一种水库库岸滑坡的位移预测方法与流程

1.本发明属于位移预测技术领域，具体涉及一种水库库岸滑坡的位移预测方法。


背景技术：

2.在水库建成之后，库区因长年降雨和水库蓄水周期调度，导致库岸滑坡的稳定性发生剧烈变化，而库岸滑坡的变形演化是一个复杂的非线性过程，滑坡发生滑坡时容易对人身安全造成重大伤害。因此，如何对水库库岸滑坡的滑坡位移进行准确预测，是本领域技术人员有待解决的技术问题。


技术实现要素：

3.本发明的目的是为了对水库库岸滑坡的滑坡位移进行准确预测，提出了一种水库库岸滑坡滑坡的位移预测方法。
4.本发明的技术方案为一种水库库岸滑坡的位移预测方法，包括以下步骤：
5.s1、获取所述滑坡的历史数据，并将所述历史数据作为训练集，所述历史数据具体为所述水库的水位、所述水库的降雨数据和所述滑坡的滑坡位移值；
6.s2、建立滑坡位移预测模型，并通过所述训练集对所述滑坡位移预测模型进行训练；
7.s3、基于训练后的所述滑坡位移预测模型进行滑坡的位移预测。
8.进一步地，所述步骤s2中通过所述训练集对所述滑坡位移预测模型进行训练，具体包括以下分步骤：
9.s21、将所述训练集以年为周期进行分组得到多组的年训练数据；
10.s22、根据所述年训练数据的组数确定初步滑坡位移预测模型的数量；
11.s23、将所述初步滑坡位移预测模型从1开始进行编号，且所述编号为正整数；
12.s24、根据所述编号确定训练每一个所述初步滑坡位移预测模型的所述年训练数据的组数，且每一个所述初步滑坡位移预测模型对应的各组年训练数据之间不重复；
13.s25、对每一个所述初步滑坡位移预测模型进行训练；
14.s26、基于训练后的多个所述初步滑坡位移预测模型建立最优组合模型，并将所述最优组合模型作为所述滑坡位移预测模型。
15.进一步地，所述步骤s25具体包括以下分步骤：
16.s251、在所述训练集中获取预测时刻的上一时刻对应的滑坡位移值和影响因子，所述影响因子具体为库水位月平均高程、月降雨量、预测时刻前两个月累积降雨量、单月变化幅度、单月变化速率和双月变化幅度；
17.s252、通过所述初步滑坡位移预测模型中的变分模态分解单元将所述上一时刻对应的滑坡累积位移值分解为滑坡位移周期项、滑坡位移趋势项和滑坡位移随机项；
18.s253、通过所述变分模态分解单元将所述影响因子分解为周期项影响因子和随机项影响因子；
19.s254、将所述滑坡位移周期项、所述滑坡位移随机项、所述周期项影响因子和所述随机项影响因子输入至所述初步滑坡位移预测模型中的门控循环单元，通过所述门控循环单元得到所述预测时刻的预测滑坡位移周期项和预测滑坡位移随机项；
20.s255、将所述滑坡位移趋势项输入到所述初步滑坡位移预测模型中的二次指数平滑法模型中并得到所述预测时刻的预测滑坡位移趋势项；
21.s256、将所述预测滑坡位移周期项、所述预测滑坡位移随机项和所述预测滑坡位移趋势项三者相加得到所述预测时刻的预测滑坡位移值。
22.进一步地，所述步骤s256具体包括以下分步骤：
23.s2561、通过判定系数和均方根误差确定出对所述预测滑坡位移周期项预测结果最优的初步滑坡位移预测模型，并将其作为第一初步滑坡位移预测模型，通过判定系数和均方根误差确定出对所述预测滑坡位移随机项预测结果最优的初步滑坡位移预测模型，并将其作为第二初步滑坡位移预测模型；
24.s2562、将所述第一初步滑坡位移预测模型和所述第二初步滑坡位移预测模型组合在一起作为所述最优组合模型，并将所述最优组合模型作为所述滑坡位移预测模型。
25.进一步地，所述滑坡位移预测模型进行预测训练是序贯预测，所述序贯预测为每次预测时只对当前预测时刻进行预测，并且在所述当前预测时刻有实际监测位移值时，将该实际监测位移值纳入所述训练集中进行下一个预测时刻的预测。
