一种滑坡位移多步超前预测模型的构建方法与流程

1.本发明涉及一种基于差分整合移动平均自回归与长短期网络记忆的滑坡位移多步超前预测模型的构建方法，属于地质灾害防灾减灾技术领域。

背景技术：

2.滑坡是指斜坡上的土体或岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体或者分散地顺坡向下滑动的自然现象，其发生会造成人员伤亡及财产损失。为此，人们采用多种方法来预防和减小滑坡带来的损失。其中，滑坡位移预测在早期滑坡预警中起到了重要的作用，作为有效预防和减小滑坡灾害的方法之一被广泛采用。
3.目前对于滑坡位移预测的方法多数采用数据驱动法，如极限学习机(elm)、支持向量机(svm)、人工神经网络(ann)等。但这些方法是将滑坡位移视为一种静态问题，并局限于滑坡位移的单步超前预测，这不仅导致预测精度低而且实际意义有限。因此，有必要开发一种新的滑坡位移多步超前预测模型，在增加预测精度的同时，进一步提高滑坡位移预测的实际意义。

技术实现要素：

4.鉴于此，本发明的目的是提供一种滑坡位移多步超前预测模型的构建方法，该模型在实现对滑坡位移高精度预测的同时，可以对滑坡位移进行多步超前预测，可以克服现有技术的不足。
5.本发明的目的是通过以下技术方案实现的：
6..一种滑坡位移多步超前预测模型的构建方法，其包括以下步骤：
7.步骤1：建立差分整合移动平均自回归模型arima(p，d，q)，用于对滑坡位移进行线性多步预测的，并确定滑坡非线性位移；
8.步骤2：建立变分模态分解模型(vmd)和经验小波变换模型(ewt)，用于将滑坡非线性位移分解成若干子序列的；
9.步骤3：建立并训练长短期网络记忆模型(lstm)，用于子序列的多步预测；
10.步骤4：通过步骤1和3构建滑坡位移多步超前预测组合模型(arima-lstm)，并进行组合模型的验证。
11.前述的构建方法，具体包括以下步骤：
12.步骤1中，通过自回归(ar)模型和移动平均(ma)模型，构建自回归移动平均模型arma(p，q)，再将自回归移动平均模型arma(p，q)进行d次差分，建立差分整合移动平均自回归模型arima(p，d，q)；
13.采用差分整合移动平均自回归模型arima(p，d，q)对滑坡位移进行线性多步预测；用累积位移减去线性位移预测结果，从中过滤出滑坡位移非线性部分；
14.步骤2中，采用变分模态分解模型(vmd)将过滤出的非线性位移进行分解，再采用
经验小波变换模型(ewt)对vmd分解后求出的残差序列进行分解；
15.步骤3中，结合滑坡位移预测的触发因素，通过长短期网络记忆模型(lstm)对分解出的子序列进行非线性多步预测；
16.步骤4中，采用求和方法构建滑坡位移多步超前预测组合模型(arima-lstm)，将线性和非线性位移多步预测结果相加，实现对滑坡位移的多步超前预测；并将预测结果与其它模型的预测结果进行比较，进行组合模型的验证。
17.前述的构建方法，在arima(p，d，q)模型中，至少包括两种预测方法：(1)连续型多步超前预测；(2)跳跃型多步超前预测。
18.前述的构建方法，所述的步骤1中，搜集历年滑坡监测数据构建监测数据库，从监测数据库中采集若干位移数据点，并采集对应的滑坡累计位移，基于差分整合移动平均自回归模型arima(p，d，q)，多步预测累计位移中的线性位移值；用滑坡累计位移减去线性位移，得到滑坡非线性位移值。
19.前述的构建方法，通过表达式(1)建立自回归(ar)模型：
[0020][0021]
通过表达式(3)建立移动平均(ma)模型：
[0022][0023]
将ar(p)模型与ma(q)模型相结合，可以得到一般的自回归移动平均模型arma(p，q)，其表达式为：
[0024][0025]
将自回归移动平均模型arma(p，q)与差分法相结合，即可得到arima(p，d，q)。
[0026]
前述的构建方法，所述的步骤2中，第一步，建立变分模态分解模型(vmd)，将非线性位移值f分解为k个imf序列和一个残差序列；
