(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111599402.4 (22)申请日 2021.12.24 (71)申请人 贵州大学 地址 550025 贵州省贵阳市花溪区贵州大 学土木工程学院 (72)发明人 王宏　邵鹏　龙光裕　廖建兴　 徐斌　胡克　 (74)专利代理 机构 重庆为信知识产权代理事务 所(普通合伙) 50216 代理人 郑鲲熙 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/00(2022.01) G06N 3/04(2006.01) G06Q 10/04(2012.01)G06Q 50/26(2012.01) (54)发明名称 基于多种算法组合的滑坡位移预测方法 (57)摘要 本发明公开了一种基于多种算法组合的滑 坡位移预测方法， 包括以下步骤： 步骤一： 对滑坡 累计位移Yt进行数据采集； 步骤二： 基于DES计算 模型， 预测累计位移Yt中的趋势位移分量Tt； 步 骤三： 从累计位移Yt中减去DES计算模型预测的 趋势位移分量Tt， 得到周期位移Pt， 用VMD方法将 周期位移Pt分解为K个IMF分量和一个噪声分量； 步骤四： 建立LSTM模型预测各IMF分量和噪声分 量， 并通过最大信息系数MIC筛选LSTM模型的输 入特征； 步骤五： 将IM F分量和噪声分量的预测结 果相加， 得到周期位移Pt的预测结果， 然后将预 测结果与趋势位移分量Tt相加， 得到总位移的预 测结果。 本发明采用双指数平滑法、 变分模态分 解法和长短期记忆网络法组合对滑坡位移实现 精确预测。 权利要求书3页 说明书12页 附图8页 CN 114239418 A 2022.03.25 CN 114239418 A 1.一种基于多种算法组合的滑坡位移预测方法， 其特 征在于， 包括以下步骤： 步骤一： 对滑坡累计位移Yt进行数据采集； 步骤二： 基于DES计算模型， 预测累计位移Yt中的趋势位移分量Tt； 步骤三： 从累计位移Yt中减去DES计算模型预测的趋势位移分量Tt， 得到周期位移Pt， 然 后用VMD模态分解和信号处 理方法将周期位移Pt分解为K个IMF分量和一个噪声分量； 步骤四： 建立LSTM模型预测各IMF分量和噪声分量， 并通过最大信息系数MIC筛选LSTM 模型的输入特 征； 步骤五： 将所有 IMF分量和噪声分量的预测结果相加， 得到周期位移Pt的预测结果， 然后 将预测结果与趋势位移分量Tt相加， 得到总位移的预测结果。 2.根据权利要求1所述的基于多种算法组合的滑坡位移预测方法， 其特征在于： 所述步 骤二中， DES计算模型通过公式(1)预测累计位移Yt中的趋势位移分量Tt； 公式(1)中， St表示时间序列t的稳定分量； bt表示时间序列t的趋势分量； Yt是时间t的 观测值； α 和β 是区间[1， 0]内的平 滑参数； Tt+m是时间t+m的预测值， 其中m＝1。 3.根据权利要求1所述的基于多种算法组合的滑坡位移预测方法， 其特征在于： 所述步 骤三中， VMD模态分解和信号处理方法通过公式(2) ‑公式(6)将周期位移Pt分解为K个IMF分 量和一个噪声分量； 其中， K是指定模态分解的数量， {uk}＝{u1， u2，…， uK}和{wK}＝{w1， w2，…， wK}是分解后 的K模态分量 IMF及其相应的中心频率， δ(t)是 狄拉克δ 函数； 为求解公式(2)， 引入拉格朗日乘法算子λ， 将约束变分问题转化为无约束变分问题， 增 广拉格朗日表达式如下： 其中， α 为二次惩罚因子， 采用交替方向乘子迭代算法， 结合Parseval/Plancherel和傅 里叶等距离变换， 通过交替优化迭代得到uk、 wk和 λ； 表达方式如下：权　利　要　求　书 1/3 页 2 CN 114239418 A 2公式(6)中， γ为噪声容限， 和 分别对应于 ui (t)， Y(t)和 λ(t)的傅里叶变换。 4.根据权利要求1所述的基于多种算法组合的滑坡位移预测方法， 其特征在于： 所述步 骤四中： 通过最大信息系数MIC筛选LSTM模型的输入特征包括： MIC通过相互信息MI和网格划分 方法计算两个随机变量之间的关联程度； 假设有两个随机变量A＝[ai， i＝1， 2， …， n]和B＝ [bi， i＝1， 2，…， n]， 其中样本数为 n； 则A和B之间的MIC计算如下： (1)取出A和B的数据形成数据集D＝[(ai， bi)， i＝1， 2， …， n]， 并按顺序对数据集D进行 排序； (2)将数据集D映射到二维平面； 然后， 将A划 分为x部分， 将B划 分为y部分， 形成网格G； 得到数据集D的分布D|G； (3)对于D|G相应的MI， 即I(D|G)由公式(7)计算， 其中PAB(a， b)是A和B的联合概率分布； PA(a)和PB(b)分别是A和B的边际概 率分布； (4)找出所有分区情况下MIC的最大值maxI(D|G)， 让I′(D， x， y)＝maxI(D|G)， 并按如下 公式(8)进行 标准化： 根据M(D)xy， 随机变量A和B的MIC可获得如下： MIC(D)＝max{M(D)xy}    (9)； 当MIC(D)＝0时， 表示随机变量A和B不相互依赖； 相反， 当MIC(D)值接近1时， 表示这两 个随机变量之间存在很强的线性或非线性相关性。 5.根据权利要求1所述的基于多种算法组合的滑坡位移预测方法， 其特征在于： 所述步 骤四中： 所述 LSTM模型采用公式(10) ‑公式(13)预测各IMF分量和噪声分量；权　利　要　求　书 2/3 页 3 CN 114239418 A 3