一种基于改进的变分模态分解的滑坡位移预测方法及系统

技术领域

本发明涉及到地质灾害预防技术领域，尤其涉及一种基于改进的变分模态分解的滑坡位移预测方法、系统、介质及设备。

背景技术

滑坡灾害的防治工作具有重要意义。传统的滑坡防治措施主要包括排水、加固坡体、植树造林等。然而，这些方法在应对复杂地形和大型滑坡时存在一定局限性。因此，寻求新的滑坡防治技术路线显得尤为重要。

随着科技的发展，人工智能在工程实践中已经被证实可以解决一些复杂的实际问题，因此基于人工智能的滑坡灾害预防是一个比较热门的研究方向。人工智能主要是基于大量历史数据去发现各个影响因素与滑坡位移之间的映射关系，从而建立预测模型，与传统的传统灾害预防方法相比，人工智能基于大规模数据集进行训练，挖掘数据中所包含的复杂特征，从而更好地预测灾害风险。

现有技术的分解方案仅将滑坡位移数据分解成周期项位移和趋势项位移，这类方案存在以下不足：仅进行一次分解，未考虑到噪声剔除是否彻底或不考虑噪声问题，因此提供预测模型的数据质量较差，会影响到预测结果的精确度，不利于预测滑坡位移的未来趋势；其次，传统的预测模型采用BP神经网络，此类模型未能捕捉到不同时间样本之间的关联特征。现有技术没有考虑到噪声剔除不彻底和未能挖掘出不同时刻样本点之间的复杂关联，因此对滑坡位移预测精准度造成影响。

发明内容

本发明的目的在于，提供一种基于改进的变分模态分解的滑坡位移预测方法、系统、介质及设备，提高滑坡位移预测结果的精准度。

本发明提供一种基于改进的变分模态分解的滑坡位移预测方法，包括以下步骤：S1：获取滑坡位移数据，利用改进变分模态分解方法，对滑坡位移数据进行分解，得到分解次数、周期项位移和趋势项位移；S2：获取BP神经网络预测模型，利用BP神经网络预测模型对趋势项位移进行预测，得到趋势项位移预测值；S3：获取降雨量和库水位，根据降雨量和库水位，利用长短时记忆神经网络对周期项位移进行预测，得到周期项位移预测值；S4：将趋势项位移预测值和周期项位移预测值进行叠加，得到滑坡整体位移的预测趋势。

进一步地，上述的一种基于改进变分模态分解的滑坡位移预测方法的步骤S1包括以下步骤：S11：利用变分模态分解方法，对滑坡位移数据进行分解，得到本征模态分量；根据本征模态分量和滑坡位移数据，构建变分模态约束模型，如公式：

其中，Y为滑坡位移数据，k为本征模态分量的个数，u

其中，L()为无约束变分模态约束模型，u

其中，

其中，λ

进一步地，上述的一种基于改进变分模态分解的滑坡位移预测方法的步骤S2包括以下步骤：S21：获取BP神经网络预测模型，BP神经网络预测模型包括三层隐含层；S22：利用滑坡位移数据，对BP神经网络预测模型进行训练，得到训练好的BP神经网络预测模型，如公式：

其中，

本发明还提供一种系统，包括：数据分解模块、趋势项位移预测模块、周期项位移预测模块和滑坡整体位移预测模块；数据分解模块，配置为：获取滑坡位移数据，利用改进变分模态分解方法，对滑坡位移数据进行分解，得到分解次数、周期项位移和趋势项位移；趋势项位移预测模块，配置为：获取BP神经网络预测模型，利用BP神经网络预测模型对趋势项位移进行预测，得到趋势项位移预测值；周期项位移预测模块，配置为：获取降雨量和库水位，根据降雨量和库水位，利用长短时记忆神经网络对周期项位移进行预测，得到周期项位移预测值；滑坡整体位移预测模块，配置为：将趋势项位移预测值和周期项位移预测值进行叠加，得到滑坡整体位移的预测趋势。

进一步地，上述的一种系统的数据分解模块还配置为：利用变分模态分解方法，对滑坡位移数据进行分解，得到本征模态分量；根据本征模态分量和滑坡位移数据，构建变分模态约束模型，如公式：

其中，Y为滑坡位移数据，k为本征模态分量的个数，u

其中，L()为无约束变分模态约束模型，u

其中，

其中，λ

进一步地，上述的一种系统的趋势项位移预测模块还配置为：获取BP神经网络预测模型，BP神经网络预测模型包括三层隐含层；利用滑坡位移数据，对BP神经网络预测模型进行训练，得到训练好的BP神经网络预测模型，如公式：