[0027]
第二步，建立经验小波变换模型(ewt)，将vmd分解出的残差序列的fourier谱划分成连续的区间，然后在每个区间上构造小波滤波器组进行滤波，最后通过信号重构得到一组调幅调频分量。
[0028]
前述的构建方法，第一步，建立vmd，通过表达式(6)-(7)，将非线性位移值f分解为k个imf序列和一个残差序列：
[0029][0030]
式中，k为指定模态分解次数，{μk}＝{μ1，μ2，
…
，μk}为各模态函数，{ωk}＝{ω1，
ω2，
…
，ωk}为各模态中心频率，δ(t)是狄拉克δ函数，*表示卷积运算；
[0031]
为求解上述公式，现引入增广拉格朗函数将上述约束优化问题等效为一个无约束优化问题，如下所示：
[0032][0033]
式中，λ(t)为加深约束的拉格朗日乘子，α为二次惩罚因子；
[0034]
第二步，建立ewt，通过表达式(13)-(14)在每个区间上构造小波滤波器组进行滤波，再通过表达式(17)-(19)进行信号重构得到一组调幅调频分量，
[0035]
经验小波函数ψn(ω)和分别由下面两式表示：
[0036][0037][0038]
信号f(t)的重构表达式为：
[0039][0040]
经ewt处理，信号f(t)分解得到频率由低到高的调幅调频单分量成分fk(t)(k＝1，2，3...)：
[0041][0042][0043]
式中，*表示卷积运算，f0(t)和fk(t)分别表示第0个子信号和第k个子信号。
[0044]
前述的构建方法，所述步骤3中，通过表达式(20)建立长短期网络记忆模型
(lstm)，
[0045][0046]
式中，zf表示遗忘门控(f代表forget)，来控制上一个状态的c
t-1
遗忘与记住的内容；zi表示记忆门控(i代表information)，来控制对输入的x
t
进行选择性记忆；zo表示输出门控(o代表output)，来决定哪些变量作为当前输出值；输出y
t
是通过h
t
最终变化得到。
[0047]
前述的构建方法，在进行非线性位移预测之前，首先进行触发因素的选择，确定与滑坡变形主要有关的因素，包括历史变形、降雨量和水库水位波动；再采用lstm模型，对非线性位移进行预测；lstm模型参数由多次调试确定，其它参数由网格搜索法确定；通过adam算法来训练lstm模型，结合网格搜索和随机搜索使用十倍交叉验证来获得最优参数。
[0048]
前述的构建方法，所述步骤4中，采用滑坡位移多步超前预测组合模型(arima-lstm)计算得到累积位移多步预测结果，其分别采用连续型多步超前预测和跳跃型多步超前预测，并根据预测精度评价指标进行检验，筛选出最佳预测方法；
[0049]
将最佳预测方法的测精度评价指标与其它模型的预测结果进行比较，进行组合模型的验证。
[0050]
与现有技术比较，本发明公开的一种滑坡位移多步超前预测模型的构建方法，其分别建立用于对滑坡位移进行线性多步预测的差分整合移动平均自回归模型arima(p，d，q)、用于将滑坡非线性位移多步预测的长短期网络记忆模型(lstm)，在用求和方式构建滑坡位移多步超前预测组合模型(arima-lstm)，可实现滑坡累积位移多步超前预测，通过对模型进行验证其得到滑坡累积位移多步超前预测精度均高于现有的检测模型，实用性和推广性高。
[0051]
本发明的有益效果是：
[0052]
本发明构建的滑坡位移多步超前预测组合模型，其结合了arima线性预测优势和lstm非线性预测优势，将滑坡位移分成线性位移和非线性位移两部分进行预测。为了提高lstm预测精度，又结合了vmd和ewt在时间序列分解方面的优秀性能，将变化特征复杂的非线性位移分解为若干变化相对简单的子序列。通过以上操作，可以在实现多步预测的同时，保证预测的精度达到理想效果。根据其与多元elm、多元pso-svm、单元elm三个模型的预测结果对比表明，arima-lstm在滑坡位移多步超前预测方面具有良好的性能，在单步预测时可以达到很高的预测精度，即便是多步预测，其精度也优于大部分预测模型。因此本发明提出的arima-lstm多步超前预测模型具有较强的实用性，可以投入到使用中去，帮助人们预防和减小滑坡带来的损害。并且，根据滑坡变化趋势的不同，lstm还可以被其它智能模型所替代进行非线性位移的多步超前预测，如bilstm、gru、ann等，寻合适的智能模型可以进一步提高预测精度。
