基于模态分解和机器学习的山体滑坡预警系统和方法

本发明涉及岩土工程、地质灾害预测预警中的人工智能大数据驱动领域，具体涉及基于模态分解和机器学习的山体滑坡预警系统和方法。

背景技术：

1、高山峡谷区拥有丰富的水利资源，在一些水能集中的地区，修建了大量水库大坝。同时这些地区晚近期及现代构造活动强烈，河谷深切，地质环境复杂恶劣。这样的环境下，水库边坡容易失稳形成滑坡。其中库水位变化和季节性降雨，被公认为是诱发水库边坡失稳变形最普遍的因素。水库边坡一旦失稳形成滑坡，会在河谷形成堰塞体堵塞河流，引起的涌浪和堰塞体溃决等灾害链严重影响工程的运营安全和环境安全。因此，充分利用监测资料，实现准确可靠的预测预警体系，对于保障工程安全运行和减少灾害损失具有重要的理论意义和工程应用价值。

2、目前，滑坡预警系统和方法的研究和成果很多，包括监测设备、无人机采集数据、北斗卫星数据传输、实时仿真、运用多种机器学习和优化算法等。山体滑坡应用中，由于位移监测数据非线性使得高精度预测变得具有挑战性，传统位移预测模型在精度上存在不足，一定程度上还需要技术人员亲手操作和分析，存在误差较大。因此，开发一种基于ssa-vmd-cnn-bilstm-attention模型的山体滑坡预警系统和方法，引入更多的算法对数据进行快速精确的分析及预测，以提高对山体滑坡监测大数据进行快速分析及预测，并提高山体滑坡预警的精确性和可靠性，满足保障重大工程安全和人员安全的迫切需要。

技术实现思路

1、为此，本发明提供基于模态分解和机器学习的山体滑坡预警系统和方法，以解决背景技术中提出的问题。

2、为了实现上述目的，本发明提供如下技术方案：基于模态分解和机器学习的山体滑坡预警方法，数据传输装置将数据监测采集系统监测到的数据传输到云储存服务器，云储存服务器负责储存原始和处理预测的数据；所述数据监测采集系统包括位移传感器、地下水位传感器、湿度传感器和数据传输装置；位移传感器布置在山体边坡表面和内部以监测边坡的位移，地下水位传感器布置在坡顶、坡身和坡脚处以监测边坡水位，湿度传感器布置在边坡表面以监测天气情况；

3、通过设置在监控站的数据分析系统预测滑坡位移，数据分析系统包括ssa-vmd模型和cnn-bilstm-attention模型；

4、(1)利用ssa-vmd模型将原始滑坡位移时间序列分为3项子序列，根据其周期项的样本熵值将最优的分解子序列作为趋势项位移序列、周期项位移序列和随机项位移序列；

5、(2)通过ssa-vmd模型将各影响因素序列分解为2项子序列，分别表示影响因素序列的低频和高频部分，根据其低频部分的样本熵值得出最优的分解子序列，并计算各因素的分解子序列与各项位移子序列的最大互信息系数mic和灰色关联度grg值，并综合判断影响因素子序列与位移子序列的相关性；

6、(3)基于(2)中分解的影响因素的2项子序列输入序列，分别对所述趋势项位移序列构建单因素cnn-bilstm-attention模型，对所述周期项位移序列和所述随机项位移序列建立多因素cnn-bilstm-attention模型，利用训练数据集训练单因素和多因素cnn-bilstm-attention模型并对验证数据集进行预测；

7、(4)最终的累计滑坡位移预测结果为所述趋势项位移、所述周期项位移和所述随机项位移预测值相加，对比累计滑坡位移监测序列验证并评价方法的预测性能。

8、优选的，滑坡位移时间序列根据时间序列的加法模型表示如下：

9、x(t)＝t(t)+p(t)+r(t)

10、式中：x(t)为时间序列位移值；t(t)为趋势项函数；p(t)为周期项函数；r(t)为不确定性的随机项函数；

11、所述ssa-vmd模型中vmd的本征模态函数imf为一种调幅-调频信号表达式如下：

12、uk(t)＝ak(t)cos(φk(t))

13、式中：uk(t)为模态信号；相位φk(t)为非递减函数，且与瞬时幅值ak(t)均非负；

14、所述ssa-vmd模型中vmd是用输入的信号序列和各模态之和作为约束变分，通过寻找约束变分模型的最优解实现的自适应分解，则其约束变分表达式写成：

15、

16、式中：k为所需的模态分量个数，k为1到k之间的整数；{uk)＝{u1，…，uk}为最终分解所得的模态分量；{ωk)＝{ω1，…，ωk}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；

17、为求解上式，引入lagrange算子λ，将约束变分问题转变为非约束变分问题，得到扩展后的lagrange表达式为：

18、

19、式中：ε为分解参数以降低高斯噪声的干扰；

20、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，并搜寻无约束模型的鞍点，即得到约束模型的最优解，进而得到k个模态分量。