其中，

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于改进的变分模态分解的滑坡位移预测方法的步骤。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述的基于改进的变分模态分解的滑坡位移预测方法的步骤。

本发明提供的技术方案带来的有益效果是：

通过改进的变分模态分解的方法，结合设置的阈值和去噪后的数据与原始数据之间的相关性系数进行多次分解，在保证滑坡位移数据质量的同时，最大程度的去除滑坡原始数据之中包含的噪声，提升后续预测模型的预测性能；使用长短时记忆神经网络去捕捉到当前样本数据与上一个时间刻样本数据之间的关联，进一步的去挖掘样本在时序空间的特征，从而提高滑坡位移预测结果的精准度。

附图说明

本发明构成说明书的一部分附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。

图1为本发明提供的基于改进的变分模态分解的滑坡位移预测方法的流程图；

图2为本发明实施例中改进变分模态分解的思路框图；

图3本发明实例中滑坡趋势项位移预测结果图；

图4是本发明实例中基于BP神经网络滑坡周期项位移预测结果图；

图5是本发明实例中基于长短时记忆神经滑坡周期项位移预测结果图；

图6是本发明实例中不同策略的滑坡整体位移预测结果图；

其中，图6(a)为VMD-BP坡位移预测图，图6(b)为VMD-LSTM滑坡位移预测图；

图7为本发明提供的计算机设备组成图。

具体实施方式

下面将结合附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本实施例中，基于改进的变分模态分解的滑坡位移预测方法流程图如图1所示，基于改进的变分模态分解的滑坡位移预测方法，包括以下步骤：S1：获取滑坡位移数据，利用改进变分模态分解方法，对滑坡位移数据进行分解，得到分解次数、周期项位移和趋势项位移；S2：获取BP神经网络预测模型，利用BP神经网络预测模型对趋势项位移进行预测，得到趋势项位移预测值；S3：获取降雨量和库水位，根据降雨量和库水位，利用长短时记忆神经网络对周期项位移进行预测，得到周期项位移预测值；S4：将趋势项位移预测值和周期项位移预测值进行叠加，得到滑坡整体位移的预测趋势。

具体地，上述的一种基于改进变分模态分解的滑坡位移预测方法的步骤S1包括以下步骤：S11：利用变分模态分解方法，对滑坡位移数据进行分解，得到本征模态分量；根据本征模态分量和滑坡位移数据，构建变分模态约束模型，如公式：

其中，Y为滑坡位移数据，k为本征模态分量的个数，u

其中，L()为无约束变分模态约束模型，u

其中，

其中，λ

具体地，上述的一种基于改进变分模态分解的滑坡位移预测方法的步骤S2包括以下步骤：S21：获取BP神经网络预测模型，BP神经网络预测模型包括三层隐含层；S22：利用滑坡位移数据，对BP神经网络预测模型进行训练，得到训练好的BP神经网络预测模型，如公式：

其中，

本实施例提供一种系统，包括：数据分解模块、趋势项位移预测模块、周期项位移预测模块和滑坡整体位移预测模块；数据分解模块，配置为：获取滑坡位移数据，利用改进变分模态分解方法，对滑坡位移数据进行分解，得到分解次数、周期项位移和趋势项位移；趋势项位移预测模块，配置为：获取BP神经网络预测模型，利用BP神经网络预测模型对趋势项位移进行预测，得到趋势项位移预测值；周期项位移预测模块，配置为：获取降雨量和库水位，根据降雨量和库水位，利用长短时记忆神经网络对周期项位移进行预测，得到周期项位移预测值；滑坡整体位移预测模块，配置为：将趋势项位移预测值和周期项位移预测值进行叠加，得到滑坡整体位移的预测趋势。

具体地，上述的一种系统的数据分解模块还配置为：利用变分模态分解方法，对滑坡位移数据进行分解，得到本征模态分量；根据本征模态分量和滑坡位移数据，构建变分模态约束模型，如公式：

其中，Y为滑坡位移数据，k为本征模态分量的个数，u

其中，L()为无约束变分模态约束模型，u

其中，

其中，λ

具体地，上述的一种系统的趋势项位移预测模块还配置为：获取BP神经网络预测模型，BP神经网络预测模型包括三层隐含层；利用滑坡位移数据，对BP神经网络预测模型进行训练，得到训练好的BP神经网络预测模型，如公式：

其中，

在本实施例中，按着步长为10的滑动窗口对原始数据进行整理，按着一定的比例划分训练集和测试集。为了验证本发明的可行性，将不同分解次数的实验结果进行对比；并将使用长短时记忆神经网络与传统BP神经网络进行对比。具体实验步骤如下：