26.进一步地，所述步骤s3具体包括以下分步骤：
27.s31、获取实际预测时刻的上一时刻对应的滑坡累积位移值和影响因子；
28.s32、通过所述滑坡位移预测模型中的变分模态分解单元将所述实际预测时刻的上一时刻对应的滑坡累积位移值分解为滑坡位移周期项、滑坡位移趋势项和滑坡位移随机项；
29.s33、通过所述滑坡位移预测模型中的第一初步滑坡位移预测模型、影响因子和所述实际预测时刻的上一时刻对应的滑坡位移周期项对所述实际预测时刻的滑坡位移周期项进行预测；
30.s34、通过所述滑坡位移预测模型中的第二初步滑坡位移预测模型、影响因子和所述实际预测时刻的上一时刻对应的滑坡位移随机项对所述实际预测时刻的滑坡位移随机项进行预测；
31.s35、通过所述滑坡位移预测模型中的二次指数平滑法模型和所述实际预测时刻的上一时刻对应的滑坡位移趋势项对所述实际预测时刻的滑坡位移趋势项进行预测；
32.s36、将预测得到的所述实际预测时刻的滑坡位移周期项、所述实际时刻的滑坡位移随机项和所述实际时刻的滑坡位移趋势项三者相加作为所述实际预测时刻的位移预测值。
33.与现有技术相比，本发明具备如下有益效果：
34.(1)本发明通过获取所述滑坡的历史数据，将该历史数据作为训练集，该历史数据具体为水库的水位、水库所在地的降雨数据和所述滑坡的滑坡位移值，然后建立滑坡位移预测模型，通过训练集对滑坡位移预测模型进行训练，再基于训练后的滑坡位移预测模型进行库岸滑坡位移预测，滑坡位移预测模型在进行预测时，会将上一时刻的滑坡位移值分解为滑坡位移周期项、滑坡位移趋势项和滑坡位移随机项，将影响因子进行分解并和滑坡
位移周期项、滑坡位移趋势项和滑坡位移随机项输入滑坡位移预测模型中得到预测时刻的滑坡位移趋势项、滑坡位移周期项和滑坡位移随机项，并将其相加即为预测时刻的滑坡位移，实现了滑坡位移的预测。
35.(2)本发明通过将训练集以年为周期进行分组得到多组的年训练数据，并根据年训练数据的组数确定初步滑坡位移预测模型的个数，同时对初步滑坡位移预测模型进行编号，通过该编号确定每一个初步滑坡位移预测模型的年训练数据的组数，能够确定出对滑坡位移周期项和滑坡位移随机项最优预测效果的初步滑坡位移预测模型，实现了库岸滑坡的位移预测的准确性。
附图说明
36.图1所示为本发明实施例提供的一种水库库岸滑坡的位移预测方法的流程示意图。
具体实施方式
37.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
38.如背景技术中所述，水库库岸发生滑坡时容易对人身安全造成重大伤害，因此，本技术提出了一种水库库岸滑坡的位移预测方法，用以对水库库岸滑坡的滑坡位移进行预测。
39.如图1所示为本技术实施例提出的一种水库库岸滑坡的位移预测方法的流程示意图，该方法包括以下步骤：
40.步骤s1、获取所述滑坡的历史数据，并将所述历史数据作为训练集，所述历史数据具体为所述水库的水位、所述水库的降雨数据和所述滑坡的滑坡位移值。
41.具体的，该历史数据可通过网络数据库获取，也可通过观测研究站获取水库的历史数据。
42.步骤s2、建立滑坡位移预测模型，并通过所述训练集对所述滑坡位移预测模型进行训练。
43.在本技术实施例中，所述步骤s2中通过所述训练集对所述滑坡位移预测模型进行训练，具体包括以下分步骤：
44.s21、将所述训练集以年为周期进行分组得到多组的年训练数据；
45.s22、根据所述年训练数据的组数确定初步滑坡位移预测模型的数量；
46.s23、将所述初步滑坡位移预测模型从1开始进行编号，且所述编号为正整数；
