基于蚁群算法优化极限学习机模型的滑坡位移预测

采用高精度的优化算法对于提高滑坡位移预测模型的准确性具有重要意义,然而已有文献中很少对多种优化算法进行对比研究。以三峡库区的八字门滑坡为例,以极限学习机（ELM）理论为基础进行滑坡位移预测,同时运用多种算法对建立模型过程中的参数选择进行优化以期提高预测效果。为提高预测精度,以移动平均法为基础,将滑坡位移分解为趋势项和周期项,趋势项位移使用多项式函数进行预测,周期项位移使用MATLAB自编程序的极限学习机模型进行预测,两项预测值相加即可得到最终的累计位移预测值。计算结果表明：单一的ELM模型能够较为准确地预测具有阶跃式曲线的滑坡累计位移,预测结果的平均误差为23.5 mm,拟合优度为0.973。与粒子群算法和遗传算法相比,蚁群算法（ACO）在计算用时和优化效果上更优,蚁群算法优化极限学习机模型对位移的预测精度也最高,平均误差为10.1 mm,拟合优度为0.998,可在类似滑坡的位移预测研究中进行推广。     

考虑位移滞后效应的降雨型滑坡 ＳＳＡ-ＤＥＬＭ位移预测模型研究

针对东南丘陵山地降雨型滑坡变形发展特征，现有滑坡预测模型应用存在局限，结合滑坡变形特点研究基于智能算法的滑坡预测模型。以福建安溪尧山滑坡为例，选取2019年9月至2022年6月滑坡监测数据进行研究，采用集对分析、灰关联法、麻雀搜索算法及深度极限学习机对滑坡位移进行预测，提出了一种考虑滑坡位移滞后时间基于深度学习的滑坡位移预测模型。结果表明:ＳＳＡ-ＤＥＬＭ模型的ＭＡＥ、ＭＡＰＥ、ＲＭＳＥ相较于已有的ＢＰ神经网络、ＳＶＭ模型均更小，同时模型结合了滑坡影响因子以及水位－位移滞后特征，具有明确的物理意义，位移预测效果较好且精度较高，可推广应用于类似的滑坡位移预测中。     

基于多源时间序列的滑坡位移动态预测

位移预测在滑坡预警预报系统中有着重要地位，为了提高位移预测的精度，提出了变分模态分解和二次指数平滑法、神经网络结合的滑坡位移动态预测方法。首先对历史监测位移数据进行变分模态分解，产生多个模态分量，然后利用二次指数平滑法和极限学习机(ELM)模型进行预测。粒子群优化算法被用来优化ELM模型，最后累加各模态的预测值完成预测。以三峡库区白家包滑坡为例，将所建模型与最小二乘支持向量机(LSSVM)和卷积神经网络-门控递归单元(CNN-GRU)预测的周期项进行比较，结果表明：所用DES-PSO-ELM能够有效预测滑坡位移变化，其均方根误差、平均绝对误差、平均绝对百分误差和相关系数值分别为1.293、0.993 mm, 0.008 0、0.999 8,预测误差最小。研究结果可以为滑坡预警监控系统提供技术依据。     

RNN与LSTM方法用于滑坡位移动态预测的研究

良好的滑坡位移预测是实施滑坡灾害预警的重要组成部分。受限于滑坡位移演化的非线性动态特性,传统的预测方法中普遍存在对历史数据遗忘,致使预测精度不高的问题。为此,提出了一种深度学习的滑坡位移预测方法,分别建立了循环神经网络(Recurrent Neural Network, RNN)和长短时记忆网络(Long Short Term Memory Network, LSTM)2种位移动态预测模型进行比对。以新滩滑坡工程为例,采用"流转训练"的方式,并选取多个监测点位移变化进行动态预测。结果表明,在误差函数满足期望精度时,LSTM模型具有更高的预测精度,且各项评价指标也表明LSTM模型的预测总体效果更优。     

