[发明专利]基于SVR-LSTM混合深度学习的滑坡位移预测方法

权利要求书

1.一种基于SVR-LSTM混合深度学习的滑坡位移预测方法，其特征在于，包括如下步骤：

步骤1：采集滑坡位移数据，包括位移数据、降水量、每月最大降水量、水位库存量；对其中的位移数据进行EMD分解，得到多个IMF分量和一个残差项；将得到的多个IMF分量作为周期项，将残差项作为趋势项；

步骤2：使用SVR方法作为趋势项预测模型，将滑坡位移趋势项数据前75％～85％的数据作为训练集代入趋势项预测模型中进行训练，将剩余数据作为测试项代入训练好的趋势项预测模型，得到多个趋势位移量，作为趋势项预测结果；

步骤3：根据步骤1采集到的数据的已知属性，构建特征工程，根据特征工程得到多个周期项的候选训练属性；

步骤4：根据步骤3得到的多个周期项的候选训练属性，计算每个属性和滑坡累计位移之间的互信息和皮尔逊相关系数；并挑选相关性大的变量作为影响因素；具体包括如下步骤：

步骤4-1：计算每个属性和滑坡累计位移间的互信息；所述互信息的计算公式如下式：

式中，p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数；其中，离散变量X为步骤3的每个周期项的候选训练属性的值x的集合，离散变量Y为累计位移的值y的集合；

步骤4-2：计算每个属性和滑坡累计位移之间的皮尔逊相关系数；

步骤4-3：分别挑选步骤4-1得到的互信息和步骤4-2得到的皮尔逊相关系数中的最大值对应的变量的前若干个，作为影响因素；

步骤5：步骤4得到的影响因素作为LSTM的训练属性，将每个IMF分量前75％～85％的数据作为训练集分别代入到对应的LSTM模型中进行训练，得到每个IMF分量对应的训练好的模型；将IMF中剩余数据代入训练好的LSTM模型，得到每个IMF分量预测的输出值，将每个IMF分量预测的输出值相加，得到周期项预测结果；

步骤6：对步骤5的周期项预测结果和步骤2的趋势项预测结果中的数据一一对应相加，得到总的预测结果。

2.如权利要求1所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法，其特征在于，步骤1中所述的对其中的位移数据进行EMD分解，得到多个IMF分量和残差项，具体包括如下步骤：

步骤1-1：找到位移数据中的全部的局部极大值和极小值点；

步骤1-2：通过曲线拟合的方法对各个极值点形成上包络线和下包络线，对极小值形成下包络emin(t)，对极大值形成上包络emax(t)，此时原始数据就被上包络线和下包络线所包络；t为时间变量，具体表示滑坡位移数据的采集时间；

步骤1-3：计算上包络线和下包络线的均值m(t)＝(emax(t)+emin(t))/2；

步骤1-4：计算h_i(t)＝f(t)-m_i(t)；

其中，f(t)为采集的时间对应的原始位移数据；n为EMD分解的IMF的个数，i为迭代次数；IMF为EMD分解的结果之一，res为分解后得到的残差项；h_i(t)为第i次迭代得到的中间值；m_i(t)为第i次迭代得到的均值；

步骤1-5：判断收敛条件是否成立，是则执行步骤1-6，否则，令迭代次数i+1，重复执行1-1～1-4，得到满足条件的h(t)，即为IMF；

步骤1-6：计算残差项

3.如权利要求2所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法，其特征在于，所述步骤1-5中，所述收敛条件成立为以下两个条件同时成立：(1)在f(t)上，局部极大值点和过零点相差0或1，同时局部极小值点和过零点的数目相差0或1；(2)在任意时刻，局部最大值点的包络和局部最小值点的包络的平均值为零。

4.如权利要求1所述的基于SVR-LSTM混合深度学习的滑坡位移预测方法，其特征在于，所述步骤2中，将步骤1得到的趋势项中的75％～85％的数据作为训练集代入趋势项预测模型进行训练。