一种基于深度学习的滑坡位移预测方法、存储介质、设备

本发明涉及滑坡位移预测，尤其涉及一种基于深度学习的滑坡位移预测方法、存储介质、设备。

背景技术：

1、滑坡是地质灾害中较为常见且频发的一种，常常对滑坡周边地区居民的生命安全和财产安全构成重大威胁。滑坡灾害的破坏性极强，尤其是在山区、丘陵以及水库周围等地带。研究表明，滑坡的发生与其位移之间存在密切关联，滑坡位移是反映滑坡发生情况的重要指标。一般来说，滑坡位移的变化与滑坡灾害的发生概率呈现正相关关系，即位移量越大，滑坡发生的可能性越高。因此，滑坡位移的准确监测与预测成为滑坡灾害预警预报系统中的核心环节。通过对滑坡位移的有效预测，可以提前识别潜在的滑坡风险，为决策者提供及时的应对措施，避免或减轻灾害对生命和财产的损害。

2、当前，滑坡位移的预测通常基于对滑坡位移、库水位和降雨量等多种影响因素的分析。然而，现有的大多数研究和预测方法主要集中在时间域的分析上，对于滑坡位移、库水位与降雨量等信号的频域特性研究较为匮乏，这在一定程度上限制了预测精度的提高。此外，传统的滑坡预测模型在处理时间序列信号的复杂性和长期依赖性方面存在不足，难以捕捉滑坡位移中复杂的变化模式。

技术实现思路

1、本发明的目的在于：为了解决现有滑坡位移预测中缺乏频域分析和传统模型处理时间序列复杂性及长期依赖性不足的问题，提出一种基于深度学习的滑坡位移预测方法，包括以下步骤：

2、s1、获取滑坡位移信号和孕灾因子信号；

3、s2、使用变分模态分解对滑坡位移信号和孕灾因子信号进行分解，得到滑坡位移信号和孕灾因子信号的本征模态信号，将滑坡位移信号的本征模态信号划分为周期项位移对应的本征模态信号和趋势项位移对应的本征模态信号；将周期项位移对应的本征模态信号、趋势项位移对应的本征模态信号、孕灾因子信号的本征模态信号划分为第一数据集和第二数据集；

4、s3、量化周期项位移对应的本征模态信号和孕灾因子信号的本征模态信号之间的关联程度；

5、s4、基于bilstm，在其输出部分引入约简门，生成bilstm-reduction模型，将第一数据集输入bilstm-reduction模型，构建基于bilstm-reduction模型的滑坡趋势项位移预测模型；选取第二数据集中和周期项位移对应的本征模态信号关联程度高的孕灾因子信号的本征模态信号输入bilstm-reduction模型，构建基于bilstm-reduction模型的滑坡周期项滑坡位移预测模型；

6、s5、基于构建的滑坡趋势项位移预测模型和滑坡周期项滑坡位移预测模型预测滑坡的位移。

7、进一步地，孕灾因子信号包括：降雨量信号、库水位变化信号。

8、进一步地，孕灾因子信号的采集周期为天。

9、进一步地，根据滑坡位移信号的本征模态信号的中心频率，将滑坡位移信号的本征模态信号划分为周期项位移对应的本征模态信号和趋势项位移对应的本征模态信号。

10、进一步地，量化周期项位移对应的本征模态信号和孕灾因子信号的本征模态信号之间的关联程度表示为：

11、

12、其中，mic(x,y)表示x和y之间的关联程度，x表示孕灾因子信号的本征模态信号，y表示周期项位移对应的本征模态信号，i(x,y)表示x和y之间的互信息，a和b分别表示x和y的样本个数，a×b<b表示对网格总数的约束，b表示一个设定的阈值。

13、进一步地，bilstm-reduction模型的输入输出表示为：

14、zi＝σ(wzi[yi-1,si]+bzi)

15、ri＝σ(wri[yi-1,si]+bri)

16、

17、其中，zi表示权重矩阵wz的第i个索引，σ表示激活函数，wzi、wri、wyi分别表示约简层部分的权重矩阵，bzi、bri、byi分别表示约简层部分的偏置，yi-1表示上一时刻的输出值，si表示当前时刻简约层的输入，yi表示当前时刻简约层的输出，zti表示还原门的输出，表示输出信息的中间状态，ri表示隐含状态的输出。

18、本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于深度学习的滑坡位移预测方法。

19、本发明还提出一种电子设备，包括处理器和存储器，所述处理器与所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括计算机可读指令，所述处理器被配置用于调用所述计算机可读指令，执行上述的基于深度学习的滑坡位移预测方法。

20、本发明提供的技术方案带来的有益效果是：

21、本发明通过结合频率分析和最大信息系数，量化了库水位、降雨量等孕灾因子与滑坡位移之间的关联性，提升了特征筛选的准确性。此外，改进的bilstm-reduction模型通过引入简约门机制，有效捕捉双向时序特征，剔除噪声与冗余信息，从而提高了滑坡位移预测的精度。

技术特征：

1.一种基于深度学习的滑坡位移预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的滑坡位移预测方法，其特征在于，孕灾因子信号包括：降雨量信号、库水位变化信号。

3.根据权利要求1所述的一种基于深度学习的滑坡位移预测方法，其特征在于，根据滑坡位移信号的本征模态信号的中心频率，将滑坡位移信号的本征模态信号划分为周期项位移对应的本征模态信号和趋势项位移对应的本征模态信号。

4.根据权利要求1所述的一种基于深度学习的滑坡位移预测方法，其特征在于，孕灾因子信号的采集周期为天。

5.根据权利要求1所述的一种基于深度学习的滑坡位移预测方法，其特征在于，量化周期项位移对应的本征模态信号和孕灾因子信号的本征模态信号之间的关联程度表示为：

6.根据权利要求1所述的一种基于深度学习的滑坡位移预测方法，其特征在于，bilstm-reduction模型的输入输出表示为：

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。

8.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括计算机可读指令，所述处理器被配置用于调用所述计算机可读指令，执行如权利要求1-6任一项所述的方法。

技术总结
本发明公开一种基于深度学习的滑坡位移预测方法、存储介质、设备，涉及滑坡位移预测技术领域，方法包括：对滑坡位移和孕灾因子信号进行变分模态分解，将滑坡位移信号的本征模态信号划分为周期项和趋势项；将周期项、趋势项、孕灾因子信号的本征模态信号划分为第一数据集和第二数据集；量化周期项和孕灾因子信号的本征模态信号的关联程度；基于BiLSTM，引入约简门，生成BiLSTM‑reduction模型，将第一数据集输入模型，构建滑坡趋势项位移预测模型；选取第二数据集中和周期项关联程度高的孕灾因子信号的本征模态信号输入模型，构建滑坡周期项滑坡位移预测模型，预测滑坡的位移。本发明可以提高滑坡位移预测的精度。

技术研发人员：翟超,邵奎,窦杰
受保护的技术使用者：中国地质大学（武汉）
技术研发日：
技术公布日：2025/1/20