【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及地質(zhì)位移預(yù)測，具體涉及一種基于cnn_bilstm-xgb的滑坡位移預(yù)測方法。
技術(shù)介紹
1、滑坡地質(zhì)災(zāi)害是世界上最具破壞性的地質(zhì)災(zāi)害之一，它是由于山坡或山體由于重力作用而發(fā)生的土石或巖石等地質(zhì)體的滑動(dòng)或崩塌現(xiàn)象。不僅對(duì)人類的生存安全構(gòu)成嚴(yán)重威脅，還會(huì)對(duì)資源、環(huán)境以及財(cái)產(chǎn)等方面造成嚴(yán)重的負(fù)面影響。因此，對(duì)于滑坡位移的預(yù)測成為減少滑坡災(zāi)害損失的有效手段，位移的變化可以作為預(yù)測滑坡破壞過程的重要指標(biāo)，精準(zhǔn)的預(yù)測對(duì)于提高預(yù)警效果和災(zāi)害應(yīng)急響應(yīng)能力至關(guān)重要，可以有效減少滑坡災(zāi)害所帶來的各種損失。
2、在滑坡位移預(yù)測的方法中，極致提升樹(extreme?gradientboosting)，卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetworks，cnn)、雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(bi-directionallong?short-termmemory，bilstm)等深度學(xué)習(xí)模型對(duì)滑坡位移預(yù)測模型有著良好的預(yù)測效果，但這些模型存在對(duì)數(shù)據(jù)泛化能力不強(qiáng)，結(jié)構(gòu)復(fù)雜，參數(shù)選取困難問題，導(dǎo)致預(yù)測精度和和效率不高的現(xiàn)象，因此本專利技術(shù)提出一種cnn_bilstm-xgb組合預(yù)測模型，通過集成學(xué)習(xí)的方法組合cnn_bilstm和xgb模型，并采用麻雀搜索算法(sparrow?searchalgorithm，ssa)對(duì)組合模型的參數(shù)進(jìn)行尋優(yōu)，找到最優(yōu)參數(shù)并應(yīng)用與滑坡位移預(yù)測。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)涉及一種基于cnn_bilstm-xgb的滑坡位移預(yù)測方法，該方法旨
2、本專利技術(shù)通過以下技術(shù)方案來實(shí)現(xiàn)，包括以下步驟：
3、步驟1：采用ssa-vmd分解法將滑坡累計(jì)位移分解為3個(gè)模式分量；根據(jù)時(shí)間序列理論和位移分量的特征將其劃分為周期項(xiàng)、隨機(jī)項(xiàng)和趨勢項(xiàng)；
4、步驟2：將周期項(xiàng)，隨機(jī)項(xiàng)位移分量數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集，分別引入周期項(xiàng)、隨機(jī)項(xiàng)位移預(yù)測的影響因子；
5、步驟3：采用cnn_bilstm-xgb組合模型對(duì)各分量預(yù)測，訓(xùn)練出適用于周期項(xiàng)，隨機(jī)項(xiàng)位移分量的預(yù)測模型；
6、步驟4：采用二次指數(shù)平滑法對(duì)趨勢項(xiàng)位移分量進(jìn)行預(yù)測；
7、步驟5：將各分量預(yù)測值疊加構(gòu)成累計(jì)位移預(yù)測值，計(jì)算模型性能指標(biāo)。
8、采用ssa-vmd對(duì)滑坡累計(jì)位移進(jìn)行分解步驟如下：
9、步驟1.1：設(shè)置vmd參數(shù)k、α的范圍，k范圍為[3,5]，α范圍為[0,2000]；
10、步驟1.2：初始化參數(shù)，利用vmd對(duì)滑坡位移進(jìn)行分解，包絡(luò)熵設(shè)為適應(yīng)度；
11、步驟1.3：更新ssa算法中的發(fā)現(xiàn)者、加入者和意識(shí)危險(xiǎn)個(gè)體位置；
12、步驟1.4：判斷當(dāng)前適應(yīng)度是否大于前適應(yīng)度，若大于，則更新適應(yīng)度，若小于，則不變；
13、步驟1.5：判斷是否達(dá)到最大迭代次數(shù)，若未滿足，則返回步驟2，若滿足，則輸出最優(yōu)參數(shù)及適應(yīng)度；
14、步驟1.6：將最優(yōu)參數(shù)入vmd中，得到滑坡位移分解分量。
15、步驟2的具體執(zhí)行過程，包括下列步驟：
