[发明专利]一种高陡边坡位移点预测方法

说明书

本发明提出了一种高陡边坡位移点预测方法，涉及人工智能预测算法技术领域，包括：基于GRU深度学习算法和DDAPSO元启发式优化算法，建立DDAPSO‑GRU点预测模型；从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入DDAPSO‑GRU点预测模型进行训练，同时保存训练后的预测模型；从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果；本发明结合DDAPSO‑GRU算法与Mysql技术，通过优化算法对其进行模型的超参数整定，得到最佳预测模型参数，建立可以自适应调整模型参数的组合预测模型，大大的提高了预测精度和泛化能力。

技术领域

本发明涉及人工智能预测算法技术领域，具体而言，涉及一种高陡边坡位移点预测方法。

背景技术

随着我国经济的快速发展，交通运输也随之发展迅猛，在修建铁路、公路等交通运输要道时，不可避免的通过山区的高陡边坡地段，这些地区，地质地形条件复杂、环境恶劣，受到地震、洪水、暴雨及各种外界极端天气、气候的影响，易导致高陡边坡发生滑坡、溜坍、崩塌等重大灾害，对交通运行安全造成极大隐患，对人类生存环境、资源和生命财产等造成了极大的破坏和损失。因此，只有对地质灾害的提前识别和趋势预测，才是避免高陡边坡地质灾害造成损失和伤亡的重要手段之一。随着人工智能算法的发展，越来越多的智能预测算法在边坡位移预测中应用，例如支持向量机回归算法、随机森林算法、梯度提升机算法、循环神经网络算法等，其中GRU门控循环网络因其结构简单、模型收敛速度快、泛化能力好、在处理长时间序列方面具有较大优势等优点，尤其受到广大研究者的欢迎。

然而，包括GRU算法在内，上述算法均为单一预测算法，其内部均存在很多预设参数需要人为调整，耗时耗力、效率低下，且可能寻找不到最佳的模型参数配置，导致利用其算法的方法都具有预测能力差、系统稳定性差和运算速度慢的缺点。

基于此，提出一种高陡边坡位移点预测方法来解决上述问题。

发明内容

本发明的目的在于提供一种高陡边坡位移点预测方法，其能够解决传统传统预测方法预测能力差、精度低、系统稳定性差和运算速度慢的问题。

本发明的技术方案为：

第一方面，本申请提供一种高陡边坡位移点预测方法，其包括以下步骤：

S1、基于GRU深度学习算法和DDAPSO元启发式优化算法，建立DDAPSO-GRU点预测模型；

S2、从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入DDAPSO-GRU点预测模型进行训练，同时保存训练后的预测模型；

S3、从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果。

进一步地，步骤S1中，上述GRU深度学习算法的公式包括：

z_t＝σ(W_z·[h_t-1，x_t])

其中，Z_t表示更新门，σ表示sigmoid激活函数，W_z表示更新门的待训练权重矩阵，h_t-1表示上一时刻的隐状态，x_t表示当前时刻的输入特征，h_t表示当前时刻的隐状态，表示当前时刻的候选隐状态，表示边坡位移序列，W_o表示输出层的待训练权重矩阵，b_o表示偏置项。

进一步地，步骤S1中，上述DDAPSO元启发式优化算法为PSO算法的改进算法，其改进公式如下：