[发明专利]一种滑坡形变预测方法

说明书

本发明公开了一种滑坡形变预测方法，获取滑坡体累积位移量原始数据，得到累积位移量原始数据序列；对所述累积位移量原始数据序列进行预处理；将预处理后的累积位移量原始数据序列输入粒子群优化灰色Verhulst模型，得到累积位移量初始预测数据序列；计算累积位移量初始预测数据的残差，得到初始预测数据残差序列；马尔可夫链修正所述初始预测数据残差序列，根据修正后的初始预测数据残差序列计算得到最终预测数据序列。本发明使用的灰色Verhulst模型相比于原始的灰色Verhulst模型进行了改进，采用粒子群算法对灰色Verhulst模型的参数值进行优化，利用滑动窗对原始数据序列进行动态更新，使用马尔可夫链修正模型的残差，模型预测精度有较大提高。

技术领域

本发明涉及滑坡监测形变预测技术领域，尤其涉及一种滑坡形变预测方法。

背景技术

地质灾害是当今人类社会面临的主要问题之一，我国由自然和人工引发的地质灾害主要有地震、斜坡岩土体位移、地面变形和土地退化等。根据国土资源厅统计，2015年全国共发生各类地质灾害8224起，其中，滑坡5616起，占比高达68.3％。滑坡灾害己成为我国最主要的地质灾害之一，而积极有效地防治滑坡等地质灾害的重要措施之一是对滑坡等形变隐患点进行长期的观测，在滑坡灾害发生前发出警报，提醒人员转移，以便降低和减少损失。若不能及时监测和有效预报，滑坡灾害一旦发生，则可能给当地居民带来巨大经济损失，甚至危害居民生命安全。因此，在滑坡灾害发生前进行预报显得尤为重要，而预报步骤的关键是采用准确性高的预测方法。

滑坡的预测包括时间预测和空间预测，其中滑坡时间预测模型主要有直接确定滑坡失稳时间的预报模型和形变预测模型，组合模型预测结果的综合评判预报，以及边坡形变阶段判断和滑坡预报判据方面的方法等。直接确定滑坡失稳时间的预报模型通常是根据模型直接计算出滑坡失稳时间的模型，如斋藤模型、苏爱军模型、岳启伦模型、福囿(Fukuzono)模型、Voight模型、黄金分割预测法等。这些模型中大部分都是以蠕变理论为基础，通过建立蠕变经验方程来进行预测，不足是预测精度受到一定的限制。形变预测模型先根据模型预测出滑坡体一段时间以后的形变量，然后再结合适当的滑坡预报判据来进行滑坡预报。形变预测模型包含统计预测模型和非线性预测模型等类型。统计预测模型有灰色预测模型、生物生长模型、回归分析模型、时间序列模型、指数平滑法等。其中灰色预测模型又可以分为灰色GM(1,1)模型和灰色费尔哈斯特(Verhulst)模型。灰色GM(1,1)模型适用于具有较强指数规律的序列，只能描述单调的变化过程，对于非单调的摆动发展序列或有饱和的“S”型序列预测误差较大。灰色Verhulst模型主要用来描述具有饱和状态的过程，即“S”型过程，而滑坡动态演变的位移时间曲线刚好符合这一过程。

上述现有技术模型依然存在一些问题，如现有技术的灰色Verhulst模型使用一些陈旧信息使得预测结果误差较大；其次，由于传统灰色Verhulst模型将其白化方程的解直接当作灰色Verhulst模型的解，造成预测结果精度不够高。

发明内容

有鉴于此，本发明的目的是提供一种滑坡形变预测方法，使对滑坡灾害的预测结果更加准确。

本发明通过以下技术手段解决上述技术问题：

一种滑坡形变预测方法，包括:

S1:获取滑坡体累积位移量原始数据，得到累积位移量原始数据序列；

S2:对所述累积位移量原始数据序列进行预处理；

S3:将预处理后的累积位移量原始数据序列输入粒子群优化灰色Verhulst模型，得到累积位移量初始预测数据序列；

S4:计算累积位移量初始预测数据的残差，得到初始预测数据残差序列；

S5:马尔可夫链修正所述初始预测数据残差序列，根据修正后的初始预测数据残差序列计算得到最终预测数据序列。