[发明专利]基于波动项、趋势项分解的滑坡位移预测方法

权利要求书

1.一种基于波动项、趋势项分解的滑坡位移预测方法，其特征在于，包括以下步骤：

S1：根据滑坡位移监测区域的实际情况确定N个滑坡位移影响因素，然后周期性地采集T个历史时刻时每个滑坡影响因素的监测值F_n(t)和每个历史时刻相对于起始时刻的累计滑坡位移X(t)，其中，n＝1,2,…,N，t＝1,2,…,T；

S2：对T个历史时刻的累计滑坡位移X(t)所构成的数据序列进行经验模态分解，记分解结果为其中，IMF_k(t)表示分解得到的第k个模态分量，k＝1,2,…,K，K表示模态分量数量，R(t)表示残余分量。然后分析得到K个模态分量IMF_k(t)和残余分量R(t)的波动程度，将波动程度小于预设阈值的分量作为趋势项求和得到趋势项位移C(t)，将累计滑坡位移X(t)减去趋势项位移C(t)得到波动项位移W(t)；

S3：设置时间偏差值D，将N个滑坡位移影响因素的D+1个监测值F_n(t-d)和D个波动项位移W(t-d′)作为备选波动项影响因子，其中d＝0,1,…,D，d′＝1,2,…,D，然后分别对(N+2)D个备选波动项影响因子和波动项位移W(t)进行关联度分析，选择关联度大于预设阈值的备选波动项影响因子作为波动项影响因子，记波动项影响因子的数量为K；

S4：对于每个波动项位移W(t)，将其对应的波动项影响因子的值作为训练样本中的输入，将该波动项位移W(t)作为训练样本的输出，从而得到波动项训练样本；

S5：根据实际需要构建波动项预测模型，采用步骤S4得到的波动项训练样本对其进行训练，得到训练好的波动项预测模型；

S6：设置时间偏差值R，将前R个时刻的趋势项位移C(t-r)作为趋势项位移C(t)的影响因子；对于每个趋势项位移C(t)，将其对应的前R个时刻的趋势项位移C(t-r)作为训练样本中的输入，将该趋势项位移C(t)作为训练样本的输出，从而得到趋势项训练样本；

S7：根据实际需要构建趋势项预测模型，采用步骤S6得到的趋势项训练样本对其进行训练，得到训练好的趋势项预测模型；

S8：当需要对滑坡位移监测区域在时刻T′的累计滑动位移进行预测时，采集得到时刻T′对应的K个波动项影响因子的值，输入训练好的波动项预测模型得到波动项位移预测值W(T′)，然后将时刻T′对应的前R个时刻的趋势项位移C(T′-r)输入训练好的趋势项预测模型得到趋势项位移预测值C(T′)，最后计算得到时刻T′的累计滑动位移X(T′)＝W(T′)+C(T′)。

2.根据权利要求1所述的滑坡位移预测方法，其特征在于，所述步骤S2中经验模态分解采用CEEMDAN算法。

3.根据权利要求1所述的滑坡位移预测方法，其特征在于，所述步骤S3中关联度分析采用灰色关联度分析。

4.根据权利要求1所述的滑坡位移预测方法，其特征在于，所述步骤S5的波动项预测模型和步骤S7中的趋势项预测模型采用支持向量回归机模型。

5.根据权利要求3所述的滑坡位移预测方法，其特征在于，所述支持向量回归机模型中的核函数为径向基函数。

6.根据权利要求3所述的滑坡位移预测方法，其特征在于，所述支持向量回归机模型中的惩罚因子C、核函数参数g和不敏感参数ε采用灰狼算法进行寻优。