基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法

本发明涉及滑坡位移预测，具体涉及一种基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法。

背景技术：

1、滑坡是一种常见的、危害性大的地质类灾害。滑坡的发生，不仅威胁人们的生命财产安全，同时对生态环境也造成了破坏。既可靠又准确的预测滑坡体运动状态，是降低滑坡灾害所带来破坏和损失的关键手段。

2、滑坡的演变是由多种影响因素叠加的复杂的非线性过程，直接使用原始位移序列进行预测，其准确性无法得到保证，且原始数据存在大量噪声干扰。因此将位移序列分解为受外界因素影响的周期项和滑坡体自身力学因素控制的趋势项分别预测。目前分解滑坡位移序列的方法有：经典分解法及其改进方法x-11分解法；将时间序列分解为局部趋势、季节性和残差三个部分的stl分解法；将时间序列分解为多个本征模态函数(imf)和一个残差项的经验模态分解(emd)及其改进方法eemd、ceemd等；以及同样可以将时间序列分解成多个imf的变分模态分解(vmd)；奇异谱分析(ssa)可将时间序列分解为趋势、周期、噪声等，同时对原始序列中的噪声进行剔除。

3、一些非线性时序预测方法被广泛应用于分量序列的预测，如多元非线性回归分析、人工神经网络等。罗袆沅等，使用vmd分解原始位移，将gru递归神经网络应用于分量位移的预测。安北等采用vmd方法将原始位移分解，使用灰色关联分析确定周期项的影响因素，通过bp神经网络进行周期项预测，二次指数平滑预测趋势项。尚敏等使用指数平滑法将滑坡原始位移分解，将影响因子作为输入，使用模拟退火优化的svr模型输出周期项预测值，使用三次多项式对趋势项进行预测。

4、上述模型的共同点在于，预测模型中均加入降雨、库水位等影响因子，在一定程度上提升模型的预测精度。但是多数情况下，降雨等滑坡影响因子的数据往往难以获取，仅使用滑坡位移数据预测的精度又不能达到预期，因此，建立了一套具有实际物理意义的滑坡位移单变量预测模型至关重要。

技术实现思路

1、本发明的目的在于提供一种基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，旨在对于拥有单一位移监测数据的滑坡进行自动预测，同时提高预测准确性和预测效率。

2、为实现上述目的，本发明提供了一种基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，包括下列步骤：

3、步骤1：从数据库获取滑坡累计位移历史监测数据；

4、步骤2：基于奇异谱分析和样本熵对所述滑坡累计位移历史监测数据进行“分解-去噪-重构”，得到位移分量序列；

5、步骤3：对获取的所述位移分量序列进行平稳性检验，并分别划分数据集和归一化处理；

6、步骤4：根据平稳性检验结果，建立并训练arima-lstm模型；

7、步骤5：将最优模型和最优参数分别保存到文件；

8、步骤6：调用保存的最优模型文件和最优参数文件对分量序列进行预测；

9、步骤7：将各分量序列预测结果反归一化，各分量等权相加即得到滑坡累计位移预测序列。

10、可选的，进行“分解-去噪-重构”的过程，包括下列步骤：

11、使用ssa分解原始滑坡累计位移为周期序列、趋势序列和噪声序列，计算各分量序列的贡献率并剔除噪声成分，保留有效位移序列；

12、对每一个有效位移序列进行样本熵重构，根据样本熵值的大小，将熵值相近的序列进行重构，形成高频序列、中频序列和低频序列；

13、对分量序列进行平稳性检验，区分平稳序列和非平稳序列，并按7:3的比例划分训练集和测试集，并进行数据归一化。

14、可选的，进行样本熵重构的过程中，模式维数m取2，相似容限阈值r取0.2。

15、可选的，在建立并训练arima-lstm模型的过程中，平稳序列通过构建arima模型进行训练，构建lstm模型对非平稳序列进行训练；arima模型参数通过网格搜索算法寻优，将训练最优参数组合和最优模型保存至文件；lstm模型参数使用遗传算法寻优，获得最优模型和最优参数。

16、可选的，在arima模型参数通过网格搜索算法寻优的过程中，arima模型的参数区间设置为：自回归项数p取值区间为[0,6]，差分阶数d取值区间为[0,5]，滑动平均项数q取值区间为[0,5]，步长设置为1，决定系数r2为适应度函数。

17、可选的，在lstm模型参数使用遗传算法寻优的过程中，进化代数为30，种群数为20，交叉率为0.6，变异率为0.1，决定系数r2为适应度函数。

18、本发明提供了一种基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，通过python程序控制预测流程，实现滑坡预测的自动化。该方法以滑坡位移历史监测数据为研究对象，首先基于奇异谱分析的“分解-去噪-重构”的滑坡数据预处理方法达到对滑坡位移数据降噪的目的。其次，构建lstm模型和arima模型分别对重构后的非平稳序列和平稳序列进行预测，最后将预测结果等权相加得到融合累计位移预测序列。与现有技术相比，基于奇异谱分析的“分解-去噪-重构”方法有效的剔除了原始位移序列中的噪声，提升了滑坡预测的精度，且ssa-se-arima-lstm模型在单变量预测上的准确性和可靠性优于单一模型。python程序对模型的运行过程进行控制，自动处理中间数据，使得模型各个组成部分之间高效有序的运行。

技术特征：

1.一种基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，其特征在于，包括下列步骤：

2.如权利要求1所述的基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，其特征在于，

3.如权利要求2所述的基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，其特征在于，

4.如权利要求3所述的基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，其特征在于，

5.如权利要求4所述的基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，其特征在于，

6.如权利要求5所述的基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法，其特征在于，

技术总结
本发明涉及滑坡位移预测技术领域，具体涉及一种基于奇异谱分析和ARIMA‑LSTM组合模型的滑坡位移预测方法，通过Python程序控制预测流程，实现滑坡预测的自动化。该方法以滑坡位移历史监测数据为研究对象，首先基于奇异谱分析的“分解‑去噪‑重构”的滑坡数据预处理方法达到对滑坡位移数据降噪的目的。其次，构建LSTM模型和ARIMA模型分别对重构后的非平稳序列和平稳序列进行预测，最后将预测结果等权相加得到融合累计位移预测序列。与现有技术相比，基于奇异谱分析的“分解‑去噪‑重构”方法有效的剔除了原始位移序列中的噪声，提升了滑坡预测的精度，且SSA‑SE‑ARIMA‑LSTM模型在单变量预测上的准确性和可靠性优于单一模型。

技术研发人员：邓洪高,郭鹏超,纪元法,孙希延,肖建明,严素清,肖有军
受保护的技术使用者：桂林电子科技大学
技术研发日：
技术公布日：2024/1/15