47.s24、根据所述编号确定训练每一个所述初步滑坡位移预测模型的所述年训练数据的组数，且每一个所述初步滑坡位移预测模型对应的各组年训练数据之间不重复；
48.s25、对每一个所述初步滑坡位移预测模型进行训练；
49.s26、基于训练后的多个所述初步滑坡位移预测模型建立最优组合模型，并将所述最优组合模型作为所述滑坡位移预测模型。
50.具体的，水库库岸滑坡位移会受自身地质条件例如地形地貌、岩土体结构等控制，滑坡位移在时间线上体现为近似的单增函数，反应了滑坡的长期变形趋势，而在周期性影响因素(降雨、库水位涨落等)作用下，滑坡位移表现为周期性的波动变化，此外，滑坡受随机因素(地震力、风荷载等)作用，位移表现为近白噪声序列，因此，可得到滑坡位移的时序加法模型如下：
51.x
t
＝t
t
p
t
r
t
52.式中：x
t
为t时刻的滑坡位移监测值，t
t
为t时刻滑坡位移的趋势项，p
t
为t时刻滑坡位移的周期项，r
t
为t时刻滑坡位移的随机项。
53.由于目前监测技术的限制，未能获取地震力、风荷载等随机因素的数据，故对滑坡位移随机项进行研究时，只考虑降雨和库水位中随机成分对其的影响，还需要说明的是，本技术中的任何一个时刻都指的是一个月。
54.关于预测滑坡位移周期项和预测滑坡位移随机项的训练，根据训练集的大小，其准确率的变化并不相同，滑坡位移周期项的预测结果随着训练集的增加，其准确率是逐渐上升的，而滑坡位移随机项的预测结果随着训练集的增加是先上升后下降的，因此，对于滑坡位移周期项和滑坡位移随机项需要采用不同数量的训练集进行训练。
55.在本技术实施例中，所述步骤s25具体包括以下分步骤：
56.s251、在所述训练集中获取预测时刻的上一时刻对应的滑坡位移值和影响因子，所述影响因子具体为库水位月平均高程、月降雨量、预测时刻前两个月累积降雨量、单月变化幅度、单月变化速率和双月变化幅度；
57.s252、通过所述初步滑坡位移预测模型中的变分模态分解单元将所述上一时刻对应的滑坡累积位移值分解为滑坡位移周期项、滑坡位移趋势项和滑坡位移随机项；
58.s253、通过所述变分模态分解单元将所述影响因子分解为周期项影响因子和随机项影响因子；
59.s254、将所述滑坡位移周期项、所述滑坡位移随机项、所述周期项影响因子和所述随机项影响因子输入至所述初步滑坡位移预测模型中的门控循环单元，通过所述门控循环单元得到所述预测时刻的预测滑坡位移周期项和预测滑坡位移随机项；
60.s255、将所述滑坡位移趋势项输入到所述初步滑坡位移预测模型中的二次指数平滑法模型中并得到所述预测时刻的预测滑坡位移趋势项；
61.s256、将所述预测滑坡位移周期项、所述预测滑坡位移随机项和所述预测滑坡位移趋势项三者相加得到所述预测时刻的预测滑坡位移值。
62.变分模态分解(variational mode decomposition，vmd)是一种自适应、完全非递归的模态变分和信号处理的方法。它将一个实值输入信号分解成多个具有特定稀疏特性的本征模态函数(intrinsic mode function，imf)分量，具有可提前确定模态分量个数的优点。克服了经验模态分解(empirical mode decomposition，emd)方法存的端点效应和模态分量混叠的问题，并且可以降低具有高复杂度和强非线性时序数据的非平稳性，得到具有特定稀疏特征的子序列，尤其适用于滑坡位移时间序列的分解。
63.其本征模态函数(intrinsic mode function，imf)为一种调幅
‑
调频信号u
k
(t)如下：
64.u
k
(t)＝a
k
(t)cos(φ
k
(t))
65.式中：相位φ
k
(t)为非递减函数，且与瞬时幅值a
k
(t)均非负。
