一种基于DBA和深度学习的滑坡位移预测方法与流程
本发明涉及基于深度学习的地质灾害智能预测领域,具体而言,涉及一种基于dba和深度学习的滑坡位移预测方法。
背景技术:
1、滑坡作为常见的地质灾害类型,严重威胁人民生命财产安全与基础设施安全,对其进行准确、及时的位移预测是有效开展灾害预警与防控的关键依据。近年来,随着监测技术的发展,大量时序监测数据(如位移、降雨量、地下水位等)被获取,为数据驱动的滑坡位移预测提供了可能。
2、传统的预测方法,如线性回归、支持向量机等机器学习模型,难以有效捕捉滑坡位移数据中复杂的时序依赖与非平稳特征。而以长短时记忆网络(lstm)为代表的深度学习模型虽在时序建模方面表现出色,但其超参数(如网络层数、神经元数量、学习率等)的选取对模型性能影响巨大,因此需要高效的优化算法对超参数进行优化。
3、然而,现有的超参数优化方法普遍难以在严格受限的计算评估次数内实现快速精准寻优。传统的网格搜索和随机搜索方法、粒子群、遗传算法等群体智能算法,通常需要数千甚至上万次模型评估才能收敛,计算成本高昂,对于计算资源受限且要求快速响应的滑坡实时监测预警场景而言难以适用。贝叶斯优化虽在样本效率上有所提升,但其内部代理模型的构建与优化本身会引入额外开销,且在迭代初期(如总评估次数少于200次时)表现不稳定,同样难以在有限的评估预算内快速定位到高性能区域。
4、综上,现有方法并非为“在少量迭代次数下实现快速、精准寻优”这一特定需求而设计。它们在滑坡位移预测任务中面临两难:要么为追求精度而耗费大量计算时间,丧失预警时效性;要么为满足实时性而大幅缩减评估次数,导致寻优不充分、模型性能下降。因此,亟需一种专门面向少量迭代快速寻优场景的新型优化算法,能够与lstm等预测模型高效协同,在极有限的模型训练评估次数内,快速、精准地自动化超参数配置,从而支撑起高精度、快响应的智能滑坡位移预测系统的构建。
技术实现思路
1、本发明提出一种基于dba和深度学习的滑坡位移预测方法。该方法首先对滑坡位移、降雨量及地下水位监测数据进行预处理;接着构建基于lstm的初始深度学习预测模型框架,确定其超参数寻优空间;然后以验证集预测误差为优化目标,采用龙须优化算法(dragon beard algorithm,dba)在有限评估次数内对lstm的超参数寻优,获得最优超参数配置并训练最终模型;最后利用该模型进行位移预测,并根据新数据在线微调和实时预测。其中,龙须优化算法模拟了智能搜索过程,其执行流程包括:初始化并设定停滞度指标;根据停滞度指标,从局部开发、全局探索及历史引导三种策略中自适应选择并生成基础扰动向量;进一步地,在积累一定评估次数后,引入智能步进引导机制,融合历史评估数据拟合的局部梯度信息,生成最终探测方向;采用双侧探测方式评估候选点,并动态更新当前位置、历史最优解及停滞度状态;最终,在预设的有限评估次数内输出最优超参数配置。该算法通过三策略自适应切换与智能梯度引导,显著提升了在少量迭代场景下的寻优效率与精度,满足了地质灾害监测的实时性要求。
2、本发明是这样实现的:
3、实现本发明目的的技术解决方案为:一种基于dba和深度学习的滑坡位移预测方法,包括以下步骤:
4、s1、数据采集与预处理:采集滑坡的在线监测历史数据,所述数据包括位移监测数据、降雨量数据和地下水位数据;对所述数据进行预处理,所述预处理包括删除异常数据、填补缺失数据和归一化处理;
5、s2、构建滑坡位移初始预测模型:构建基于长短期记忆网络的滑坡位移初始预测模型;确定所述初始预测模型的待寻优超参数集合及所述超参数的寻优范围;
6、s3、基于龙须优化算法优化模型超参数:以所述初始预测模型在验证集上的预测误差指标e为优化目标,采用龙须优化算法在预设的总函数评估次数上限n内进行自动化寻优,得到最优超参数配置p,其中50≤n≤ 200;
7、s4、构建并训练最终预测模型:基于所述最优超参数配置p,训练得到最终的滑坡位移预测模型;
8、s5、在线预测与更新:使用所述最终模型进行位移预测,并根据新数据对模型进行在线微调。
9、进一步的,步骤s2中,所述初始预测模型框架包括:
10、输入层,用于接收由历史监测数据按所述滑动窗口大小构成的输入序列;
11、至少一个lstm隐藏层,用于提取输入序列的时序特征;
12、随机丢弃层,连接在所述lstm隐藏层之后,用于在训练期间随机丢弃神经元以防止过拟合;
13、输出层,为具有线性激活函数的全连接层,用于输出位移预测值;
14、所述待寻优超参数集合包括:输入滑动窗口大小、lstm隐藏层神经元数量、学习率、丢弃率。
15、进一步的,步骤s3中,所述龙须优化算法,执行流程如下:
16、s31、初始化:在超参数寻优空间内随机选择一个初始点x0并进行函数评估,将其设为当前最优位置pc和历史最优位置ph;初始化停滞度指标s=0;初始化探测步长;
