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。     

基于Verhulst模型的滑坡位移预测研究及其程序化实现

以甘肃省黄茨滑坡位移时间预测为例,在滑坡工程地质条件、成因、发生与发展过程分析的基础上,结合地面监测桩以及位移计监测的位移时间数据,运用Verhulst预测模型建立了该滑坡位移预测研究的思路.在此基础上,运用Ex-cel内嵌的VBA语言编写了相应的位移时间预测预报程序,解决了笔算困难问题.通过具体实例分析,将Verhulst模型、灰色GM(1,1)模型预测结果与实际监测结果进行对比分析,验证了该模型在滑坡位移时间预测中的适用性以及程序的可靠性.研究结果表明,Verhulst预测模型适宜于滑坡临滑预报,而灰色GM(1,1)预测模型适宜于滑坡中短期预测预报,通过Ver-hulst模型预测黄茨滑坡的临滑时间在1995-01-26至1995-01-27之间,预测结果与滑坡实际滑动时间较为一致,由此说明运用Verhulst预测模型对滑坡进行临滑预报是可行的.     

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。     

Verhulst反函数滑坡预测预报模型的改进

由于位移时间曲线不一定通过第一个数据点,原始Verhulst反函数模型将第一个数据点作为已知条件来求取模型参数的理论依据不充分,可能导致预报误差较大。为了解决该问题,本文基于误差最小原则,将非线性拟合的方法应用到Verhulst反函数模型的参数求取中。两个实例预报结果表明:经非线性拟合确定模型参数后,Verhulst反函数模型在滑坡时间预报上能取得较准确的预报结果,且预报的时间多稍早于滑坡实际发生时间,这说明经非线性拟合确定模型参数后,用Verhulst反函数模型进行滑坡时间预报是可行的,其预报结果可能能起到提前预报的作用。     

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。     

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。     

滑坡时间预测预报研究进展

我国是一个深受滑坡灾害困扰的国家，每年由滑坡所造成的经济损失异常惨重。因此，滑坡预测预报已成为人们研究的一个热点问题。对滑坡时间预测预报的研究现状和研究进展作了系统地总结，重点探讨了滑坡预报模型（包括定量预报模型、定性预报模型以及GMD预报模型等）、预报判据研究方面的进展，提出了滑坡综合信息预报的思路及具体的实施技术路线。     

三峡库区滑坡综合预报系统的设计与实现

由于滑坡变形演化过程的复杂性、随机性和不确定性，大大增如了滑坡预报的难度。文章提出的预报系统是将20多种滑坡预报模型集成滑坡预报库，利用专家系统将定量、定性预报有机结合实现综合预报，并根据更新的监测资料对预报参数、预报结果进行修正和完善。随着时间的延伸和监测资料不断更新，预报准确度越来越高，实现动态追踪预报。整个系统基于GIS平台开发，利用了GIS本身所具有的强大空间数据和图形管理功能，同时还具有数据维护与数据处理等功能。     

滑坡位移灰色预测模型的VB编程实现

灰色模型在社会科学、自然科学的许多方面已得到广泛的应用，并取得了一系列重大成果。在滑坡地质灾害研究方面，灰色模型多用于滑坡变形的中长期预测预报，且精度较高。文章在介绍分析了灰色预测模型GM(1，1)的基本原理基础上，开发了用VB语言编写的滑坡位移灰色预测软件，解决了笔算困难问题。实例验证了该模型用于预测滑坡位移值的适用性及软件的可靠性。VB编程能够很好地与其它软件(GIS软件)集成，在其它专业软件中使用，有聋于滑坡地质灾害的研究。     

基于指数平滑法与回归分析相结合的滑坡预测

滑坡时间预报研究是滑坡研究中的一个热门课题。以实际监测数据为基础,把指数平滑法与非线性回归分析法结合起来;以滑坡的变形值和变形速率为判据,对滑坡进行时间失稳的动态跟踪预报。根据某滑坡的实际情况,对部分监测点位移进行了建模和预测,预测结果表明,该方法具有较高的精度,可以应用于实际工程。     

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。     

多元时间序列分析的滑坡演化阶段划分

滑坡的时间-位移曲线一般具有3个阶段特征,即初始变形阶段、等速变形阶段和加速变形阶段,不同演化阶段加速度具有不同的变化特点.目前往往是依据对加速度曲线特征的分析来人为划分演化阶段,缺少相应的理论支持和定量计算.针对上述问题,选取月降雨量、月库水位高程变化量对滑坡的累计位移建立多因素的时间序列预测模型.然后利用Chow分割点检验理论,以所建模型中F和LR统计量最大值点作为分割点对滑坡演化阶段进行划分.以新滩滑坡和三峡库区白水河滑坡为例,利用累计位移、降雨及库水位变化数据进行计算验证.结果表明,对多元时间序列模型进行Chow分割点检验可对滑坡的演化阶段进行准确划分,为滑坡的临滑预警预报提供重要判据.      

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...     

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。     

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。     

A graph deep learning method for landslide displacement prediction based on global navigation satellite system positioning

The accurate prediction of displacement is crucial for landslide deformation monitoring and early warning. This study focuses on a landslide in Wenzhou Belt Highway and proposes a novel multivariate landslide displacement prediction method that relies on graph deep learning and Global Navigation Satellite System (GNSS) positioning. First model the graph structure of the monitoring system based on the engineering positions of the GNSS monitoring points and build the adjacent matrix of graph nodes. Then construct the historical and predicted time series feature matrixes using the processed temporal data including GNSS displacement, rainfall, groundwater table and soil moisture content and the graph structure. Last introduce the state-of-the-art graph deep learning GTS (Graph for Time Series) model to improve the accuracy and reliability of landslide displacement prediction which utilizes the temporal-spatial dependency of the monitoring system. This approach outperforms previous studies that only learned temporal features from a single monitoring point and maximally weighs the prediction performance and the priori graph of the monitoring system. The proposed method performs better than SVM, XGBoost, LSTM and DCRNN models in terms of RMSE (1.35 mm), MAE (1.14 mm) and MAPE (0.25) evaluation metrics, which is provided to be effective in future landslide failure early warning.     

滑坡位移时序预测的核函数构造

获得支持向量机(SVM)背景下滑坡位移时序准确预测的关键,是构造或选择一合适的核函数。通过分析滑坡位移时序曲线特征以及不同类型Mercer核的性质,从基于核函数上的封闭运算角度,构造出支持向量机背景下预测滑坡位移时序的最佳核函数。利用3组不同特征的滑坡位移时序,对构造出的核函数进行性能检验,数值实验表明：对于典型的3组滑坡时序,LPG与MPG核的学习性能要优于简单核,且前者适合复杂位移时序的回归预测,而后者更适合规律性较强的简单时序曲线的建模预测。此外,探讨了这两种核函数下的核参数取值对模型精度的影响。     

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.