21、优选的，所述模态分量个数k＝2，用麻雀优化算法ssa对vmd模型中的惩罚因子α和上升时间步τ进行优化，这样能有效的避免主观因素的影响。以公式

22、fitness＝rmse(m,m)·sampen(imf2)

23、作为ssa算法的适应度值；

24、式中rmse(m,m)为重构序列与原始序列之间的均方根误差；sampen(imf2)为分分解后的周期项位移序列或影响因素的低频部分的样本熵值。其中

25、

26、式中m为嵌入维数，取1或2，r为相似容限，取0.1～0.25σx，σx为序列的标准差，为两个序列在相似容量下匹配个点的概率，为两个序列匹配个点的概率；

27、

28、式中：xt为原始序列t时刻的值，为重构后序列t时刻的值，n为序列长度。

29、对惩罚因子α和上升时间步τ进行寻优，寻找最优适应度，将样本熵和均方根误差融合，这样既能体现分解后序列的完整度，又能体现序列的分解效果，具体步骤如下：

30、(1)对麻雀优化算法输入的参数初始化。

31、(2)随机产生一系列的α和τ作为麻雀种群的初始位置。

32、(3)对当前麻雀位置下对位移序列进行vmd分解，并计算分解后的周期项序列或影响因素低频部分的样本熵sampen(imf2)。

33、(4)获取新的麻雀适应度值fitness，找出最优适应度个体和最差适应度个体，对发现者、跟随者和预警者进行位置更新。

34、(5)重复(3)和(4)直至达到最大迭代次数即可，输出此时的麻雀位置和适应度值为最优解。

35、优选的，所述cnn-bilstm-attention模型采用双层一维卷积层和池化层组成的cnn框架自动提取位移序列的内部特征，所述卷积层进行时间序列的有效非线性局部特征提取，所述池化层选取最大池化方法压缩提取的特征并生成更关键的特征信息，bilstm隐藏层建模学习cnn所提取的局部特征的内部动态变化规律，从局部特征中迭代提取更复杂的全局特征，将所述bilstm隐藏层产生的特征作为attention机制的输入，利用attention机制自动对bilstm隐藏层所提取到的时间信息通过加权的方式进行重要程度的区分，可以更有效地利用位移时间序列自身的时间序列属性，挖掘深层次的时间相关性，所述注意力机制能够有效减少历史信息的丢失并突出关键历史时间点的信息以削弱冗杂信息对位移预测结果的影响，然后将attention层的输出作为全连接层的输入，通过全连接层输出最终位移预测结果；

36、所述双向长短时记忆神经网络bilstm是对传统lstm的改进，是由一个向前和向后lstm组成，都会对结果产生影响。

37、ai＝f1(ω1xi+ω2ai-1)

38、bi＝f2(ω3xi+ω5bi-1)

39、yi＝f3(ω4ai+ω6bi)

40、式中：f1、f2、f3分别为不同层之间的激活函数，xi为i时刻输入词，ai为i时刻前向lstm单元输出值，bi为i时刻后向lstm单元输出值，yi为i时刻最终输出结果，ω1、ω2为xi、ai-1输入i时刻前向lstm单元的权值，ω3、ω5为xi、bi-1输入i时刻后向lstm单元的权值，ω4、ω6为ai、bi输入i时刻输出层的权值；所述attention机制根据不同的特征分配权重的大小，注意力状态转换过程如下所示：

41、sti＝vtanh(wht+uhi+b),i＝1,2,3…,t-1

42、

43、h′t＝f(f,ht,yt)

44、式中：ati为bilstm隐藏层输入值ht对当前输入的注意力权值，y1,y2,y3,...,yt为输入序列，h1,h2,h3,...,ht为对应输入序列y1,y2,y3,...,yt的隐藏层状态值，h't为最终特征向量v,w,u,b为模型的学习参数，，sti为使用softmax函数处理求ati所需的输入，f为ht加权平均的结果,这些参数随着模型训练过程不断的迭代。

45、本发明还公开了基于模态分解和机器学习的山体滑坡预警系统，其特征在于：预警系统执行上述的方法，该预警系统还包括判别预警系统，所述判别预警系统包括判别关系和警告通知系统，所述判别关系是所得边坡位移曲线的斜率在持续一段时间超过预设值，满足所述判别关系将会触发所述警告通知系统，将有滑坡风险的边坡信息传给相关单位，向公众发布相关信息，并采取应急措施处置。

46、本发明具有如下优点：

47、本发明为山体滑坡预警系统和方法提供一个快速精确的算法模型，该系统和方法通过引入ssa-vmd模型将边坡位移监测数据分解为3项子序列，分别为趋势项、周期项和随机项，将各影响因素序列分解为2项子序列，分别表示影响因素序列的低频和高频部分，判断相关性，最后用训练后的cnn-bilstm-attention模型对子位移序列数据进行预测，能够进行快速精确的数据处理及预测经验模态分解将数据曲线分解为趋势项和周期项，并分别用最小二乘向量机进行分析和预测，具有快速高效的优点。