基于长短时记忆与多影响因子的滑坡位移动态预测

发布时间：2021-10-27 04:07

　　针对传统滑坡位移预测模型存在对历史数据遗忘的问题,提出了一种基于长短时记忆（long short time memory,LSTM）网络的滑坡位移动态预测模型。首先,将滑坡累计位移分解为趋势项位移与波动项位移,利用多项式拟合预测趋势项位移;然后,通过灰色关联度筛选外界诱发因子并运用LSTM模型预测波动项位移;最后,叠加周期项位移与波动项位移,得到累计位移。以新滩滑坡为例,并与（recurrent neural network,RNN）模型以及传统静态神经网络模型BP、ELM进行对比分析,采用平均百分比误差（MAPE）,均方根误差（RMSE）,拟合优度（R²）分别对其进行评价。应用结果表明:相比于传统静态模型,LSTM与RNN均适用于滑坡位移动态预测;对比结果显示,LSTM模型具有较好的预测精度,MAPE与RMSE分别为1.026%、0.327 mm,拟合优度R²为0.978。 

【文章来源】：科学技术与工程. 2020,20(33)北大核心

【文章页数】：9 页

【部分图文】：

技术路线图

1.2.1 RNN基本原理图2为RNN结构图。图2中,该网络分为3层:输入层、隐藏层、输出层[11]。其中x为输入层的向量,s为隐藏层的向量[12],o为输出层的向量。输入层与隐含层之间的U为连接输入层到隐含层的权重矩阵;W为隐藏层的权重矩阵;V为隐藏层到输出层的权重矩阵[13]。

传统RNN,每个重复的模块里都有一个简单tanh层。LSTM属于一种特殊的RNN,两者差异在于每个模块中的结构不相同,LSTM拥有4个网络层,以一种特殊方式相互连接。如图3所示为RNN与LSTM结构对比。由图3可以看出,LSTM网络结构在RNN原有的基础上增加了单元状态c,并引入“门”,其目的是解决RNN网络中的梯度爆炸和梯度消失问题。LSTM的主要结结构算法:

【参考文献】：
期刊论文
[1]基于改进KPCA与混合核函数LSSVR的泥石流预测[J]. 李丽敏,程少康,温宗周,萧明伟,徐根祺,张顺锋.  信息与控制. 2019(05)
[2]基于主控因子分析与GM-IAGA-WNN联合模型的平推式滑坡位移预测研究——以垮梁子滑坡为例[J]. 黄健,李桥,巨能攀,许强,王昌明.  工程地质学报. 2019(04)
[3]基于CEEMDAN理论和PSO-ELM模型的滑坡位移预测[J]. 檀梦皎,殷坤龙,郭子正,张俞,杨永刚,赵海燕,张怡悦.  地质科技情报. 2019(06)
[4]基于LS-SVM模型的白水河滑坡台阶状位移预测[J]. 李仕波,李德营,张玉恩,李杰.  长江科学院院报. 2019(04)
[5]基于LSTM-RNN的质子交换膜燃料电池故障检测方法[J]. 王森,雷卫军,刘健,张伯林.  电子技术与软件工程. 2019(04)
[6]基于LSTM算法在新闻分类中的应用[J]. 朱肖颖,赖绍辉,陆科达.  梧州学院学报. 2018(06)
[7]基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测[J]. 徐峰,范春菊,徐勋建,李丽,倪佳筠.  上海交通大学学报. 2018(10)
[8]基于时间序列与长短时记忆网络的滑坡位移动态预测模型[J]. 杨背背,殷坤龙,杜娟.  岩石力学与工程学报. 2018(10)
[9]基于深度学习的网站权威性预测[J]. 杨海华,冯仰德,王珏,聂宁明,刘芳,张博尧.  计算机系统应用. 2018(08)
[10]考虑诱发因素影响滞后性的库岸滑坡位移预测[J]. 陈亮青,邹宗兴,苑谊,王艳昆.  人民长江. 2018(10)



本文编号：3460839