本发明提供一种基于阶段性注意力机制的降雨型滑坡位移预测模型,包括:数据预处理层,用于按时间序列将降雨型滑坡累计位移分解为趋势项、周期项;数据预测层,用于根据邻近点位移预测趋势项,得到趋势项位移预测值;用于根据降雨量预测周期项,得到周期项位移预测值;还用于将趋势项位移预测值、周期项位移预测值合并,得到监测点位的累计位移预测值;模型验证层,用于根据累计位移预测值、位移测量值的差值,对预测模型的参数进行优化;还提供了一种使用预测模型对降雨型滑坡位移进行预测的方法。本发明可以解决以解决现有技术中存在的LSTM滑坡位移预测模型对降雨型滑坡的预测精度不够高,长时间序列预测可靠性不稳定的技术问题。
1.一种基于阶段性注意力机制的降雨型滑坡位移预测模型,其特征在于,包括:数据预处理层、数据预测层、模型验证层;所述数据预处理层用于按时间序列将降雨型滑坡累计位移分解为趋势项、周期项;所述数据预测层用于根据邻近点位移预测趋势项,得到趋势项位移预测值;用于根据降雨量预测周期项,得到周期项位移预测值;还用于将所述趋势项位移预测值、周期项位移预测值合并,得到监测点位的累计位移预测值;根据降雨量预测周期项时,采用基于阶段性注意力机制的双向长短时记忆神经网络对周期项进行预测;所述基于阶段性注意力机制的双向长短时记忆神经网络使用双向长短时记忆神经网络作为编码器、使用长短时记忆神经网络作为解码器,在编码器和解码器中引入阶段性注意力机制;注意力机制层在t时刻处理过程满足如下公式:在上述公式中:score为衡量t-1时刻预测值对t时刻的隐藏层输出重要程度的函数;为Bi-LSTM在时刻t的隐藏状态输出向量;yt-1∈Rn为模型在时刻t-1的输出值yt-1进行广播机制后得到的向量,模型训练提供初始条件y0,y0即滑坡位移的初始值;Ws∈Rn×2n、WT∈Rn×n为注意力机制层训练权重矩阵;bs∈Rn为偏置向量;αt为注意力得分权重矩阵;v为注意力机制层输出特征向量;所述模型验证层用于根据累计位移预测值、位移测量值的差值,对预测模型的参数进行优化。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311344.html,转载请声明来源钻瓜专利网。