[发明专利]一种基于分数阶算子Verhulst模型的滑坡变形预测方法

说明书

本发明提供了一种基于分数阶算子Verhulst模型的滑坡变形预测方法，包括收集滑坡原始位移数据，对原始位移数据序列进行累加处理，突出数据的规律性的步骤，以及建立Verhulst预测模型和使用天牛须搜索算法，求解得出Verhulst预测模型的最优分数阶数。本发明针对山体的位移时间序列提出了一种基于分数阶算子Verhulst模型的预测方法，通过将分数阶算子对原始序列进行累加处理，选用天牛须搜索算法在0到1阶之间得到拟合原始最优阶数，精准调节累加算子之间的数量级，将拟合平均相对误差降到最低，有效的提高了模型的精度。本发明的模型具有更好的拟合效果以及预测精度，能够有效地总结出山体滑坡的位移变化规律，对山体滑坡灾害预测具有一定的应用价值。

技术领域

本发明涉及地质灾害监测领域，具体为一种基于分数阶算子Verhulst 模型的滑坡变形预测方法。

背景技术

近年来，我国灾难性地质灾害事件仍接连不断发生。在新闻报道中， 2020年全国共发生地质灾害7840起，较2019年增长26.84％，其中滑坡 占4810起，占地质灾害总数的61.35％，位居首位。滑坡灾害所带来的严 重损失，不仅体现在人民群众的人身和财产安全，还体现在对国家经济的 发展起到一定的阻力。尤其是交通要塞、工业建设区和人口活动的地区， 一旦发生山体滑坡，对工业、农业以及人民的生命和财产是巨大的损失， 有时更加是毁灭性打击。因此，对山体滑坡变形位移的监测，并准确预测 其未来的变形趋势，具有重大的研究意义。

近五十年来，GPS监测位移的方法在山体滑坡监测领域实现了大规模覆盖，该方法对滑坡地表的三维连续位移进行监测，精度较高。因此，GPS 采集到的滑坡变形位移时间序列给滑坡预警提供了基础数据，建立滑坡预测模型，最终预测滑坡发生时间。目前，通过滑坡位移进行预测的方法主要分为机器学习的方法和传统数学建模的方法。如韩斐等在《基于变分模态分解和深度置信神经网络模型的滑坡位移预测》中提出变分模态分解和深度置信神经网络模型的方法，对三峡库区白家包滑坡的位移进行预测；江南等在《基于诱发因素响应与DE－SVM模型的滑坡位移预测》中利用优化后的差分进化-支持向量机模型对滑坡位移进行预测，为非线性方法提供了新的想法；Jiang Hongwei等在《结合LSTM和SVR算法的滑坡位移预测：以三峡库区升鸡堡滑坡为例》中结合LSTM神经网络和SVR算法，对滑坡位移周期项进行预测。虽然机器学习的方法非线性拟合的效果更好，但是需要大量数据作为训练集，而现有的滑坡数据量很少，迫切需要加以改进。

发明内容

为解决上述问题，本发明提供了一种基于分数阶算子Verhulst模型的滑坡变形预测方法。本发明针对山体的位移时间序列提出了一种基于分数阶算子Verhulst模型的预测方法，通过将分数阶算子对原始序列进行累加处理，选用天牛须搜索算法在0到1阶之间得到拟合原始最优阶数，精准调节累加算子之间的数量级，将拟合平均相对误差降到最低，有效的提高了模型的精度。相比于传统的灰色预测模型，该模型具有更好的拟合效果以及预测精度，能够有效地总结出山体滑坡的位移变化规律，对山体滑坡灾害预测具有一定的应用价值。

为实现所述技术目的，本发明的技术方案是：一种基于分数阶算子 Verhulst模型的滑坡变形预测方法，包括以下步骤：S1、收集滑坡原始位移数据，对原始位移数据序列进行累加处理，突出数据的规律性；S2、利用步骤S1中的数据，建立Verhulst预测模型；S3、使用天牛须搜索算法，求解得出所述步骤S2中Verhulst预测模型的最优分数阶数。

进一步，所述步骤S1中收集滑坡原始位移数据的方法为通过GPS对滑坡地表的三维连续位移进行采集。

进一步，所述步骤S2中的Verhulst预测模型可表示为：

x^(r-1)(k)+az^(r)(k)＝b(z^(r)(k))²

其中a，b为模型参数，X^(r-1)为滑坡位移原始数据序列的r-1阶累加生成序列：