一种库岸滑坡阶跃型位移预测方法

本发明属于地质灾害预测的，特别涉及一种库岸滑坡阶跃型位移预测方法。

背景技术：

1、库岸滑坡是水库运行过程中最常见且破坏性极强的地质灾害之一。受库水位周期性波动和季节性降雨的长期影响，库岸滑坡的变形通常经历稳定变形与突然加速两个交替阶段，呈现出典型的阶跃型变形特征。这种变形状态的动态切换为位移预测带来了巨大的不确定性，是实现滑坡准确预警的重大挑战。

2、目前，针对阶跃型滑坡位移的预测模型主要分为两类：一类是基于物理机制的模型，通过建立渗流-应力-位移耦合方程来反映滑坡变形的力学机理，但这类模型参数众多、计算复杂，难以实时更新；另一类是基于数据驱动的智能预测模型，如人工神经网络、支持向量机及长短期记忆网络等。现有数据驱动模型通常将信号分解方法与深度学习算法混合，先利用小波变换、经验模态分解或变分模态分解等方法捕捉位移曲线细节，再进行预测。

3、然而，上述混合模型仅关注算法的拟合性能，忽略了阶跃型滑坡的变形形成机理。库水位周期性波动与季节性降雨是导致变形突变的根本诱因，现有模型未能准确识别和提取阶跃变形的突变点信息，导致模型在变形状态切换的关键时刻预测精度不足，泛化能力较差。

技术实现思路

1、本发明提供一种库岸滑坡阶跃型位移预测方法,以解决传统预测模型对阶跃型变形特征捕捉能力差、预测精度低的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种库岸滑坡阶跃型位移预测方法，包括以下步骤：

4、步骤一、数据采集与预处理：采集目标滑坡区域的历史时序监测数据，并对原始监测数据进行预处理；

5、步骤二、突变点识别与特征构造：采用优化的滑动

t检验法识别位移数据中的突变点，计算得到临界值，根据识别结果构造连续的突变强度，进而计算得到阈值；

6、步骤三、影响因子筛选：采用灰色关联度分析法，量化多个候选影响因子与滑坡位移的关联程度，筛选出月库水位变化量w2、月降雨量r1及突变强度特征m1作为关键输入变量；

7、步骤四、位移分解：利用变分模态分解将累积位移信号分解为趋势分量imf1、周期分量imf2和随机分量imf3；

8、步骤五、分量预测：构建长短期记忆网络模型，对各分量进行预测；

9、步骤六、位移重构与预测：将步骤五中各个分量的预测结果进行叠加，获得最终累积位移预测值，并评估模型精度。

10、进一步的，在步骤一中，对原始监测数据的预处理包括缺失值插补、移动平均去噪和最大-最小归一化处理，最后将数据映射至[0，1]区间。

11、进一步的，在步骤二中，优化的滑动

t检验法包括给定位移时间序列的两个对比子序列和，优化的滑动t检验计算公式为：

12、；

13、其中，和分别表示时间点

i的位移值和权重；和为子序列长度；

14、；

15、其中，、分别表示和的方差。

16、进一步的，步骤二包括构造突变强度指标，即将滑动

t检验得到的

t统计量输入sigmoid函数，突变强度公式如下：

17、；

18、其中，

t为滑动

t检验统计量。

19、进一步的，突变强度的取值范围为[0.5，1)，并将定义为突变强度特征m1。

20、进一步的，在步骤三中，灰色关联度分析具体包括：计算各影响因素与累积位移之间的灰色关联度系数，其计算公式为：

21、；

22、其中，为参考序列即累积位移，为比较序列即各影响因子，为分辨系数。

23、进一步的，在步骤三中，根据灰色关联度分析法筛选出关联度值排在前三的影响因子，依次为月库水位变化量w2、突变强度特征m1和月降雨量r1。

24、进一步的，在步骤四中，利用变分模态分解原始信号

f过程中，对应的约束变分问题为：

25、；

26、其中，为分解后得到的分量，为各固有模态函数分量的实际中心频率；

k为预设的模态分量总数；

k为模态分量的序号；为狄拉克函数；*表示卷积运算；表示各分量的解析信号；表示各解析信号的估计中心频率；为原始累积位移信号。

27、进一步的，在步骤五中，长短期记忆网络模型包括：

28、单变量lstm模型，用于趋势分量imf1和随机分量imf3，其输入为各自分量前2个月的历史值；

29、多变量lstm模型，用于预测周期分量，其输入包括月库水位变化量w2、月降雨量r1、突变强度特征m1和周期分量自身前2个月的历史值。

30、进一步的，在步骤六中，位移重构公式为：

31、；

32、其中，为趋势分量预测值，为周期分量预测值，为随机分量预测值；

33、模型精度评估采用均方根误差、平均绝对误差和平均绝对百分比误差。

34、本发明可达到以下有益效果：

35、1.本发明首次将优化的滑动t检验法引入滑坡位移预测，通过识别位移序列中的突变点并构造连续的突变强度，为深度学习模型提供了关键的变形状态切换信息，提升了对阶跃型变形的捕捉能力。

36、2.本发明将突变点识别、变分模态分解与长短期记忆网络有机融合，形成了“机理特征提取-信号分解-分量预测-位移重构”的完整技术框架，解决了传统模型忽略变形机理、难以预测阶跃突变的问题。

37、3.本发明通过灰色关联度分析筛选关键影响因子，并在周期分量预测中创造性地引入突变强度特征m1，使网络能够直接学习到外部水文触发与内部变形状态切换之间的因果联系，预测精度高、泛化能力强。

1.一种库岸滑坡阶跃型位移预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：在步骤一中，对原始监测数据的预处理包括缺失值插补、移动平均去噪和最大-最小归一化处理，最后将数据映射至[0，1]区间。

3.根据权利要求1所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：在步骤二中，优化的滑动t检验法包括给定位移时间序列的两个对比子序列和，优化的滑动t检验计算公式为：

4.根据权利要求3所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：步骤二包括构造突变强度指标，即将滑动t检验得到的t统计量输入sigmoid函数，突变强度公式如下：

5.根据权利要求4所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：突变强度的取值范围为[0.5，1)，并将定义为突变强度特征m1。

6.根据权利要求1所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：在步骤三中，灰色关联度分析具体包括：计算各影响因素与累积位移之间的灰色关联度系数，其计算公式为：

7.根据权利要求6所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：在步骤三中，根据灰色关联度分析法筛选出关联度值排在前三的影响因子，依次为月库水位变化量w2、突变强度特征m1和月降雨量r1。

8.根据权利要求1所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：在步骤四中，利用变分模态分解原始信号f过程中，对应的约束变分问题为：

9.根据权利要求1所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：在步骤五中，长短期记忆网络模型包括：

10.根据权利要求1所述的一种库岸滑坡阶跃型位移预测方法，其特征在于：在步骤六中，位移重构公式为：