极限学习机在湖库总磷、总氮浓度预测中的应用

基于传统BP人工神经网络模型训练速度慢、参数选择困难、易陷入局部极值等问题,提出极限学习机(ELM)的水质预测模型。以云南某水库为例,选取NH₃-N、NO₂^--N、NO₃^--N、COD_Mn和水体透明度作为网络输入,TP、TN作为输出, 构建基于ELM的湖库TP、TN预测模型,并将ELM预测结果与传统BP、GA-BP、RBF人工神经网络模型模拟结果进行比较。结果表明,ELM模型预测精度高于传统BP和RBF模型模拟结果,甚至略高于GA-BP模型的预测精度,并且ELM模型具有参数选择简便、训练速度快、不会陷入局部最优值等特点,有着较大的计算优势。     

WA-BT-ELM耦合模型在黄土滑坡位移预测中的应用

黄土滑坡的变形演化过程往往受到多种因素的影响,呈现出非线性特征。基于小波分析函数(Wavelet Analysis,WA)、提升回归树(Boosting Regression Tree,BT),以及极限训练机(Extreme Learning Machine,ELM)方法,提出一种名为WA-BT-ELM的黄土滑坡位移预测新方法。该方法将非线性位移数据作为一时间序列,运用小波分析函数将监测点累积位移曲线分解为若干子小波;随后使用提升回归树对所有子小波进行重要度分析,剔除相关性不高的子小波以去掉冗杂信息;最后运用极限训练机,结合筛选得到的子小波对滑坡位移进行预测分析。基于该模型对甘肃省永靖县黑方台滑坡区的滑坡位移监测数据进行预测,得到了优于ANN,BPNN,SVM,ELM,以及WA-ELM预测模型的结果,故认为WA-BT-ELM模型是一种有效的黄土滑坡位移预测方法。     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。     

基于多重约束优化的滑坡变形组合预测研究

为实现滑坡变形的高精度预测,进而达到滑坡稳定性判断的目的,首先采用BP神经网络、支持向量机及GM(1,1)模型对滑坡变形进行传统的单项预测,且为提高单项预测精度,再采用遗传算法、粒子群算法及半参数法对各单项预测模型进行优化;其次基于多种组合指标,采用累加法和累乘法确定综合组合权值,实现对滑坡变形的组合优化预测。结果表明:组合预测结果的精度及稳定性均高于单项预测,而在综合权值的确定过程中,累乘法要优于累加法,且最优组合预测结果的相对误差平均值和标准差分别为0.81%和0.62%,具有较高的预测精度及稳定性,验证了预测思路对滑坡变形预测具有较好的适用性和有效性。     

基于时间序列和GRU的滑坡位移预测

近些年随着深度学习的兴起,长短时间记忆网络(LSTM)常应用于滑坡位移的预测。GRU(Gated Recurrent Unit)是LSTM的一种改良,为此提出了一种联合时间序列和GRU神经网络来预测滑坡位移的方法。采用移动平均法将滑坡总位移曲线分解为趋势项位移和周期项位移,灰色Verhulst模型描述趋势项变化;考虑降雨和库水位等对滑坡位移的影响,应用Python语言搭建了一个3层GRU网络和全连接层(Dense)网络,以预测周期项变化,并用三峡库区八字门滑坡监测点ZG111位移监测数据对该方法进行了验证。结果表明:该方法相较于GRNN模型更能有效地利用历史信息,预测效果得到明显提高,可为滑坡预测提供重要的参考。     

基于FPA-ELM模型的中长期径流预测——以雅砻江流域为例

为提高中长期径流预测效果，提出一种花授粉算法（FPA）优化极限学习机模型（ELM）的中长期径流预测方法。首先，构造反映流域水情丰枯变化的流域径流整体趋势变化因子（COM）,并采用偏互信息法获得影响中长期径流过程变化的关键因子集；然后，结合K折交叉验证与花授粉算法优化ELM参数，构建FPA-ELM模型，完成中长期径流预测。最后，以雅砻江流域为研究区域，将构建的FPA-ELM模型与BP神经网络（BPNN）、支持向量机（SVM）、ELM和GA-ELM等模型进行对比分析。结果表明：FPA-ELM模型的平均绝对百分比误差(Emape)为20.15%,均方根误差(Ermse)为268.77 m3/s,确定性系数(Edc)为0.916 9,合格率(Eqr)为60.0%,运算时间为19.32 s,均优于上述4种数据驱动模型。研究成果可为基于智能算法的中长期径流预测提供借鉴。     

