[发明专利]一种基于奇异谱分析的滑坡体位移预测方法

说明书

本发明公开了一种基于奇异谱分析的滑坡体位移预测方法，具体按照以下实施：利用奇异谱分析的谱分解理论与嵌入重构理论对时间序列进行数据预处理得到累积滑坡位移数据；从累积位移中剔除趋势项位移，即可得到周期项位移；采用高斯拟合对趋势项位移进行拟合预测；采用快速多个主成分并行提取算法从预测趋势项位移中选取影响因子，利用贝叶斯优化算法选取LSTM模型相关参数；并构建训练集、验证集和预测集，建立LSTM网络模型预测周期项位移；根据时间序列分解原理，将各位移子序列预测值叠加，得到位移的最终预测值，完成滑坡体位移预测方法。解决了现有技术中存在的难以融合多源异构影响因子进行协同、动态预报的问题。

技术领域

本发明属于地质灾害检测预报技术领域，涉及一种基于奇异谱分析的滑坡体位移预测方法。

背景技术

根据中国国土资源部(现自然资源部)发布的2008-2018年间全国地质灾害通报年报(不包含香港、澳门特别行政区和台湾省)，近十年，平均每年发生地质灾害事件总数为15.2万余起，其中滑坡灾害事件平均占比66％崩塌事件平均占比22％，泥石流地质灾害平均占比6％，共造成5853人死亡，直接经济损失470多亿元。滑坡地质灾害与当地人民的生命、财产安全以及国家经济建设密切相关。因此，只有对滑坡成因类型和破坏机理进行全面深刻的研究，才能对滑坡变形趋势做出科学性地预测预报，以减少各方面的损失。

滑坡体从孕育到至灾过程主要受内部演变(趋势项)和外部诱发(周期项)两大因素的作用。在以往的预测预报案例中，往往直接对滑坡原始的累计位移进行分析和预测，忽略了滑坡体内部的演变机理，预测结果不可靠。因此，在即考虑外部诱发因素又兼顾滑坡体内在演变机理的情况下对滑坡体变形累积位移进行分析预测仍然是一个重要的研究课题。

不同的滑坡位移分解项的影响因素不同，若不考虑分解项的影响因素，直接将其输入一种模型不能反映分解项的影响因素的规律模型进行预测，则会严重影响模型的运行效率与预测结果。因此，结合其相应的影响因素，采用合适的非线性模型进行预测显得尤为关键。

奇异谱分析(SSA)是对一维时间序列的非参数谱分析方法，其方法主要包括谱分解理论与嵌入重构理论。奇异谱分析通过对一维时间序列的分解与重构，可以识别出原始序列中的不同信号，提取出趋势分量、周期分量与噪声分量等，从而实现对各子序列进行分别预测。随着20世纪90年代的到来,越来越多的学者应用人工智能学习方法于识别时间序列以及建立非线性模型的智能系统，通过不断的学习来建立设定的输入和输出之间的非线性关系达到实验目的。例如人工神经网(ANN)、机器学习方法(SVM等)但其终究为静态网络，而滑坡是具有动态特征的演化过程。

递归神经网络(RNN)可以使用内部存储单元来处理输入的任意序列，从而使RNN能够学习时间序列，然而，当节点之间的信息或时间间隔变得很长时，RNN很难捕获长期的时间关联，这被称为梯度消失。作为一种改进的RNN结构，LSTM继承了RNN良好的序列学习特性，通过在每个隐含层单元中增加一个状态c并引入了“门”，利用记忆机制来控制信息在不同时间的传输，因此在模型参数固定的情况下，不同时刻的积分尺度是动态改变的，从而避免了梯度消失问题，有效提高了RNN处理长序列数据的能力。

发明内容

本发明的目的是提供一种基于奇异谱分析的滑坡体位移预测方法，解决了现有技术中存在的难以融合多源异构影响因子进行协同、动态预报的问题。

本发明所采用的技术方案是，一种基于奇异谱分析的滑坡体位移预测方法，具体按照以下步骤实施：

步骤1、利用奇异谱分析的谱分解理论与嵌入重构理论对时间序列进行数据预处理得到累积滑坡位移数据；从累积位移中剔除趋势项位移，即可得到周期项位移；

步骤2、采用高斯拟合对趋势项位移进行拟合预测；