[发明专利]基于GRU的滑坡位移预测方法

说明书

本发明公开了一种基于GRU的滑坡位移预测方法，对滑坡地表位移变形进行监测，并利用构造的多项式模型计算出得到的滑坡位移数据中异常值的替换值；对利用所述替换值替换后的所有所述滑坡位移数据进行均值归一化处理，并构建GRU模型和训练集、验证集、测试集；利用所述训练集对所述GRU模型进行循环迭代，并利用所述验证集对训练后的所述GRU模型进行参数调整；利用所述测试集对调整参数后的所述GRU模型进行测试，并对得到的模型预测结果进行反均值归一化处理，完成滑坡位移预测，提高预测精度。

技术领域

本发明涉及地质灾害监测预测技术领域，尤其涉及一种基于GRU的滑坡位移预测方法。

背景技术

滑坡是世界上许多地区最具破坏性的地质灾害之一，每年都会造成大量的伤亡和非常重要的财产损失。可靠的滑坡预测预警方法是降低滑坡风险的合理途径。如果这种能够准确地预测滑坡位移的方法能够成功实施，将会具有巨大的社会价值和重要的经济效益。

滑坡预测模型可分为两大类:物理模型和数据驱动模型。与物理模型相比，数据驱动模型更受欢迎，因为其过程简单、预测准确、成本更低，但是，在预测过程中，通常会盲目的将异常值忽略，且由于目前常用的RNN和LSTM模型过于复杂的结构，导致预测精度不高。

发明内容

本发明的目的在于提供一种基于GRU的滑坡位移预测方法，提高预测精度。

为实现上述目的，本发明提供了一种基于GRU的滑坡位移预测方法，包括以下步骤：

对滑坡地表位移变形进行监测，并利用构造的多项式模型计算出得到的滑坡位移数据中异常值的替换值；

对利用所述替换值替换后的所有所述滑坡位移数据进行均值归一化处理，并构建GRU模型和训练集、验证集、测试集；

利用所述训练集对所述GRU模型进行循环迭代，并利用所述验证集对训练后的所述GRU模型进行参数调整；

利用所述测试集对调整参数后的所述GRU模型进行测试，并对得到的模型预测结果进行反均值归一化处理，完成滑坡位移预测。

其中，对滑坡地表位移变形进行监测，并利用构造的多项式模型计算出得到的滑坡位移数据中异常值的替换值，包括：

对滑坡地表位移变形进行监测，得到多个滑坡位移数据，多个所述滑坡位移数据包括多个正常值和多个异常值；

将除所述异常值外的多个所述正常值序号作为自变量，多个所述正常值作为因变量构造多项式模型，进所述异常值序号输入所述多项式模型中，得到的所述多项式模型的输出值即为所述异常值的替换值。

其中，利用所述训练集对所述GRU模型进行循环迭代，并利用所述验证集对训练后的所述GRU模型进行参数调整，包括：

利用所述训练集中的所述滑坡位移数据计算所述GRU模型中的更新门、重置门、隐状态和当前候选状态数值；

计算所述滑坡位移数据与对应的所述隐状态的差值，并对所有的差值求和，得到对应的误差项；

基于所述误差项调整对应的权重数值，直至达到迭代终止条件后，完成所述GRU模型的训练；

利用所述验证集对训练后的所述GRU模型进行验证，并调整模型学习率以及对应的模型节点个数。

其中，基于所述误差项调整对应的权重数值，直至达到迭代终止条件后，完成所述GRU模型的训练，包括：

利用所述误差项分别对重置门权重、更新门权重和候选状态权重求导，得到对应的导数；

利用所述重置门权重、所述更新门权重和所述候选状态权重减去对应的所述导数与模型学习率的乘积，得到新的所述重置门权重、所述更新门权重和所述候选状态权重；