66.假设滑坡位移时序或参考影响因子被分解为k个模态分量，为保证模态分量具有有限带宽的中心频率、所有模态的估计带宽之和最小，且各模态之和等于原始信号的约束下，则其约束变分表达式可写成：
67.且
68.式中：k为所需的模态分量个数，k为1到k之间的整数；{u
k
}＝{u1,
…
,u
k
}为最终分解所得的模态分量；{ω
k
}＝{ω1,
…
,ω
k
}为各模态分量的实际中心频率；为偏导数符号；δ(t)为狄拉克函数；*为卷积运算符。
69.为求解上式，引入lagrange乘子λ，将约束变分问题转变为非约束变分问题，得到增广lagrange表达式为：
[0070][0071]
式中：α为二次惩罚因子，目的为降低高斯噪声的干扰。
[0072]
此时，则可利用交替方向乘子迭代算法优化得到各模态分量和中心频率，并搜寻无约束模型鞍点求解得到约束模型的最优解，进而得到k个模态分量。本文通过vmd实现滑坡位移和影响因子的分解，根据滑坡位移的时序加法模型可知，滑坡位移时序的模态分量k＝3；影响因子时序的模态分量k＝2(影响因子主要影响滑坡的周期项位移，其随机信息则对随机位移有贡献)。为获取合适稀疏特征的模态分量，二次惩罚α的取值仍需进一步讨论。
[0073]
shannon熵值的大小可以反映概率分布的均匀性，其定义如下式所示。对于滑坡位移的周期项分量，其概率分布相对均匀，稀疏性较强。因此，使用shannon熵作为适应度函数，通过灰狼优化(grey wolf optimizer，gwo)对vmd分解参数的二次惩罚α进行寻优，以获得概率分布均匀、稀疏性强的滑坡周期项位移，即可得到滑坡位移的趋势项和随机项。
[0074][0075]
式中：h(p)为shannon熵值；p
i
为一不确定概率分布。
[0076]
门控循环单元(gated recurrent unit，gru)递归神经网络目的是使每个递归单元自适应地捕捉不同时间尺度的依赖关系。gru通过门控单元来调节单元内部的信息流，不单独设置存储单元，结构更加简单，并且在训练时间和更新优化上相比其他递归神经网络更高效。因此，本文采用gru模型对滑坡位移进行序贯性预测，用于处理非线性问题的周期项位移和随机项位移。
[0077]
在位移预测的应用中，我们将滑坡位移时序和影响因子时序作为输入，结合历史信息共同进入gru单元网络的更新门和重置门，重置门通过tanh函数计算得到候选状态，并结合更新门保留输出状态。其中更新门用于控制保留历史信息的忽略程度，而重置门用于决定候选状态对历史信息的忽略程度。若当前时刻t的滑坡位移时序输入为x
t
，则gru单元网络的一次前向计算为：
[0078]
z
t
＝σ(w
z
·
[h
t
‑1,x
t
] b
z
)
[0079]
r
t
＝σ(w
r
·
[h
t
‑1,x
t
] b
r
)
[0080][0081]
式中：
σ
为求和符号；w
z
、w
r
、分别为更新门z
t
、重置门r
t
以及候选状态的权重矩阵；而b
z
、b
r
、分别为三者的偏置矩阵，其中隐向量h
t
‑1的维度表示输入的隐藏神经元的个数，而更新门z
t
与候选状态共同决定网络当前时刻的输出h
t
，即可得到滑坡下一时刻的位移值：
[0082][0083]
因此，在具体应用场景中，以上一时刻的滑坡累积位移值作为输入，可知滑坡位移的vmd模态分量；其上一时刻的滑坡位移周期项通过gwo模型也即变分模态分解单元优化第二模态分量的最优shannon熵值香农熵来提取，同时分解得到上一时刻的滑坡位移趋势项(第一模态分量)和上一时刻的滑坡位移随机项(第三模态分量)。
[0084]
本技术将上一时刻的影响因子经vmd分解得到其周期项与随机项分量，并分别作为滑坡位移预测模型的周期项和随机项的影响因子输入。同样采用gwo优化低频分量(周期项)的shannon熵值获得最优惩罚参数
