基于PSO-SVR与DES联合的滑坡位移预测方法.pdf

《基于PSO-SVR与DES联合的滑坡位移预测方法.pdf》由会员分享，可在线阅读，更多相关《基于PSO-SVR与DES联合的滑坡位移预测方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910715327.X (22)申请日 2019.08.05 (71)申请人 成都理工大学 地址 610059 四川省成都市二仙桥东三路1 号 (72)发明人 蒋亚楠罗袆沅蒋川东王鹏 卢熊姜玮旭 (74)专利代理机构 成都正华专利代理事务所 (普通合伙) 51229 代理人 何凡 (51)Int.Cl. G06F 17/50(2006.01) G06N 20/20(2019.01) G01B 21/02(2006.01) G01B 21/32(2006.01) (54)发明。

2、名称 基于PSO-SVR与DES联合的滑坡位移预测方 法 (57)摘要 本发明公开了一种基于PSO-SVR与DES联合 的滑坡位移预测方法， 其包括获取滑坡处位移监 测点的位移监测时间序列和多个初始影响因子， 采用小波去噪方法去除位移监测时间序列的随 机噪声， 并使用HP滤波器将位移监测时间序列分 解为两个分量： 周期项和趋势项。 在此基础上， 以 水位和降雨量为影响因子， 采用主成分分析法提 取滑坡位移主要影响因子特征， 建立一种联合粒 子群寻优支持向量回归机(PSO-SVR)和双指数平 滑(DES)的混合预测优化模型， 通过分别构造周 期项和趋势项训练样本分量实现滑坡的位移预 测。 最终将。

3、趋势项和季节项位移预测值叠加即可 得到滑坡总位移预测值。 权利要求书2页 说明书4页 附图3页 CN 110378070 A 2019.10.25 CN 110378070 A 1.基于PSO-SVR与DES联合的滑坡位移预测方法， 其特征在于， 包括： 获取滑坡处位移监测点的位移监测时间序列和多个初始影响因子； 采用小波去噪方法对位移监测时间序列进行去噪， 并进行归一化处理， 之后采用HP滤 波器将位移监测时间序列分解为周期项位移和趋势项位移； 采用设定时间段的位移监测时间序列通过DES算法预测趋势项位移值； 采用主成分分析方法对多个初始影响因子进行特征提取， 并选取大于设定阈值的特征 值对。

4、应特征向量和初始影响因子构成主要影响因子； 根据粒子群优化算法， 通过更新粒子的速度来得到最优的SVR径向基核函数的参数和 惩罚因子； 对趋势项预测值和周期项预测值进行反归一化处理， 之后相加得到滑坡最终预测位 移。 2.根据权利要求1所述的基于PSO-SVR与DES联合的滑坡位移预测方法， 其特征在于， 所 述采用设定时间段的位移监测时间序列通过DES算法预测趋势项位移值进一步包括： 获取位移监测时间序列前设定时间段内的历史位移监测时间序列； 采用历史位移监测时间序列计算预测趋势项位移前一时刻的一次指数平滑值和二次 指数平滑值： 其中， 和 均为指数平滑系数；和分别为t时刻的一次和二次指数平。

5、滑值；和 分别为t-1时刻的一次和二次指数平滑值； xt为t时刻的滑坡位移时间序列； 根据趋势项位移及其前一时刻的一次指数平滑值和二次指数平滑值， 计算趋势项位移 对应的趋势项预测值： 其中， at和bt分别为中间参数； T为周期， F1+T为趋势项位移后周期T时的预测值。 3.根据权利要求1所述的基于PSO-SVR与DES联合的滑坡位移预测方法， 其特征在于， 多 个初始影响因子包括位移监测时间序列所在月的库水位、 库水位变化幅值、 库水位变化速 率、 降雨量及位移监测时间序列前两个月的累计降雨量。 4.根据权利要求3所述的基于PSO-SVR与DES联合的滑坡位移预测方法， 其特征在于， 所。