[0053]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0054]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
[0055]
图1为滑坡位移多步超前预测组合模型的构建流程图。
[0056]
图2为连续型多步超前预测和跳跃型多步超前预测流程图。
[0057]
图3为bzm滑坡位移监测曲线。
[0058]
图4为基于连续型多步超前预测的线性位移预测结果。
[0059]
图5为基于跳跃型多步超前预测的线性位移预测结果。
[0060]
图6为vmd分解图。
[0061]
图7为ewt分解图。
[0062]
图8为基于连续型多步超前预测的非线性位移多步预测结果。
[0063]
图9为基于跳跃型多步超前预测的非线性位移多步预测结果。
[0064]
图10为累积位移单步预测结果(第一步)。
[0065]
图11为连续型和跳跃型累积位移多步预测结果对比图(第二步)。
[0066]
图12为连续型和跳跃型累积位移多步预测结果对比图(第三步)。
[0067]
图13为连续型和跳跃型累积位移多步预测结果对比图(第四步)。
[0068]
图14为连续型和跳跃型累积位移多步预测结果对比图(第五步)。
具体实施方式
[0069]
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
[0070]
如图1-图2所示，一种滑坡位移多步超前预测模型的构建方法，包括以下步骤：
[0071]
步骤1：建立差分整合移动平均自回归模型arima(p，d，q)，用于对滑坡位移进行线性多步预测的，并确定滑坡非线性位移；
[0072]
步骤2：建立变分模态分解模型(vmd)和经验小波变换模型(ewt)，用于将滑坡非线性位移分解成若干子序列的；
[0073]
步骤3：建立并训练长短期网络记忆模型(lstm)，用于子序列的多步预测；
[0074]
步骤4：通过步骤1和3构建滑坡位移多步超前预测组合模型(arima-lstm)，并进行组合模型的验证。
[0075]
所述的构建方法，具体包括以下步骤：
[0076]
步骤1中：通过自回归(ar)模型和移动平均(ma)模型，构建自回归移动平均模型arma(p，q)，再将自回归移动平均模型arma(p，q)进行d次差分，建立差分整合移动平均自回归模型arima(p，d，q)；
[0077]
采用差分整合移动平均自回归模型arima(p，d，q)对滑坡位移进行线性多步预测；用累积位移减去线性位移预测结果，从中过滤出滑坡位移非线性部分；
[0078]
具体地，搜集历年滑坡监测数据构建监测数据库，从监测数据库中采集若干位移数据点，并采集对应的滑坡累计位移，基于差分整合移动平均自回归模型arima(p，d，q)，多步预测累计位移中的线性位移值；用滑坡累计位移减去线性位移，得到滑坡非线性位移值；
[0079]
步骤2中：采用变分模态分解模型(vmd)将过滤出的非线性位移进行分解，再采用
经验小波变换模型(ewt)对vmd分解后求出的残差序列进行分解，经过vmd和ewt的分解，可以显著降低原始序列的复杂程度；
[0080]
步骤3中：结合滑坡位移预测的触发因素，通过长短期网络记忆模型(lstm)对分解出的子序列进行非线性多步预测；
[0081]
步骤4中：采用求和方法构建滑坡位移多步超前预测组合模型(arima-lstm)，将线性和非线性位移多步预测结果相加，实现对滑坡位移的多步超前预测；并将预测结果与其它模型的预测结果进行比较，进行组合模型的验证。
[0082]