16、步驟2.1：將ssa-vmd分解得到的周期項(xiàng)和隨即項(xiàng)位移分量按照8：1：1劃分為訓(xùn)練集、驗(yàn)證集和測試集；
17、步驟2.2：采用灰色關(guān)聯(lián)度方法篩選出合適的影響因子。
18、對(duì)于步驟3采用cnn_bilstm-xgb組合模型對(duì)各分量預(yù)測的過程，包括下列步驟：
19、步驟3.1：通過集成學(xué)習(xí)方法構(gòu)建cnn_bilstm-xgb組合模型；
20、步驟3.3：初始化參數(shù)，將訓(xùn)練集cnn_bilstm-xgb組合模型上進(jìn)行訓(xùn)練；
21、步驟3.3：使用ssa優(yōu)化算法分別找到模型的最佳參數(shù)組合；
22、步驟3.4：設(shè)驗(yàn)證集的真實(shí)值為yv，經(jīng)過驗(yàn)證集后可以得到模型預(yù)測值分別為可以得到它們之間的誤差分別記錄模型在驗(yàn)證集上的誤差。
23、步驟3.5：對(duì)兩個(gè)模型在驗(yàn)證集上的誤差進(jìn)行判斷，如果誤差相差比較大，選擇誤差小的模型作為最終的模型，如果兩個(gè)模型之間誤差小于一定的閾值，則對(duì)兩個(gè)模型進(jìn)行權(quán)重組合，最后的預(yù)測結(jié)果等于兩個(gè)模型預(yù)測值的加權(quán)相加。
24、步驟3.6：經(jīng)過測試集后可以得到測試集上預(yù)測值分別為則模型集成后得到的預(yù)測結(jié)果為yt。
25、步驟5的具體執(zhí)行過程，包括以下步驟：
26、步驟5.1：根據(jù)分解時(shí)間序列理論yt＝tt+pt+rt，yt是滑坡累計(jì)位移序列，tt為位移趨勢項(xiàng)預(yù)測位移，pt是周期項(xiàng)預(yù)測位移，rt隨機(jī)項(xiàng)預(yù)測位移。求得最終yt預(yù)測結(jié)果；
27、步驟5.2：計(jì)算預(yù)測值與真實(shí)值偏差的平方求和平均rmse：
28、
29、步驟5.3：計(jì)算預(yù)測值與真實(shí)值偏差的平均值mae：
30、
31、步驟5.4：計(jì)算預(yù)測值與真實(shí)值的相關(guān)性r2：
32、
33、步驟5.5：根據(jù)以上計(jì)算結(jié)果驗(yàn)證模型的有效性。
34、本專利技術(shù)提供了一種基于基于cnn_bilstm-xgb的滑坡位移預(yù)測方法，首先采用ssa-vmd將滑坡位移分解為特征明顯的周期項(xiàng)、隨即項(xiàng)和趨勢項(xiàng)位移，劃分?jǐn)?shù)據(jù)集采用灰色關(guān)聯(lián)度選擇關(guān)聯(lián)度高的影響因子作為輸入分量，有效提高模型精度，采用集成學(xué)習(xí)方法構(gòu)建cnn_bilstm-xgb組合模型對(duì)周期項(xiàng)和隨機(jī)項(xiàng)位移進(jìn)行預(yù)測，通過ssa對(duì)模型的參數(shù)進(jìn)行尋優(yōu)，解決人為選取參數(shù)的主觀因素影響，確保預(yù)測效率的同時(shí)提升模型的預(yù)測精度和泛化能力。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于CNN_BiLSTM-XGB的滑坡位移預(yù)測方法，其特征在于，包括下列步驟：
2.根據(jù)權(quán)利要求1所述的基于CNN_BiLSTM-XGB的滑坡位移預(yù)測方法，其特征在于，采用SSA-VMD分解法將滑坡累計(jì)位移分解的過程，包括下列步驟：
3.根據(jù)權(quán)利要求1所述的基于CNN_BiLSTM-XGB的滑坡位移預(yù)測方法，其特征在于：
4.如權(quán)利要求1所述的基于CNN_BiLSTM-XGB的滑坡位移預(yù)測方法，其特征在于，采用CNN_BiLSTM-XGB組合模型對(duì)各分量預(yù)測的過程，包括下列步驟：
【技術(shù)特征摘要】
1.一種基于cnn_bilstm-xgb的滑坡位移預(yù)測方法，其特征在于，包括下列步驟：
2.根據(jù)權(quán)利要求1所述的基于cnn_bilstm-xgb的滑坡位移預(yù)測方法，其特征在于，采用ssa-vmd分解法將滑坡累計(jì)位移分解的過程，包括下列步驟：
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：顧昌彪，周勝源，李曉歡，姚榮彬，張艷雙，李冬連，
申請(qǐng)(專利權(quán))人：桂林電子科技大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。