[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

说明书

本发明属于滑坡预测技术领域，公开一种基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法。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，降低弱滑坡致灾影响因素选择空间。其次，针对稀疏LSTM训练层级过深和计算复杂度高，设计SSA模型对LSTM中隐层神经单元数、学习率、批处理数、迭代次数四个超参数寻优；同时设计柯西扰动策略开发全局最优解区域，实现基于表示稀疏的LSTM网络结构紧致性优化，提升滑坡位移预测精度。本发明融合了小样本滑坡数据的稀疏表示能力、LSTM动态预测优势、CSSA算法对网络结构的紧致性优化，有效解决滑坡预测中小样本数据预测能力弱与计算复杂代价高昂问题。

技术领域

本发明属于滑坡位移预测技术领域，尤其涉及一种基于柯西扰动麻雀(CauchySparrow Search Algorithm,CSSA)优化的稀疏LSTM滑坡动态预测方法。

背景技术

目前，滑坡是世界上最为频发也是最具破坏性的自然灾害之一，不仅危害人类的生命安全，还会对国家的经济建设、生存环境造成巨大的破坏。提高滑坡位移的预测技术对预防和减少滑坡造成的损失具有重要的现实意义。

滑坡受坡体自身地质条件及降雨、库水、地下水和人类工程活动等多种因素影响，表现出非常复杂的非线性演化特征，是一个十分复杂的非线性动态系统，其形成原因较复杂、影响因素较多、发生的随机性较强。近年来，随着人工智能技术日益革新并大量应用于滑坡灾害的预测，如极限学习机、机器学习、深度学习、群体智能优化等智能算法在非线性映射能力和高精度函数逼近等方面表现出优越性能。但从目前已发表的研究成果分析，现有的一些预测模型大多是基于静态模型的，或是将动态过程分阶段以静态模式进行处理，而基于动态模型的滑坡位移预测的研究成果尚不多见。黄土滑坡滑坡位移预测具有高度的非线性、动态性、随机性和复杂性等特点，因此滑坡位移预测的动态模型研究主要集中在：数据动态性和方法动态性。数据的动态性主要体现在坡体自身地质条件及降雨、库水、地下水、人类工程活动以及自然环境与外部气候等多种因素通过各类传感器所获取的多源异构数据，是研究滑坡位移预测的前提与基础；而方法的动态性则是指针对滑坡非线性演化特征的不同阶段，采用高性能智能计算处理，得到基于智能混合优化模型的滑坡位移动态预测模型，提高滑坡预测的时效性与鲁棒性。

现有的动态预测模型研究主要集中在长短时记忆神经网络(Long Short TermMemory，LSTM)。长短期记忆神经网络(LSTM)由于其门函数机制，具有“时间记忆块”结构，能够在一定程度上保持并传递历史信息。而降雨、库水等影响滑坡灾害的因素和滑坡的形变又存在着明显的滞后效应。利用长短期记忆网络的优势，在网络的隐含层中获取历史降雨和库水信息，可实现更加准确的形变预测。

与此同时，群体智能优化算法作为计算智能理论与方法的重要研究内容之一。而麻雀算法(Sparrow Search Algorithm，SSA)作为群体智能的一种新算法得到了众多学者的追捧。麻雀算法可以在没有集中控制并且缺少全局信息和模型的前提下，通过多特征融合与全局优化策略，为解决LSTM网络结构、层级优化以及随着网络层级加深，抽取到的滑坡致灾因素与冗余信息之间的自适应调整、降低误差积累提供新的解决思路与技术途径。

通过上述分析，现有技术存在的问题及缺陷为：

1、由于浅层滑坡面易受降雨、水库水位以及自然环境与气候等多个外部因素的影响，如何筛选有效滑坡诱发因素，尤其是对滑坡致灾的降水、水库水位等“小样本”因素的本质特征数据提取，剔除随机属性因素，是滑坡位移预测的首要难题。

2、在LSTM网络模型中，理论上层数越多层级越深的网络越能抽取到滑坡诱发因素的数据本质特征，网络表达能力与泛化能力越强，与此同时也会造成网络结构愈加复杂，结构空间呈指数级增长，并产生过拟合现象和计算复杂度高的代价难题。

3、麻雀搜索算法和其他群体智能算法一样，当其接近全局最优时，依旧会出现种群多样性减少、搜索能力不足、易于陷入局部极值的现象，从而导致收敛速度较慢、求解精度较低的问题。