[发明专利]基于柯西扰动麻雀优化的稀疏LSTM滑坡动态预测方法

权利要求书

1.基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法，其特征在于，所述的基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法包括以下步骤：

步骤一，针对浅层滑坡易受降雨、库水位及自然环境等外部“小样本”因素影响，建立表示稀疏的LSTM模型，抽取致灾因素本质数据特征，建立数据集；将数据集进行归一化处理，并按8:1:1比例划分为训练集、验证集和测试集；

步骤二，设计SSA模型对LSTM模型中的超参数寻优，实现LSTM网络中隐层神经单元数、学习率、批处理数、迭代次数四个超参数的协同计算与自适应调整；

步骤三，将SSA模型中的麻雀个体按照适应度大小进行排序，由此确定最好的麻雀位置和最坏的麻雀位置，并划分发现者和跟随者种群；其中最好的麻雀位置代表整个种群搜索到具有丰富食物的区域，为所有的加入者提供觅食的区域和方向；

步骤四，更新SSA模型中发现者、跟随着、预警者的位置，发现者负责为整个麻雀种群寻找食物并为所有跟随者提供觅食的方向；跟随者会根据发现者的位置获取食物；然后，更新种群中预警者的位置，当意识到危险时，群体边缘的麻雀会迅速向安全区域移动，以获得更好的位置；

步骤五，判断SSA模型中的麻雀个体是否陷入局部极值；若陷入局部极值，将柯西函数引入麻雀位置的更新中，借助柯西算子的变异能力，为算法在迭代寻优的过程中增强种群的多样性；并根据个体扰动前后的适应度，来判断是否更改麻雀个体的位置；若没有陷入局部极值，直接执行步骤六；

步骤六，判断SSA模型是否满足终止条件；若满足，则结合算法搜索的最佳超参数值构建最终的LSTM预测模型，然后用训练数据、验证数据迭代训练该模型，将训练好的迭代模型通过测试数据得到预测数据；若不满足终止条件，则返回步骤三。

2.如权利要求1所述的基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法，其特征在于，步骤一中，针对浅层滑坡易受降雨、库水位及自然环境等外部“小样本”因素影响，建立表示稀疏的LSTM模型，抽取致灾因素本质数据特征，建立数据集，将数据集进行预处理，并按照8:1:1的比例划分为训练集、验证集、测试集；其中，所述数据集使用的是三峡水库地区白家堡滑坡的公开数据集，该数据集包括2007年1月到2018年10月之间每月的降雨量、每月的平均的水库水位、滑坡测试点每月的位移距离；以降雨量和水库水位作为诱发因子对滑坡位移进行预测；

所述对数据集的预处理是将数据集先进行归一化处理，再构建监督型数据；其中，所述归一化处理是用于消除歧义样本数据、减少模型的训练时间，通过公式(1)对数据进行归一化，将原数据映射到[0,1]之间；

其中，x_n为经过归一化的值，χ_max为最大值，χ_min为最小值；

所述构建监督学习型数据是用于使用前面的时间步作为输入变量，下一个时间步作为输出变量，从而使输入变量和输出变量构成映射关系；在本模型中设置的时间步长TimeStep＝3，构成三个输入变量和一个输出变量的映射关系，表示用三个月的数据预测一个月的数据；

构建具有“时间记忆块”的LSTM模型，其中LSTM是一种特殊的RNN结构，LSTM引入特殊的“门”结构，LSTM的神经单元由输入门、遗忘门、输出门和细胞单元构成；其中，所述遗忘门f_t如公式(2)所示，用于决定上一时刻的细胞中有多少信息传递到当前时刻；所述输入门i_t如公式(3)所示，用于控制当前单元嵌入细胞状态的程度；所述记忆单元C_t如公式(5)所示，用于记录不同门结构情况下细胞的状态；所述输出门h_t如公式(7)所示；

f_t＝σ[W_f*(C^t-1，h^t-1，x^t)+b_f] (2)

i_t＝σ[W_i*(C^t-1，h^t-1，x^t)+b_i] (3)

O_t＝σ[W_o*(C^t，h^t，x^t)+b_o] (6)

h_t＝O_t*tanh(C_t) (7)

其中，W_f，W_i，W_c，W_o是各个门的权重，b_f，b_i，b_c，b_o是各个门的偏置项。