(1)确定变分模态分解分解次数

对滑坡历史数据进行变分模态分解，会造成噪声剔除不彻底，分解次数过多的情况会导致原信号中包含的有效信息大量缺失，如图2所示，本发明使用皮尔逊相关性系数计算每次分解去噪后的结果和原始数据之间的相关系数λ

(2)趋势项位移预测

趋势项位移仅与滑坡自身结构有关，本发明基于BP神经网络对滑坡趋势项位移进行预测，BP神经网络预测模型的具体结构为三层隐含层。适当的分解次数增加可以使得滑坡趋势项位移更加平缓，以RMSE和MAE作为性能指标，表1为不同分解次数时的检测效果，由表可知，随着分解次数的增加，趋势项位移预测更加精确，在结合相关系数和阈值确定的分解次数时，趋势项位移预测模型效果最优，预测结果如图3所示。

表1趋势项位移预测

(3)周期项位移预测

周期项位移与外界环境有关，其中最主要影响因素为的为库水位和降雨量，周期项的变化趋势和降雨量和库水位的变化量一般相似，均为周期变化。本发明将基于长短时记忆神经网络对滑坡周期项位移进行预测，为了验证本发明的优越性，将以传统的BP神经网络进行对比，以以RMSE和MAE作为性能指标去衡量两种预测模型。表2、表3为不同分解次数时的周期项位移预测结果，由表可知，随着分解次数的增加，基于人工神经网和基于长短时记忆神经网络的预测精度均会随着分解次数的增大而提升，预测结果如图4和图5。对比表3和表4可以得出本发明提出的预测模型要优与传统的BP神经网络。

表2周期项位移预测(BP神经网络)

表3周期项位移预测(LSTM)

(4)滑坡整体位移预测

将上文中两种预测模型的周期项预测结果和基于BP神经网络的趋势项位移进行叠加，得到滑坡整体位移的预测结果，从而可到滑坡位移的未来变化趋势，以以RMSE和MAE作为性能指标去评价预测模型的预测性能，表4和表5分别为不同策略组合的预测模型的最终预测结果，结合图6(a)和图6(b)所示，图6(a)为VMD-BP坡位移预测图，图6(b)为VMD-LSTM滑坡位移预测图，可以得出本发明的预测模型在滑坡位移预测中，性能指标整体上均有所提升。

表4滑坡整体位移预测(BP神经网络)

表5滑坡整体位移预测(长短时记忆神经网络)

在一些实施例中，上述的基于改进的变分模态分解的滑坡位移预测方法也可以通过以下方式实施。

在本实施例中，首先，进行步骤S1：基于该进变分模态分解去滑坡位移进行最大程度去噪并获得最终趋势项位移和周期项位移；S2：基于BP神经网络对趋势项位移进行预测,得到未来趋势项位移变化趋势；S3：分别基于BP神经网络和长短时记忆神经网络对周期项位移进行预测，获得未来周期项位移变化趋势；S4：划分两种预测策略：基于BP神经网络滑坡位移预测、基于BP神经网络和长短时记忆神经网络进行滑坡位移预测，将周期项位移和趋势项位移预测值进行叠加，得到未来滑坡整体位移变化趋势。

通过阈值确定分解次数，从而最大程度地去除滑坡位移中的噪声，从而提高了提供给预测模型的数据质量，并通过长短时记忆神经网络捕捉到不同数据之间的关联，从而提高了滑坡位移的预测精度，为了证实此思路，通过与传统的模型对比，并选取RMSE、MAE作为性能指标去验证本发明专利思路的有效性。

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于改进的变分模态分解的滑坡位移预测方法的步骤。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

本实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述的基于改进的变分模态分解的滑坡位移预测方法的步骤。如图7所示，该计算机设备可以包括：至少一个处理器151，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口153，存储器154，至少一个通信总线152。其中，通信总线152用于实现这些组件之间的连接通信。其中，通信接口153可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口153还可以包括标准的有线接口、无线接口。存储器154可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器154可选的还可以是至少一个位于远离前述处理器151的存储装置。其中，存储器154中存储应用程序，且处理器151调用存储器154中存储的程序代码，以用于执行上述任一方法步骤。其中，通信总线152可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线152可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器154可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器154还可以包括上述种类的存储器的组合。其中，处理器151可以是中央处理器(英文：central processingunit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。其中，处理器151还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。可选地，存储器154还用于存储程序指令。处理器151可以调用程序指令，实现如本实施例的基于改进的变分模态分解的滑坡位移预测方法。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。