6、 述采用主成分分析方法对多个初始影响因子进行特征提取， 并选取大于设定阈值的特征值 对应特征向量和初始影响因子构成主成分数据进一步包括： 对每个初始影响因子去平均值处理， 之后将处理后的数据按行处理构成矩阵； 计算矩阵的协方差矩阵， 并采用特征值分解方法求协方差矩阵的特征值与特征向量； 对特征值从大到小排序， 并选取大于设定阈值的特征值对应的特征向量作为行向量构 成特征向量矩阵； 采用矩阵X和特征向量矩阵P得到主要影响因子Y， YPX。 5.根据权利要求1所述的基于PSO-SVR与DES联合的滑坡位移预测方法， 其特征在于， 所 权利要求书 1/2 页 2 CN 110378070 A 2 述。

7、根据主要影响因子和周期项位移， 采用粒子群算法和SVR回归预测模型计算周期项位移 的周期项预测值进一步包括： 根据粒子群优化算法， 通过更新粒子的速度来得到最优的SVR径向基核函数的参数和 惩罚因子： viwvi+c1rand()(pbesti-xi)+c2rand()(gbesti-xi)， xixi+vi 其中， vi为主要影响因子的当前速度， xi为主要影响因子当前位置， w为惯性因子， rand ()为随机生成函数， 生成值在(0-1)之间， pbesti和gbesti分别为历史最优位和当前最优 位， c1和c2为学习因子； 根据最优的SVR径向基核函数的参数和惩罚因子， 采用SVR回。

8、归预测模型计算周期项位 移的周期项预测值， 所述SVR回归预测模型为： 其中， F为周期项预测值； i为第i个对偶变量； 为第i个正实数对偶变量； C为惩罚因 子； K(xi,xj)为径向基核函数； b为偏置量； 为径向基核函数的参数； xi为和xj均为随机样 本点； l为无穷相； 为SVR径向基核函数的参数。 权利要求书 2/2 页 3 CN 110378070 A 3 基于PSO-SVR与DES联合的滑坡位移预测方法 技术领域 0001 本发明涉及地质灾害监测领域， 具体涉及一种基于PSO-SVR与DES联合的滑坡位移 预测方法。 背景技术 0002 滑坡作为一种常见的地质灾害， 通常由多。

9、种不确定因素， 如地质条件、 地貌、 水文 地质和物理因素以及人类活动等共同作用导致。 滑坡变形预报一直是滑坡预警预报的重要 研究方向和研究热点。 滑坡变形演化受季节性因素(如长江水位调度、 周期性强降雨)影响 时， 累计位移曲线通常表现出很强的非线性动力学特征， 如阶跃性变化。 常规方法对此类滑 坡进行预测预报时， 极易将阶跃性的变形特征误认为滑坡已进入临滑阶段， 造成误判。 所以 说传统的分析方法很难对滑坡的稳定性做出准确的评价。 发明内容 0003 针对现有技术中的上述不足， 本发明提供的基于PSO-SVR与DES联合的滑坡位移预 测方法能够准确地预测滑坡的位移量。 0004 为了达到上。

10、述发明目的， 本发明采用的技术方案为： 0005 提供一种基于PSO-SVR与DES联合的滑坡位移预测方法， 其包括： 0006 获取滑坡处位移监测点的位移监测时间序列和多个初始影响因子； 0007 采用小波去噪方法对位移监测时间序列进行去噪， 并进行归一化处理， 之后采用 HP滤波器将位移监测时间序列分解为周期项位移和趋势项位移； 0008 采用设定时间段的位移监测时间序列通过DES算法预测趋势项位移值； 0009 采用主成分分析方法对多个初始影响因子进行特征值提取， 并选取大于设定阈值 的特征值对应特征向量和初始影响因子构成主要影响因子； 0010 根据粒子群优化算法， 通过更新粒子的速度。

11、来得到最优的SVR径向基核函数的参 数和惩罚因子； 0011 对趋势项预测值和周期项预测值进行反归一化处理， 之后相加得到滑坡最终预测 位移。 0012 本发明的有益效果为： 本方案通过主成分分析影响因子之间的线性关系， 提取主 成分特征， 减小数据冗余与相关， 提高影响因子的数据质量， 使用二次指数平滑预测趋势项 位移能够消除拟合结果的不稳定性。 附图说明 0013 图1为基于PSO-SVR与DES联合的滑坡位移预测方法的流程图。 0014 图2为DES趋势项预测结果。 0015 图3为PSO-SVR周期项预测结果。 0016 图4为滑坡累计位移预测结果。 说明书 1/4 页 4 CN 11。

