[发明专利]基于直觉模糊密母PSO-LSTM的滑坡位移预测方法

说明书

本发明公开了一种基于直觉模糊密母PSO‑LSTM模型的滑坡位移预测方法：第1步：建立初始LSTM模型；第2步：初始化子种群；第3步：探索子种群聚集度到达阈值时执行碰撞反弹算子，否则执行第4步；第4步：更新探索子种群，计算适应度并更新最优解；第5步：计算开发子种群中粒子的拉马克因子；第6步：更新粒子速度和位置，计算粒子适应度并更新最优解；第7步：判断开发子种群是否收敛，若收敛则选出最优目标区域；第8步：不满足结束条件则返回第3步；第9步：将最优解解释为LSTM；用训练样本训练LSTM模型。本发明通过启发式优化算法结合直觉模糊集，优化LSTM预测模型并使其更适合滑坡预测问题，提高了预测模型在活泼问题上的预测精度。

技术领域

本发明属于滑坡治理技术领域，具体涉及一种基于直觉模糊密母PSO-LSTM模型的滑坡位移预测方法。

背景技术

目前，滑坡治理技术中滑坡位移预测方法很多，循环神经网络(RecurrentNeuralNetwork，RNN)是其中一种，这种方法中，长短时记忆神经网络(Long Short-termMemory Networks，LSTM)是一种常用且具有的良好时间序列预测能力的深度学习模型。RNN通过与序列上的前一单元进行关联，使得上一单元能够影响到本单元的计算，因此其可以高效有序的处理序列信息。而LSTM则是在RNN的基础上进一步改进，通过增加遗忘门、输入门、输出门，有效避免RNN存在的短期依赖问题、长期依赖问题，使之更加适合对时间序列进行处理。因此LSTM具有拟合能力强、容错性好、泛化能力强、对问题的特征提取能力好等优势，在样本数充足的情况下能够得到相当高的预测准确度。

然而，滑坡位移预测中存在以下客观问题：滑坡数据的采集通常容易受到环境自身因素(地下水位、降雨量、人类活动、地震)、设备因素(设备精度、设备损坏)等客观因素的影响，导致所采集到的样本数据中常常存在大规模、非线性、信息冗余度高、模糊、不确定、高噪声的问题，这些问题大大影响了LSTM在该问题上的直接应用能力。

综上，现有的滑坡位移预测技术因数据特征高维、模糊、抽象、不确定等因素所造成的人工设计的预测模型不匹配、精度难以提高的问题。

发明内容

针对现有技术中存在的问题，本发明的目的是提供一种基于直觉模糊密母PSO-LSTM模型的滑坡位移预测方法。为了实现上述目的，本发明给出如下技术方案予以解决：

一种基于直觉模糊密母PSO-LSTM模型的滑坡位移预测方法，包括如下步骤：

第1步：收集造成滑坡位移的特征数据并清洗数据，构成训练样本和测试样本，建立初始LSTM模型，为IFMHDPSO算法设定参数；

第2步：初始化探索子种群和开发子种群，并计算各子种群中每个粒子的适应度；

第3步：若探索子种群聚集度到达阈值时执行碰撞反弹算子，否则执行第4步；

第4步：更新探索子种群位置和速度，计算适应度并更新历史最优解；

第5步：计算开发子种群中每个粒子的拉马克因子；

第6步：更新开发子种群粒子的速度和位置，计算开发子种群中每个粒子的适应度，并更新历史最优解；

第7步：判断开发子种群是否收敛，若收敛则通过直觉模糊决策从当前的探索子种群中选出最优目标区域，否则执行第8步；

第8步：判断是否满足迭代结束条件，若不满足则迭代次数加1，返回第3步，若满足则进入第9步；

第9步：将搜索得到的最优解解释为LSTM；用训练样本训练该LSTM模型，得到最终预测模型。

进一步的，所述第1步中：