[发明专利]一种基于VMD-LSTM的时间序列滑坡位移数据预测方法

权利要求书

1.一种基于VMD-LSTM的时间序列滑坡位移数据预测方法，其特征在于，包括以下步骤：

步骤一：数据预处理。消除异常值：在收集的数据集中，将不符合标准的滑坡事件数据从数据集中删除。

步骤二：数据归一化。不同的评价指标往往具有不同的量纲，这样的情况会影响到数据分析的结果，为了消除指标之间量纲的影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明中使用最大归一化方法进行数据的归一化。

步骤三：数据分割。将数据集分成80％的训练集和20％的验证集。

步骤四：变分模式分解。VMD有效抑制了EMD方法的模式混叠现象。在采样和噪声方面，该方法更加稳健，变分模态分解对非平稳和非线性信号具有良好的处理效果。通过VMD将原始滑坡位移序列分解为三个IMF，分解的分量绘制在附图2中。

步骤五：建立VMD-LSTM模型。将模型中的epoch设置为100，batch-size设置为1，将VMD分解后的IMF分别送入模型中进行预测，得到每个分量的预测结果，最后将各组分的预测结果相加，得到总预测值。

步骤六：评价指标。采用均方根误差(RMSE)，用于计算预测值和真实值的绝对差值，如公式1所示。

这里，X(t)表示真实值，表示预测值，代表实验数据的总数。

步骤七：结果分析。通过设定参数后的VMD-LSTM网络进行训练和验证，并结合传统的LSTM模型进行实验结果比较(表1)，根据对结果的分析，可以发现VMD-LSTM预测的滑坡位移的RMSE为17.50，比传统的LSTM模型小9.75，优于传统的LSTM模型。VMD-LSTM利用VMD降低了序列复杂度，增强了降噪能力，因此，VMD-LSTM具有比LSTM模型更高的精度和稳定性。

2.如权利要求1所述方法，其特征在于，步骤四中的将滑坡位移数据进行VMD分解的方法。

3.如权利要求1所述方法，其特征在于，步骤五中的建立VMD-LSTM预测模型,VMD降低了序列复杂度，增强了降噪能力，VMD-LSTM具有比LSTM模型更高的精度和稳定性。