[发明专利]滑坡位移非参数概率密度预测方法、设备及存储介质

说明书

本发明提供一种滑坡位移非参数概率密度预测方法、设备及存储介质，预测方法包括以下步骤：获取预设时间内滑坡变形诱发因素和滑坡位移历史监测数据；利用高斯核密度估计法得到滑坡变形诱发因素的边缘分布函数，采用关联结构分析函数，评估各滑坡变形诱发因素和滑坡位移之间的相关程度，优选滑坡变形诱发因素确定预测模型输入变量；通过核函数分位数回归支持向量机建立最终的输入变量与滑坡位移之间的预测模型，得到预测模型对应的滑坡位移预测结果；利用核密度估计法，对各滑坡位移预测结果进行非参数核密度估计。本发明提出的技术方案的有益效果是：能够度量滑坡预测中的不确定性，给出完整的预测值概率密度分布，能够提高滑坡位移预测的可靠性。

技术领域

本发明涉及滑坡位移预测技术领域，尤其涉及一种滑坡位移非参数概率密度预测方法、设备及存储介质。

背景技术

滑坡是山区的主要地质灾害类型之一，严重威胁着人民的生命和财产安全。统计资料显示：全球范围内滑坡每年造成数十亿美元的经济损失和数千人的人员伤亡。滑坡位移非参数概率密度预测能够对滑坡变形的未来发展趋势展开预测，从而积极主动的采取防灾措施和对策，是减轻滑坡灾害损失最高效经济的措施之一。

自日本学者斋藤提出蠕变三阶段模型后，一大批滑坡预测模型如雨后春笋般出现。尤其是近年来，智能算法凭借其简单易行、鲁棒性强、良好的非线性数据处理能力等优势被广大学者广泛应用于滑坡位移非参数概率密度预测。现有技术中通过智能算法进行滑坡位移非参数概率密度预测的主要包括人工神经网络(Artificial neural network,ANN)、极限学习机(Extreme learning machine,ELM)和支持向量机(Support vectormachine,SVM)等。上述方法均属于确定性点预测，认为滑坡系统响应(预测值)是唯一的，忽视了滑坡系统的随机性和模糊性特征，忽视了输入的不确定性、模型的不确定性和参数的不确定性等众多不确定因素，在理论上具有一定的局限性。同时现有技术方法输入变量的选择主要依靠经验和简单的定性评价，可靠性和说服性都较低。

发明内容

有鉴于此，本发明的实施例提供了一种滑坡位移非参数概率密度预测方法、设备及存储介质，旨在解决现有的预测方法忽视了滑坡系统的随机性和模糊性特征，忽视了输入的不确定性、模型的不确定性和参数的不确定性等众多不确定因素，在理论上具有一定的局限性的问题。

本发明的实施例提供一种滑坡位移非参数概率密度预测方法，包括以下步骤：

S1获取预设时间内滑坡变形诱发因素和滑坡位移的历史监测数据；

S2将各滑坡变形诱发因素作为预测模型的候选输入变量，利用高斯核密度估计法得到滑坡变形诱发因素的边缘分布函数，根据边缘分布函数采用关联结构分析函数，评估各滑坡变形诱发因素x_t和滑坡位移y_t之间的相关程度，根据各相关程度对滑坡变形诱发因素x_t进行优选作为预测模型的最终的输入变量；

S3选择合适的核函数参数和分位数间隔，根据基于核函数的支持向量机和分位数回归，建立核函数分位数回归支持向量机，通过核函数分位数回归支持向量机建立m个最终的输入变量与滑坡位移之间的预测模型，将最终的输入变量代入，得到m个预测模型对应的滑坡位移预测结果

S4利用核密度估计法，对各滑坡位移预测结果进行非参数核密度估计。

进一步地，步骤S2中，利用高斯核密度估计法得到滑坡变形诱发因素的边缘分布函数，表达式为：

式中：h为带宽，n为变量x的样本量，K()为核函数。

进一步地，步骤S2中，根据边缘分布函数采用关联结构分析函数C，评估各滑坡变形诱发因素和滑坡位移之间的相关程度，表达式为：

H(x,y)＝C(F(x),F(y)；θ,ρ_xy)；