17、其中,·代表标量与标量、标量与向量之间的乘法,mean()表示求平均值;w为各维度宽度组成的向量[w_1,w_2,...,w_dim];其中,dim为寻优维度;
18、s32、基础扰动向量生成:根据所述停滞度指标s的值,生成基础扰动向量vb;
19、s33、最终扰动向量确定:基于所述基础扰动向量vb,确定用于当前探测的最终扰动向量v;
20、s34、双侧探测评估:以当前位置pc为基点,按照公式pc±η·v生成两个探测点p1和p2并进行函数评估;其中η为探测步长;
21、随后,对每个探测点,逐维度检查其是否超出该维度搜索边界[xmin, xmax]:若超出,则将该维度坐标修正为对应的边界值;
22、s35、信息更新:
23、(1)当前点更新:从pc、p1、p2中选出性能指标最优的点,若该点不是pc,则将pc更新为该点;
24、(2)历史最优点更新:若步骤(1)所选最优点的性能指标优于ph的性能值,则将ph更新为该最优点,并重置停滞度指标s=0;
25、(3)停滞度更新:若步骤(1)中选出的最优点的性能指标不优于ph的性能值,则令s=s+1;
26、s36、迭代优化:判断当前评估次数,若评估次数小于n,则返回步骤s32并重复执行步骤s32~步骤s35:若评估次数等于n,则迭代终止,输出历史最优位置ph作为最优超参数配置p。
27、进一步的,步骤s32中,所述基础扰动向量vb,根据预设的停滞指标s、第一阈值t1、第二阈值t2确定,方法为:
28、当s<t1时,采用局部开发策略:
29、;
30、其中,randn()为生成服从标准正态分布的随机向量的函数,dim为寻优的维度;
31、当t2>s ≥t1时,采用全局探索策略:
32、
33、其中,rand()为生成[0,1]均匀分布的随机向量函数;
34、当s≥t2时,采用强力引导与突围策略:
35、
36、其中,normalize()表示向量单位化操作,β为扰动强度系数;⊙表示向量的逐元素乘法;σlocal为局部尺度系数,取值范围为0.01~0.1,σglobal为全局尺度系数。
37、进一步的,步骤s33中,所述最终扰动向量v的确定方法如下:
38、设置智能步进引导机制启动阈值c,5≤c≤15;
39、若已完成的函数评估总次数≤c,则令最终扰动向v=vb;若已完成的函数评估总次数>c,通过智能步进引导机制确定最终扰动向量v,该机制包括:
40、s331、局部数据集构建:从所有已完成评估的数据点中,收集以当前位置pc为中心、欧式距离最近的c个数据点,构成局部数据集dlocal;
41、s332、局部代理模型训练:采用一阶多项式响应面模型,基于最小二乘法拟合所述局部数据集dlocal,得到该线性模型的梯度估计值g。
42、s333、指导信息生成:计算模型建议的搜索方向,并基于所述局部数据集dlocal中数据点的分布特征,计算步长缩放因子α:
43、
44、其中,xi为局部数据集dlocal中的数据点的坐标,||·||表示欧氏距离,k为缩放系数;
45、s334、自适应融合:将所述模型建议方向vf与基础扰动向量vb进行融合,生成最终扰动向量v:
46、
47、其中,融合权重γ=min(0.8,s/t2)。
48、s335、步长更新:将探测步长η更新为η=α·η0;
49、进一步的,所述第一阈值t1的取值范围为3至10,所述第二阈值t2的取值范围为10至30,且t2>t1;所述扰动强度系数β的取值范围为0.1~0.3;所述局部尺度系数σlocal取值范围为0.01~0.1;所述全局尺度系数σglobal取值范围为0.1~0.3。
50、进一步的,步骤s3中,所述预测误差指标e,计算方法为:
51、
52、其中mae为平均绝对误差,rmse为均方根误差,为决定系数,maemax、rmsemax为训练集上的最大误差,w1, w2, w3为预设的正权重系数,ε为防止分母为零的微小正数,且w1+w2+ w3=1。
53、进一步的,步骤s5中,所述在线微调采用自适应动态窗口机制:当最近n次预测的平均相对误差超过预设阈值et时,触发在线学习;基于龙须优化算法优化确定当前最优的微调数据窗口大小wb和微调学习率;使用最新的wb个监测数据对所述滑坡位移预测模型进行参数微调。
54、本发明的有益效果是:
55、本发明提供了一种基于龙须优化算法(dba)与lstm的滑坡位移预测方法,该方法通过设计具有三策略自适应扰动机制和智能步进引导机制的dba算法,能够在严格有限的模型评估次数内快速、精准地完成lstm超参数自动化寻优,显著提升了优化效率并降低了计算成本;结合优化后的lstm模型对多源时序数据的强大表征能力,以及根据新数据触发的在线微调机制,该方法有效提高了位移预测的精度、实时性和系统自适应能力,从而为地质灾害监测预警提供了一套高精度且响应迅速的全流程技术解决方案。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com