所述的步骤1中，将ar(p)模型与ma(q)模型相结合，通过表达式(1)-(5)构建自回归移动平均模型arma(p，q)，再将arma(p，q)进行d次差分，建立差分整合移动平均自回归模型arima(p，d，q)；
[0083]
自回归(ar)模型只适用于预测与自身前期相关的数据，表达式如下所示：
[0084][0085]
式中，x
t1
为常数项，表示当前值，p为阶数，表示用前p个历史数据代表当前值，αi是自相关系数，μ
t
是误差项，符合正态分布；
[0086]
该模型反应了在t时刻的目标值与t-1～t-p个目标值存在一定的线性关系，即：
[0087]
x
t1
～α1x
t1-1
+α2x
t1-2
+α3x
t1-3
…
+α
p
x
t1-p
ꢀꢀꢀ
(2)
[0088]
移动平均(ma)模型关注的是自回归模型中误差的积累，表达式如下所示：
[0089][0090]
该模型反应了在t时刻的目标值与t-1～t-p个误差值存在一定的线性关系，即：
[0091]
x
t2
～β1μ
t-1
+β2μ
2-1
+β3μ
3-1
…
+βqμ
t-q
ꢀꢀꢀꢀ
(4)
[0092]
将ar(p)模型与ma(q)模型相结合，可以得到一般的自回归移动平均模型arma(p，q)，其表达式为：
[0093][0094]
将自回归移动平均模型arma(p，q)与差分法相结合，即可得到arima(p，d，q)。
[0095]
在arima(p，d，q)模型中，至少包括两种预测方法：(1)连续型多步超前预测；(2)跳跃型多步超前预测。从图2可以看出，两种预测策略的本质区别在于输出目标值的个数不同。对于连续型多步超前预测，输出个数会随着预测步数的增多而增多，如n步预测时，输出个数为n；对于跳跃型多步超前预测，输出值的个数固定为1，与预测步数无关。
[0096]
所述的步骤2中，
[0097]
第一步，通过表达式(6)-(12)建立变分模态分解模型(vmd)，将非线性位移值f分解为k个imf序列和一个残差序列：
[0098][0099]
式中，k为指定模态分解次数，{μk}＝{μ1，μ2，
…
，μk}为各模态函数，{ωk}＝{ω1，ω2，
…
，ωk}为各模态中心频率，δ(t)是狄拉克δ函数，*表示卷积运算。
[0100]
为求解上述公式，现引入增广拉格朗函数将上述约束优化问题等效为一个无约束优化问题，如下所示：
[0101][0102]
式中，λ(t)为加深约束的拉格朗日乘子，α为二次惩罚因子。
[0103]
可通过采用交替方向乘子算法admm来求解该约束问题，其思想可以概括为，固定其中两个变量，更新一个变量。具体过程如下所：
[0104][0105][0106][0107]
运用parseval定理在频域内求解和其中，为迭代约束条件，当满足条件时，停止对和的更新计算。
[0108][0109][0110]
式中，f(ω)、λ(ω)、μi(ω)、分别为f(t)、λ(t)、μi(t)、的傅里叶转换。
[0111]
第二步，通过表达式(13)-(19)建立经验小波变换模型(ewt)，将vmd分解出的残差序列的fourier谱划分成连续的区间，然后在每个区间上构造小波滤波器组进行滤波，最后通过信号重构得到一组调幅调频分量。
[0112]
经验小波是定义在区间λn上的带通滤波组，利用构建littlewood-paley和meyer
小波的思想进行设计。对于n＞0，经验小波函数ψn(ω)和分别由下面两式表示：
[0113][0114][0115]
公式中，β(x)＝x4(35-84x+70x
2-20x3)
[0116]
细节系数由经验小波函数ψn与信号f(t)内积产生，可写成：
[0117][0118]
逼近系数由经验尺度函数与信号f(t)内积产生，可写成：
[0119][0120]
其中，和表示ψn(τ-t)和的共轭复数。ψn(ω)和分别是ψn(t)和的傅里叶变换，傅里叶变换和逆变换分别为f[
·
]和f-1
＝[
·
]。
[0121]
信号f(t)的重构表达式为：
[0122][0123]
