[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

说明书

本发明公开了一种基于VMD‑LSTM的时间序列滑坡位移数据预测方法。该发明在时间序列数据上具有一定的通用性，该专利以滑坡数据为说明案例。针对滑坡位移数据的预测，其传统的LSTM预测模型准确度比较低的情况，使用VMD‑LSTM模型对某地区的滑坡位移数据进行了预测，其所开发的模型相比于传统的LSTM模型具有更高的精度和稳定性，并且VMD降低了序列复杂度，增强了降噪能力。

技术领域

本发明涉及深度学习关于时间序列数据的预测领域，针对滑坡地质灾害中的位移数据预测技术。

背景技术

滑坡属于突发自然灾害类，其所产生的破坏不仅局限于山区，还进入了邻近的建筑，如房屋和道路。该灾难会夺取许多人的生命，其中一些人无家可归，影响他们的生计。根据世界卫生组织调查显示，1998-2017年以来，山体滑坡损害了近480万人的生命，并且近1.8万人死亡。山体滑坡造成的破坏的激增，引起了全球许多研究人员对开发滑坡灾害早期预测系统的关注。通过适当开发的监测系统，可以预先预测滑坡发生的可能性。它将有助于采取必要的措施来控制和减轻山体滑坡对人类生命和经济造成的破坏。滑坡评价系统主要解决了两个问题：滑坡发生的时间、地点。然而，研究人员仍然难以准确预测即将到来的山体滑坡的时间和地点。这是因为山体滑坡是由几个因素引发的，如暴雨、地震、雪融化、洪水、火山或任何其他自然原因都会导致斜坡不稳定。此外，土壤和岩石的各种地形条件也增加了边坡的破坏。

计算机技术的发展，使得深度学习神经网络被广泛地应用到各个时间序列领域。现有的基于传统滑坡预测方法主要分为：

(1)基于知识的方法。利用分析层次结构过程开发滑坡预测模型，使用经验方法，如双变量、多变量和频率比等。

(2)基于主成分分析的方法。基于判别分析、确定因子和熵指数的滑坡预测。

(3)基于机器学习的方法。基于机器学习的方法主要为传统的机器学习算法。

大多数研究人员将滑坡预测视为一个静态回归问题。然而，滑坡的发生是由于各种影响因素的渐进变形和不稳定的结果，因此，简单地将其视为一个静态回归的问题并不是一个非常好的预测方法。随着深度学习的不断进步和发展，其在工业领域的应用越来越广泛，包括在时间序列数据预测方面，如交通流量的预测、空气污染的预测和金融数据的预测等。但是关于深度学习在滑坡数据方面的预测上的研究并不是非常多，另外，预测结果的精度一直以来也是长期关注的问题。

本发明就是着力于解决时间序列滑坡位移数据的预测和预测结果的精度问题。本发明在时间序列数据预测领域有一定的通用性，对数据的噪声的处理进行了相应的改进，并针对LSTM网络做出了改进。

发明内容

为了克服上述现有技术的不足，本发明提出了一种基于VMD-LSTM的时间序列滑坡位移数据预测方法。该技术针对模型的预测精度问题引用了变分模式分解以减少噪声的干扰，并针对分解后的多个固有模式函数引入深度学习中的关于时间序列数据预测比较常用的长短期记忆神经网络(如附图1所示)。

本发明所采用的技术方案是：

步骤1：数据预处理。消除异常值：将不符合标准的滑坡事件数据从数据集中删除。

步骤2：数据归一化：需要将数据所有特征带到相同的规模，这样一个特征就不会仅仅因为它的大小而比另一个更影响学习过程。

步骤3：数据分割。将数据集分成80％的训练集和20％的验证集。

步骤4：变分模式分解。通过VMD将原始滑坡位移数据分解为3个IMF(附图2)。

步骤5：建立VMD-LSTM模型(附图3)。数据通过建立的模型进行预测。

步骤6：评价指标。采用均方根误差来计算预测值和真实值之间的误差。

与现有技术相比，本发明的有益效果是：