时间。以3个高填方滑坡为实例,应用滑坡位移监测点的测量数据,验证了该方法在滑坡时间预测上的准确性和可靠性。同时,将该方法预测的滑坡时间结果与传统的Saito系列模型预测的滑坡时间结果进行了比较。结果表明,在通过滑坡位移的时间序列进行滑坡时间预测时,所提出的实用模型比两种Saito模型更准确可靠。     

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。     

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(A R)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...     

基于R/S分析方法的渐进式滑坡位移预测研究

渐进式滑坡由于其位移-时间曲线不规则而无法准确判断其趋势位移和随机位处变形阶段,导致很难预测其失稳破坏的时间.为此,提出了R/S分析方法,将滑坡总位移分解为趋势位移和随机位移两部分,然后分别采用神经网络模型和多项式拟合对两种位移进行预测,最后将两部分预测位移加起来预测其总位移.以典型渐进式滑坡——八字门滑坡为例,对前述模型进行验证,并将其预测结果与GM(1,1)模型预测结果进行对比.研究结果表明本模型预测的结果误差小于2％,而GM(1,1)模型预测结果误差接近40％,说明该模型更适合预测渐进式滑坡的位移.     

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。     

基于光纤监测和PSO-SVM模型的马家沟滑坡深部位移预测研究

滑坡位移预测效果一方面取决于预测模型的优劣,另一方面取决于野外监测数据的质量。针对目前滑坡常规监测技术与评价方法的不足,本文采用光纤监测技术、监测数据与PSO-SVM预测模型相结合的评价方法,对三峡马家沟Ⅰ号滑坡的深部位移进行了预测;通过对320个滑坡深部位移光纤监测数据分析,基于时间序列法,将滑坡位移分为趋势性位移和波动性位移;趋势性位移采用拟合法进行预测,波动性位移采用PSO-SVM模型进行预测;最后将趋势项和波动项位移预测值叠加得到累积位移的预测值。研究结果表明,PSO-SVM模型对波动性位移预测的均方根误差0.51 mm,平均绝对百分误差0.37 mm,能准确预测滑坡波动项位移;累积位移预测值与实测值的相关系数为0.98,均方根误差为0.54 mm,预测效果较好,可以用来对滑坡深部位移进行短期预测。     

遗传算法下的滑坡蠕滑位移预测模型研究

滑坡位移预测是预报滑坡灾害的重要依据,以往的滑坡位移预测模型多数为时间序列预测模型、BP神经网络预测模型、Gaussian拟合预测模型以及其他一些非线性预测模型。这些滑坡位移预测模型在建立上缺乏力学理论支撑,对不同力学特性产生的滑坡位移预测分析上没有针对性。文章针对力学特性为重力蠕变型滑坡位移的预测,提出一种基于遗传优化算法的滑坡蠕滑位移非线性预测模型。以鲁家坡滑坡东侧J05监测点的累计水平位移为例,划定测试区域与预测区域进行模型预测分析,并将新模型预测结果与Gaussian拟合预测模型、 BP神经网络预测模型预测结果进行对比分析。结果表明,相较于传统预测模型,新模型的预测效果有所提升,有一定的工程价值与实践价值。