经ewt处理，信号f(t)分解得到频率由低到高的调幅调频单分量成分fk(t)(k＝1,2,3
…
)：
[0124][0125][0126]
式中，*表示卷积运算，f0(t)和fk(t)分别表示第0个子信号和第k个子信号。
[0127]
所述步骤3中，通过表达式(20)建立长短期网络记忆模型(lstm)，
[0128][0129]
式中，zf表示遗忘门控(f代表forget)，来控制上一个状态的c
t-1
遗忘与记住的内容。zi表示记忆门控(i代表information)，来控制对输入的x
t
进行选择性记忆。zo表示输出门控(o代表output)，来决定哪些变量作为当前输出值。输出y
t
是通过h
t
最终变化得到。
[0130]
在进行非线性位移预测之前，首先进行触发因素的选择，确定与滑坡变形主要有关的因素，包括历史变形、降雨量和水库水位波动；再采用lstm模型，对非线性位移进行预测。lstm模型参数，如层数和训练时间由多次调试确定，其它参数如lstm的隐藏层节点数由网格搜索法确定。通过adam算法来训练lstm模型，结合网格搜索和随机搜索使用十倍交叉验证来获得最优参数。
[0131]
所述步骤4中，采用滑坡位移多步超前预测组合模型(arima-lstm)计算得到累积位移多步预测结果，其分别采用连续型多步超前预测和跳跃型多步超前预测，并根据预测精度评价指标进行检验，筛选出最佳预测方法；
[0132]
将最佳预测方法的测精度评价指标与其它模型的预测结果进行比较，进行组合模型的验证。
[0133]
本发明的具体实施过程参见图3-图14。
[0134]
以bzm滑坡2007年-2012年的监测位移数据进行模型检验，数据源于国家冰川冻土沙漠科学数据中心，监测数据包括位移、降水量和水库水位数据，如图3所示。
[0135]
基于该实例，arima-lstm具体预测步骤如下所示：
[0136]
(1)arima线性多步预测。2007-2012年采集72个位移数据点，分为两部分：2007-2011年60个位移数据作为训练集，2012年12个数据作为测试集。结合bzm滑坡实例，采用arima对训练集进行拟合实验，确定模型参数p＝2，q＝2，d＝1，对测试集进行线性多步预测。预测时，可采用连续型多步超前预测或跳跃型多步超前预测，连续型多步超前预测的预测结果如图4所示；跳跃型多步超前预测的预测结果如图5所示。
[0137]
从图4可以看出，对于连续型多步超前预测，arima的预测结果在大部分月份可以预测出累积位移的变化趋势，但在部分月份，尤其是强降雨月份，其预测结果与实际位移相差较大。对于跳跃型多步超前预测，arima的预测结果从7月份开始存在明显的滞后现象，且随着预测步数的增多，滞后现象越明显。
[0138]
(2)vmd、ewt进行非线性位移分解。从累积位移中提取出非线性位移后，为了增加预测精度，第一步建立vmd，对非线性位移进行分解，其参数如惩罚因子α＝100，分解层数k＝4、6、8，图6为vmd分解结果；第二步建立ewt，对vmd分解后求出的残差序列进行分解，其参数如分解层数k＝4，分解结果如图7所示。从图6-7中可以看出，经过vmd和ewt的分解，可以显著降低原始序列的复杂程度。
[0139]
(3)通过lstm模型，对非线性位移进行预测。
[0140]
在进行非线性位移预测之前，确定与滑坡变形主要有关的因素，即历史变形、降雨量和水库水位波动，为了提高预测精度，选取当月、前月最大连续降水量、累积降水量、水库水位平均高程，前两个月水库水位平均高程和前月累积位移增量8个变量(i1-i8)作为触发因素，如表1所示，
[0141]
表1 bzm滑坡位移预测的八个触发因素
[0142][0143]
确定lstm模型的参数：包括触发因素的选择、层数和训练时间、隐藏层节点数等；其中如层数和训练时间由多次调试确定，其它参数如lstm的隐藏层节点数由网格搜索法确定。通过adam算法来训练lstm模型，结合网格搜索和随机搜索使用十倍交叉验证来获得最优参数。针对连续型多步超前预测，lstm的预测结果如图8所示；针对跳跃型多步超前预测，lstm的预测结果如图9所示。从图中可以看出，无论是连续型多步超前预测还是跳跃型多步超前预测，lstm的预测精度都随着预测步数的增多逐渐下降。