12、0378070 A 4 具体实施方式 0017 下面对本发明的具体实施方式进行描述， 以便于本技术领域的技术人员理解本发 明， 但应该清楚， 本发明不限于具体实施方式的范围， 对本技术领域的普通技术人员来讲， 只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内， 这些变化是显而易 见的， 一切利用本发明构思的发明创造均在保护之列。 0018 参考图1， 图1示出了基于PSO-SVR与DES联合的滑坡位移预测方法的流程图； 如图1 所示， 该方法100包括步骤101至步骤106。 0019 在步骤101中， 获取滑坡处位移监测点的位移监测时间序列和多个初始影响因子； 其中多个初始影响因。

13、子包括位移监测时间序列所在月的库水位、 库水位变化幅值、 库水位 变化速率、 降雨量及位移监测时间序列前两个月的累计降雨量。 0020 在步骤102中， 采用小波去噪方法对位移监测时间序列进行去噪， 并进行归一化处 理， 之后采用HP滤波器(Hodrick-Prescott滤波器)将位移监测时间序列分解为周期项位移 和趋势项位移； 0021 本方案通过小波去噪后， 能够去除位移监测时间序列中的随机噪声， 以提高用于 滑坡位移预测原始数据的准确性； 时间序列可看作是不同频率成分的叠加， HP滤波器将变 化不定的时间序列数据中具有一定变化趋势的平滑序列分离出来， 将时间序列分为周期性 波动数据和趋。

14、势要素数据。 0022 本方案通过HP滤波器进行时间序列的分解， 一步到位， 不需要引入多个方法单独 对其进行处理， 简化了分解步骤， 同时避免了多个方法处理过程中引入的误差。 0023 在步骤103中， 采用设定时间段的位移监测时间序列通过DES算法(二次指数平滑 法)预测趋势项位移值； 此处的设定时间段为滑坡处位移监测点的位移监测时间序列前几 个月的数据， 比如获取的位移监测时间序列是8月的， 那么设定时间段假设为5个月， 那么设 定时间段的位移监测时间序列即为3、 4、 5、 6和7月的数据。 0024 实施时， 本方案优选采用设定时间段的位移监测时间序列通过DES算法预测趋势 项位移值。

15、进一步包括： 0025 获取位移监测时间序列前设定时间段内的历史位移监测时间序列； 0026 采用历史位移监测时间序列计算预测趋势项位移前一时刻的一次指数平滑值和 二次指数平滑值： 0027 0028其中， 和 均为指数平滑系数；和分别为t时刻的一次和二次指数平滑值； 和分别为t-1时刻的一次和二次指数平滑值； xt为t时刻的滑坡位移时间序列； 0029 根据趋势项位移及其前一时刻的一次指数平滑值和二次指数平滑值， 计算趋势项 位移对应的趋势项预测值： 0030 0031 其中， at和bt分别为中间参数； T为周期， F1+T为趋势项位移后周期T时的预测值。 0032 本方案通过历史时间序列。

16、上一时刻的一次和二次指数平滑值计算其的一次和二 说明书 2/4 页 5 CN 110378070 A 5 次指数平滑值， 并将其的一次和二次指数平滑值作为更新下一时刻时间序列的一次和二次 指数平滑值的基础数据， 依次类推， 直至计算出位移监测时间序列前一时刻的时间序列的 一次和二次指数平滑值， 并以此计算位移监测时间序列的一次和二次指数平滑值， 并采用 该平滑值计算趋势项预测值。 0033 本方案采用DES算法进行趋势项预测值计算， 在进行平滑值更新时， 具有样本(历 史时间序列)要求量较少、 计算简单、 适应性较强和结果较稳定等优点。 0034 在步骤104中， 采用主成分分析方法对多个初始。

17、影响因子进行特征提取， 并选取大 于设定阈值的特征值对应特征向量和初始影响因子构成主要影响因子。 0035 本方案通过主成分分析把滑坡位移影响因子(滑坡附近河流水位、 月降雨量)相互 间的复杂关系进行简化处理， 能够在保留原始变量信息的前提下解决数据冗余， 消除变量 之间的相关关系。 0036 在本发明的一个实施例中， 采用主成分分析方法对多个初始影响因子进行特征值 提取， 并选取大于设定阈值的特征值对应特征向量和初始影响因子构成主成分数据进一步 包括： 0037 对每个初始影响因子去平均值处理， 之后将处理后的数据按行处理构成矩阵； 本 步骤中的平均值是指所有初始影响因子相加后除以初始影响因。

