[发明专利]基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法

说明书

本发明公开了一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，将影响滑坡体位移的参数视为输入变量，主要包括降水量、沉降量、深部位移量以及裂隙，将所述数据输入到梯度增强多元回归模型进行滑坡表面位移量预测，利用多个弱学习器对监测数据进行多轮训练，拟合先前累加模型的损失函数的负梯度，使加上该弱学习器后的累积模型损失往负梯度的方向减少，提高预测精度，并且与贝叶斯岭回归模型、弹性网络回归模型和支持向量机回归模型进行对比，对梯度增强模型的优越性提供依据。本发明将各种不同的数据信息进行综合，解决滑坡预测过程中传统模型存在的考虑影响因素单一、长期预测精度低等问题。

技术领域

本发明属于滑坡位移量预测领域，具体设计一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法。

背景技术

滑坡是坡体因多种因素耦合下而发生的形变，最终被某些诱发因素(如强降雨、地下水活动等)引发失稳产生了滑动的一种地质现象。滑坡位移量主要指山体由于地质活动发生滑动而产生的位移。近年来对滑坡变形的预测一直是地质学者们研究的重点，为提高预测结果的准确性，自1960年以来，各专家学者们相继提出各种预测预报方法。其中滑坡位移预测常用的数学模型有回归模型、灰色预测模型、神经网络等。赵晓萌等比较特征聚合决策树、决策树、朴素贝叶斯和逻辑回归预测模型，得出特征聚合决策树预测模型对降雨型滑坡灾害有更高的预测准确率；袁乾博、L.Z.Wu、S.H.Li等提出基于灰色预测模型对滑坡变形预测算法进行了进一步研究，提高了基于时间序列分析的滑坡变形预测模型的精度及实用性；宋丽伟、杨背背等利用长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测，其结果具有较高的预测精度；张鹏等通过小波变换修正了自回归滑动平均(ARMA)模型误差，预测了某堤坝短时间内水平位移。杨帆、许强等用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测，该方法提高了滑坡位移预测的精度。综上所述，虽然滑坡预测模型研究已取得了一定进展，但是仍存在预测模型参数单一、长期预测精度不足等问题，而梯度增强回归模型还未曾应用到滑坡位移预测中。该模型更多的用在金融领域和医学领域等，在预测滑坡领域主要应用于滑坡易发生性评价，但在时空变化领域对滑坡位移进行预测还未曾应用，特别是在基于梯度增强多元回归模型利用多因子预测滑坡位移这方面研究较少。

发明内容

发明目的：针对以上问题，本发明提出了一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法。该方法基于北斗监测数据降水量、沉降量、深部位移量以及裂隙，首先对获取的数据进行预处理，包括数据清洗、数据集成、数据规约、数据变换；其次利用皮尔逊相关系数分析，分析上述监测数据与滑坡表面位移量之间的关系；接着基于相关因子，利用机器学习模型对滑坡表面位移进行预测，本发明对比了四种模型的预测精度，包括贝叶斯岭回归模型、弹性网络回归模型、支持向量机回归模型和梯度增强多元回归模型；最后对预测精度分析，从而形成完整的高精度模型预测表面位移的一套流程。

技术方案：本发明所述的基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，具体包括以下步骤：

(1)整合m组不同滑坡体区域附近的监测数据，获取每组监测数据的自身参数信息及滑坡表面位移量，并对监测数据进行预处理；

(2)考虑不同变量的影响，不断改变影响因子个数作为自变量，计算不同影响因子个数下贝叶斯岭回归模型、弹性网络回归模型、支持向量机回归模型及梯度增强多元回归模型四种模型的方差、平均绝对误差和均方差，从而确定各模型性能；

(3)将步骤(1)所述监测数据作为训练集导入给梯度增强多元回归算法，并初始化梯度增强多元回归模型，建立初始弱学习器，通过不断迭代到梯度增强多元回归模型进行训练，进行滑坡表面位移量预测；

(4)根据上述对比结果，确定梯度增强多元回归模型精度最高，利用梯度增强多元回归模型进行结果预测，得到最终的滑坡表面位移量预测。

进一步地，步骤(1)所述监测数据包括表面位移量、降水量、沉降量、深部位移量以及裂隙。