[0144]
(4)累积位移预测。线性与非线性位移预测结果相加得到累积位移多步预测结果，如图10-图14所示。其预测精度评价指标如表2所示，
[0145]
表2模型预测精度
[0146][0147]
表中，rmse表示均方根误差；mae表示平均绝对误差；mape表示平均绝对百分比误差，三者均为回归评价指标。
[0148]
由图10-图14，及表2可以看出，模型单步超前预测的效果很好，与实际位移相差不多。随着预测步数的增多，模型预测精度不断下降。滑坡位移多步超前预测中，连续型多步超前预测与跳跃型多步超前预测在1-2步预测效果相差不多，可随着预测步数的增多，连续型多步超前预测的预测精度则要明显高于跳跃型多步超前预测，可见连续型多步超前预测更加适合滑坡位移多步超前预测。
[0149]
进行模型评价指标进行对比：将所述的连续型多步超前预测的预测精度评价指标分别与多元elm、多元pso-svm和单元elm对比。如表3所示，
[0150]
表3模型评价指标对比
[0151][0152]
表中，rmse表示均方根误差；r2表示决定系数，二者均为回归评价指标。
[0153]
从表3中可以看出arima-lstm与其它模型的对比情况。结果表明arima-lstm在滑坡位移多步超前预测方面具有良好的性能，在单步超前预测时可以达到很高的预测精度，即便是多步超前预测，其精度也优于大部分预测模型。因此所述的arima-lstm多步超前预测模型具有较强的实用性，可以投入到使用中去，帮助人们预防和减小滑坡带来的损害。
[0154]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式保密的限制，任何未脱离本发明技术方案内容、依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：

1.一种滑坡位移多步超前预测模型的构建方法，其特征在于，包括以下步骤：步骤1：建立差分整合移动平均自回归模型arima(p，d，q)，用于对滑坡位移进行线性多步预测的，并确定滑坡非线性位移；步骤2：建立变分模态分解模型(vmd)和经验小波变换模型(ewt)，用于将滑坡非线性位移分解成若干子序列的；步骤3：建立并训练长短期网络记忆模型(lstm)，用于子序列的多步预测；步骤4：通过步骤1和3构建滑坡位移多步超前预测组合模型(arima-lstm)，并进行组合模型的验证。2.根据权利要求1所述的滑坡位移多步超前预测模型的构建方法，其特征在于，具体包括以下步骤：步骤1中，通过自回归(ar)模型和移动平均(ma)模型，构建自回归移动平均模型arma(p，q)，再将自回归移动平均模型arma(p，q)进行d次差分，建立差分整合移动平均自回归模型arima(p，d，q)；采用差分整合移动平均自回归模型arima(p，d，q)对滑坡位移进行线性多步预测；用累积位移减去线性位移预测结果，从中过滤出滑坡位移非线性部分；步骤2中，采用变分模态分解模型(vmd)将过滤出的非线性位移进行分解，再采用经验小波变换模型(ewt)对vmd分解后求出的残差序列进行分解；步骤3中，结合滑坡位移预测的触发因素，通过长短期网络记忆模型(lstm)对分解出的子序列进行非线性多步预测；步骤4中，采用求和方法构建滑坡位移多步超前预测组合模型(arima-lstm)，将线性和非线性位移多步预测结果相加，实现对滑坡位移的多步超前预测；并将预测结果与其它模型的预测结果进行比较，进行组合模型的验证。3.根据权利要求1或2所述的滑坡位移多步超前预测模型的构建方法，其特征在于，在arima(p，d，q)模型中，至少包括两种预测方法：(1)连续型多步超前预测；(2)跳跃型多步超前预测。4.根据权利要求3所述的滑坡位移多步超前预测模型的构建方法，其特征在于，所述的步骤1中，搜集历年滑坡监测数据构建监测数据库，从监测数据库中采集若干位移数据点，并采集对应的滑坡累计位移，基于差分整合移动平均自回归模型arima(p，d，q)，多步预测累计位移中的线性位移值；用滑坡累计位移减去线性位移，得到滑坡非线性位移值。5.根据权利要求4所述的滑坡位移多步超前预测模型的构建方法，其特征在于，通过表达式(1)建立自回归(ar)模型：通过表达式(3)建立移动平均(ma)模型：将ar(p)模型与ma(q)模型相结合，可以得到一般的自回归移动平均模型arma(p，q)，其