18、子总数得到的平均值。 0038 计算矩阵的协方差矩阵， 并采用特征值分解方法求协方差矩阵的特征值与特征向 量； 0039 对特征值从大到小排序， 并选取大于设定阈值的特征值对应的特征向量作为行向 量构成特征向量矩阵； 0040 采用矩阵X和特征向量矩阵P得到主要影响因子Y， YPX。 0041 在步骤105中， 根据主要影响因子和周期项位移， 采用粒子群算法和SVR回归预测 模型计算周期项位移的周期项预测值； 0042 在本发明的一个实施时例中， 根据主要影响因子和周期项位移， 采用粒子群算法 和SVR回归预测模型计算周期项位移的周期项预测值进一步包括： 0043 根据粒子群优化算法， 通过更。

19、新粒子的速度来得到最优的SVR径向基核函数的参 数和惩罚因子： 0044 viwvi+c1rand()(pbesti-xi)+c2rand()(gbesti-xi)， xixi+vi 0045 其中， vi为主要影响因子的当前速度， xi为主要影响因子当前位置， w为惯性因子， rand()为随机生成函数， 生成值在(0-1)之间， pbesti和gbesti分别为历史最优位和当前最 优位， c1和c2为学习因子； SVR径向基核函数的参数和惩罚因子为粒子(主要影响因子)的 最优位置。 0046 根据径向基核函数的参数和惩罚因子， 采用SVR回归预测模型计算周期项位移的 周期项预测值， SVR。

20、回归预测模型为： 0047 0048 说明书 3/4 页 6 CN 110378070 A 6 0049其中， F为周期项预测值； i为第i个对偶变量； 为第i个正实数对偶变量； C为惩 罚因子； K(xi,xj)为径向基核函数； b为偏置量； 为径向基核函数的参数； xi为和xj均为随 机样本点； l为无穷相； 为SVR径向基核函数的参数。 0050 在步骤106中， 对趋势项预测值和周期项预测值进行反归一化处理， 之后相加得到 滑坡最终预测位移。 0051 下面以白水河滑坡为例， 采用本方案提供的方法对滑坡位移预测效果进行说明： 0052 选择2003年7月到2010年8月间86组白水河滑。

21、坡专业监测点ZG118的观测数据为训 练样本(主要用于趋势项预测值计算过程中计算位移监测时间序列前一时刻的时间序列的 一次和二次指数平滑值)， 并以2010年9月到2013年2月间30组数为测试样本(预测这些测试 样本处的滑坡位移)， 对每个测试样本的滑坡预测位移进行计算。 0053 在采用主成分分析方法对多个初始影响因子进行特征值提取时， 若特征值越小， 则意味着这个主成分的解释力度小于原始变量的平均解释力度， 本方案选用特征值大于1 的特征值； 对原始位移监测数据与初始影响因素变量进行主成分分析， 得到2个主成分， 结 果如表1。 第一二主成分对原始数据的累计方差贡献率达到82.37， 表。

22、明这两个主成分包 含了原始数据的大部分信息。 0054 表1解释的总方差 0055 0056 在趋势项位移预测时， 本方案平滑系数 选取为0.99， 30组测试样本的趋势项预测 值见图2。 周期项位移预测时， 使用MATLAB编程实现PSO参数寻优， 得到SVR径向基核函数参 数0.65938， C2.1656。 根据最优模型参数， 计算测试样本的30组测试样本的周期项预 测值见图3； 将测试样本的趋势项预测值和周期项预测值进行反归一化处理， 相加得到总累 计位移结果， 如图4所示。 0057 其中， 白水河滑坡预测结果的均方根误差为3.4301mm， 相关系数为0.99846， 预测 精度为99.99195， 证实了本方案提供的方法预测能力和可靠性， 表面其更加适合非线性 滑坡位移的预测。 说明书 4/4 页 7 CN 110378070 A 7 图1 说明书附图 1/3 页 8 CN 110378070 A 8 图2 图3 说明书附图 2/3 页 9 CN 110378070 A 9 图4 说明书附图 3/3 页 10 CN 110378070 A 10 。