基于时序AR补偿RBF模型的滑坡位移预测

为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF(Radial Basis Function)神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。     

基于CEEMDAN-BA-SVR-Adaboost模型的白水河滑坡位移预测

为提高白水河滑坡位移预测精度,提出一种新的预测模型,即基于自适应噪声完全集合经验模态分解(CEEMDAN)-蝙蝠算法(BA)-支持向量回归机(SVR)-自适应提升算法(Adaboost)的模型。以该滑坡为研究对象,利用CEEMDAN将滑坡位移分解为趋势项以及由IMF分项构成的波动项。首先采用BP神经网络对趋势项位移进行预测,随后利用CEEMDAN-BA-SVR-Adaboost模型对波动项进行预测,并将预测结果与CEEMDAN-PSO-SVR-Adaboost、CEEMDAN-BA-BP-Adaboost、CEEMADAN-BA-SVR、BA-SVR-Adaboost模型预测结果进行对比分析,验证本模型在位移预测方面的优越性。此外,利用CEEMDAN-BA-SVR-Adaboost模型对ZG118波动项位移进行预测,同时计算ZG93监测点最终累计预测位移。结果表明,对白水河滑坡位移进行预测时,CEEMDAN-BA-SVR-Adaboost模型具有较高的准确性和适用性。     

基于变分模态分解和深度置信神经网络模型的滑坡位移预测

三峡库区共有滑坡1 000余处,频繁发生的滑坡灾害极大威胁着人民生命财产安全,因此开展合理有效的滑坡位移预测对减少财产损失和拯救人民的生命具有重要的研究意义。以三峡库区白家包滑坡为例,针对当前滑坡位移预测中常用分解方法的局限,在位移时间序列的分解中引入可以控制分解模态数目的变分模态分解方法,选取不同模态参数进行对比,以提高分解模型的精度和有效性;并基于滑坡触发因子建立深度置信网络模型对位移子序列进行预测,重构所有子序列预测结果得到总的位移预测值。总位移预测均值绝对误差3.657 mm,平均绝对百分比误差为0.010%,总体预测精度高,该方法误差小,具有良好的应用指导意义。     

应用优化神经网络算法预报地下水位

根据地下水及其影响因素之间存在的映射关系，在BP网络模型的基础上，提出一种Levenberg-Marquart优化神经网络算法，并用于地下水位的预测．与传统的BP算法相比较，该算法的预测精度较高，计算结果稳定性好，收敛速度快．     

基于外因响应的滑坡位移预测模型研究

根据滑坡位移序列的单调性和非线性,将滑坡位移分为趋势项和偏离量,建立曲线回归-BP神经网络模型对滑坡位移进行动态预测。以三峡库区树坪滑坡为例,首先通过曲线回归提取滑坡位移趋势项;然后在选取滑坡位移动态变化影响因子的基础上,建立BP神经网络模型逼近位移偏离量;最后将趋势项和偏离量预测值叠加,得到滑坡位移预测值。结果表明,该模型可更好地反映影响因子动态变化对滑坡位移发展的关键作用,预测的平均相对误差为3.3%,有效地提高了预测结果的精度。     

基于经验模态分解和LSTM模型的滑坡位移预测

建立高精度的位移预测模型对滑坡的提前预报具有重要意义,然而以往的研究多是选用静态预测模型,无法满足滑坡的动态特性。鉴于此,以三峡库区新滩滑坡为例,选用了近期较为流行的长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测。首先选用经验模态分解法(EMD)将滑坡累积位移分解成趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用动态LSTM模型预测周期项位移;最后将各分量位移累加得到最终的模型计算值。结果表明:LSTM模型预测结果的均方根误差为17.07 mm,相关性系数达0.999,具有较高的预测精度,为"阶梯状"滑坡位移的预测提供了一种可行的思路。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。