α
，保证模态分量的保真度。设置vmd的模态数k＝2，2个分量依次对应影响因子的周期项和随机项时序，其他设置同滑坡位移的分解。
[0085]
在本技术实施例中，，所述步骤s256具体包括以下分步骤：
[0086]
s2561、通过判定系数和均方根误差确定出对所述预测滑坡位移周期项预测结果最优的初步滑坡位移预测模型，并将其作为第一初步滑坡位移预测模型，通过判定系数和均方根误差确定出对所述预测滑坡位移随机项预测结果最优的初步滑坡位移预测模型，并将其作为第二初步滑坡位移预测模型；
[0087]
s2562、将所述第一初步滑坡位移预测模型和所述第二初步滑坡位移预测模型组合在一起作为所述最优组合模型，并将所述最优组合模型作为所述滑坡位移预测模型。
[0088]
具体的，采用判定系数(coefficientof determination，r2)和均方根误差(root mean square error，rmse)作为评价预测模型性能的指标。因此，本文以这些指标为准分析预测模型的性能，其具体定义如下：
[0089][0090][0091]
式中：x
t
为滑坡位移的实际观测值，为预测值，为所有观测值的平均值，t表示时刻，n为样本数。
[0092]
另外，在本技术实施例中，所述滑坡位移预测模型进行预测训练是序贯预测，所述序贯预测为每次预测时只对当前预测时刻进行预测，并且在所述当前预测时刻有实际监测位移值时，将该实际监测位移值纳入所述训练集中进行下一个预测时刻的预测。
[0093]
步骤s3、基于训练后的所述滑坡位移预测模型进行滑坡的位移预测。
[0094]
在本技术实施例中，所述步骤s3具体包括以下分步骤：
[0095]
s31、获取实际预测时刻的上一时刻对应的滑坡累积位移值和影响因子；
[0096]
s32、通过所述滑坡位移预测模型中的变分模态分解单元将所述实际预测时刻的上一时刻对应的滑坡累积位移值分解为滑坡位移周期项、滑坡位移趋势项和滑坡位移随机项；
[0097]
s33、通过所述滑坡位移预测模型中的第一初步滑坡位移预测模型、影响因子和所述实际预测时刻的上一时刻对应的滑坡位移周期项对所述实际预测时刻的滑坡位移周期项进行预测；
[0098]
s34、通过所述滑坡位移预测模型中的第二初步滑坡位移预测模型、影响因子和所述实际预测时刻的上一时刻对应的滑坡位移随机项对所述实际预测时刻的滑坡位移随机项进行预测；
[0099]
s35、通过所述滑坡位移预测模型中的二次指数平滑法模型和所述实际预测时刻的上一时刻对应的滑坡位移趋势项对所述实际预测时刻的滑坡位移趋势项进行预测；
[0100]
s36、将预测得到的所述实际预测时刻的滑坡位移周期项、所述实际时刻的滑坡位移随机项和所述实际时刻的滑坡位移趋势项三者相加作为所述实际预测时刻的位移预测值。
[0101]
具体的，本技术训练完毕的滑坡位移预测模型实质上是一个组合模型，包含三个部分，第一初步滑坡位移预测模型、第二初步滑坡位移预测模型和二次指数平滑法模型，这样的技术方案能使滑坡的位移预测更加准确，并且，第一初步滑坡位移预测模型和第二初步滑坡位移预测模型的位移预测效果与神经元个数成正比关系，并在神经元个数为100时达到最佳，若继续增加则精度降低且耗时增加，可通过实验得出。
[0102]
二次指数平滑法模型中的二次指数平滑法实际上是一种特殊的加权移动平均法，其特点为最新数据的权重高于早期数据，此权重的因子随着数据的老化依指数下降，更适用于具有一定趋势的时间序列的预测。参数设置数据平滑因子为0.99，趋势平滑因子为0.98。
[0103]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。