[发明专利]基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法

说明书

本发明公开了基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法：步1：收集数据；步2：初始LSTM模型并设计解向量结构；步3：设定参数；步4：初始化种群，计算个体适应度并划分拓扑；步5，计算快速收敛拓扑个体的拉马克因子，更新快速收敛拓扑；步6，更新个体的速度及位置；步7，计算个体适应度并更新最优个体；步8，快速收敛拓扑收敛进入步骤10，否则进入步9；步9，替换得最优解；步10，协同拓扑都收敛则替换个体，否则执行骤11；步11，1个协同拓扑收敛则交换个体；步12，满足结束条件返回步5；否则进入步13；步13，输出最终LSTM模型并预测。本发明克服了易于陷入局部最优的问题，通过MHCHPSO优化LSTM结构使其更适应滑坡数据，提高滑坡预测精度。

技术领域

本发明属于滑坡治理技术领域，尤其涉及一种基于多拓扑分级协同粒子群LSTM(Multi-topology hierarchical collaborative hybrid particle swarm optimizerforlong-short term memory，MHCHPSO-LSTM)模型的滑坡位移预测方法。

背景技术

粒子群-长短时记忆网络(PSO-LSTM)模型是一种组合优化预测模型。其中，粒子群(particle swarm optimization，PSO)算法是一种全局优化算法。由于PSO能够在不可导、不连续、甚至不存在目标函数的黑箱问题上寻优，以及实现简单等优势，其被广泛的应用于各种实际工程问题中。LSTM(Long-ShortTerm Memory)神经网络是循环神经网络(Recurrent Neural Network,RNN)的一种。由于其内部的LSTM单元包含输入门、输出门、遗忘门，具有高效处理具有顺序关系的序列数据，以及有效计算序列前后的关联性能力。因此，其在自然语言处理和时间序列预测上有较大的优势。PSO-LSTM模型通常利用粒子群算法的全局优化能力参与神经网络训练过程中的特征选择以及神经网络模型超参数选择两个步骤。具体而言，该模型首先利用粒子群算法的全局搜索能力分析所有备选特征并在全局空间上优化备选特征，减少冗余、非必要特征以及对预测结果无关的特征，从而到达减少模型计算量、减少非必要特征干扰、提高模型精度的目的。其次，利用粒子群算法的快速收敛能力对LSTM模型的网络结构进一步的优化，从而提升LSTM模型对具体预测模型的适应能力。

然而，滑坡位移预测问题天生拥有特征维数高、数据信息冗余度高、特征非线性等客观问题。而外部环境因素(降雨、地震、人类活动等)和设备因素(检测设备损毁、检测设备精度不足等)造成的信息不确定、模糊、高噪声等问题更进一步加剧了滑坡位移预测的复杂性。这些问题致使粒子群算法容易陷入局部最优，导致LSTM网络结构不能适应实际滑坡问题，进一步导致PSO-LSTM模型预测精度不高。

综上所述，现存的问题是：由于滑坡位移预测天然存在的一些问题，造成了特征数据抽象、模糊、非线性、高噪声等问题，这些问题共同造成了PSO-LSTM模型不适配，预测精度难以提高。

发明内容

针对现有技术存在的问题，本发明的目的是提供一种基于多拓扑分级协同粒子群LSTM的滑坡位移预测方法，具体包括如下步骤：

步骤1：收集滑坡位移数据并对数进行预处理；

步骤2：建立初始LSTM网络模型，并设计解向量结构；

步骤3：设定参数；

步骤4：根据解向量结构初始化种群，计算个体适应度并划分拓扑；

步骤5，计算快速收敛拓扑中每个个体的拉马克因子，并利用得到的拉马克因子更新快速收敛拓扑，得到更新后的快速收敛拓扑；

步骤6，根据拓扑更新公式更新各拓扑中所有个体的速度及位置；

步骤7，计算所有拓扑中的个体适应度，并更新各拓扑的最优个体；

步骤8，判断快速收敛拓扑已收敛，若未收敛则进入步骤9；否则进入步骤10；