表达式为：将自回归移动平均模型arma(p，q)与差分法相结合，即可得到arima(p，d，q)。6.根据权利要求3所述的滑坡位移多步超前预测模型的构建方法，其特征在于，所述的步骤2中，第一步，建立变分模态分解模型(vmd)，将非线性位移值f分解为k个imf序列和一个残差序列；第二步，建立经验小波变换模型(ewt)，将vmd分解出的残差序列的fourier谱划分成连续的区间，然后在每个区间上构造小波滤波器组进行滤波，最后通过信号重构得到一组调幅调频分量。7.根据权利要求6所述的滑坡位移多步超前预测模型的构建方法，其特征在于，第一步，建立vmd，通过表达式(6)-(7)，将非线性位移值f分解为k个imf序列和一个残差序列：式中，k为指定模态分解次数，{μ
k
}＝{μ1，μ2，
…
，μ
k
}为各模态函数，{ω
k
}＝{ω1，ω2，
…
，ω
k
}为各模态中心频率，δ(t)是狄拉克δ函数，*表示卷积运算；为求解上述公式，现引入增广拉格朗函数将上述约束优化问题等效为一个无约束优化问题，如下所示：式中，λ(t)为加深约束的拉格朗日乘子，α为二次惩罚因子；第二步，建立ewt，通过表达式(13)-(14)在每个区间上构造小波滤波器组进行滤波，再通过表达式(17)-(19)进行信号重构得到一组调幅调频分量’经验小波函数ψ
n
(ω)和分别由下面两式表示：
信号f(t)的重构表达式为：经ewt处理，信号f(t)分解得到频率由低到高的调幅调频单分量成分f
k
(t)(k＝1，2，3
…
)：)：式中，*表示卷积运算，f0(t)和f
k
(t)分别表示第0个子信号和第k个子信号。8.根据权利要求3所述的滑坡位移多步超前预测模型的构建方法，其特征在于，所述步骤3中，通过表达式(20)建立长短期网络记忆模型(lstm)，式中，z
f
表示遗忘门控(f代表forget)，来控制上一个状态的c
t-1
遗忘与记住的内容；z
i
表示记忆门控(i代表information)，来控制对输入的x
t
进行选择性记忆；z
o
表示输出门控(o代表output)，来决定哪些变量作为当前输出值；输出y
t
是通过h
t
最终变化得到。9.根据权利要求8所述的滑坡位移多步超前预测模型的构建方法，其特征在于，在进行非线性位移预测之前，首先进行触发因素的选择，确定与滑坡变形主要有关的因素，包括历史变形、降雨量和水库水位波动；再采用lstm模型，对非线性位移进行预测；lstm模型参数由多次调试确定，其它参数由网格搜索法确定；通过adam算法来训练lstm模型，结合网格搜索和随机搜索使用十倍交叉验证来获得最优参数。10.根据权利要求3所述的滑坡位移多步超前预测模型的构建方法，其特征在于，所述
步骤4中，采用滑坡位移多步超前预测组合模型(arima-lstm)计算得到累积位移多步预测结果，其分别采用连续型多步超前预测和跳跃型多步超前预测，并根据预测精度评价指标进行检验，筛选出最佳预测方法；将最佳预测方法的测精度评价指标与其它模型的预测结果进行比较，进行组合模型的验证。

技术总结

本发明公开了一种滑坡位移多步超前预测模型的构建方法，其分别建立用于对滑坡位移进行线性多步预测的差分整合移动平均自回归模型ARIMA、用于将滑坡非线性位移多步预测的长短期网络记忆模型（LSTM），在用求和方式构建滑坡位移多步超前预测组合模型（ARIMA-LSTM），可实现滑坡累积位移多步超前预测，通过对模型进行验证其得到滑坡累积位移多步超前预测精度均高于现有的检测模型，实用性和推广性高。性高。性高。