一种基于WTRSSVR相结合的滑坡位移预测方法.pdf

本发明提供了一种基于WT-RS-SVR相结合的滑坡位移预测方法。该方法针对滑坡位移的影响因素和位移过程极其复杂的特点，依据实测滑坡位移监测数据，利用小波变换将典型监测点的累计位移分解为趋势项位移和周期项位移，通过曲线拟合获得趋势项位移预测函数，利用粗糙集算法进行滑坡位移影响因子的筛选，将挑选出来的因子集作为支持向量回归机的输入因子集，从而建立由WT、RS、SVR相结合的滑坡位移优化预测模型，并对预测结果的精度进行分析与评价。该滑坡位移预测方法的预测结果能够很好地体现滑坡位移的发展变化趋势，具有很强的预测能力，是一种精确、有效、实用的滑坡位移预测方法。

1.  一种基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于包括以下步骤：
(1)、小波分解：收集目标滑坡体的位移监测数据，选择其中具有代表性、典型性的位移监测点，根据其数据绘制出位移-时间变化曲线，以位移监测数据为基础，应用小波变换函数将位移-时间变化曲线分解为趋势项位移曲线和周期项位移曲线；
(2)、趋势项位移预测：根据小波分解后得到的各个趋势项位移曲线的特点，选择多项式曲线或S曲线对趋势项位移进行拟合，采用最小二乘拟合法确定拟合曲线的系数之后，通过对拟合曲线拟合趋势项位移的效果进行比较与分析，选择拟合效果最好的拟合曲线作为趋势项位移的预测函数，即建立趋势项位移预测模型；
(3)、周期项位移预测：采用粗糙集算法从位移监测数据中筛选出滑坡位移影响因子集，将得到的因子集作为支持向量回归机的输入因子集，通过支持向量回归机对周期项位移曲线进行预测，构建周期项位移预测模型，对各项滑坡位移周期项分解值分别进行预测；
(4)、位移叠加及预测精度评价：将趋势项位移预测模型和周期项位移预测模型中预测的趋势项位移值和周期项位移值叠加，得到其总的位移预测结果，并求得位移预测结果的均方差和相关系数，对滑坡位移量与其影响因素之间的复杂响应关系的预测能力进行评价，并对预测结果的精度进行分析与评价。

2.  根据权利要求1所述的基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于：在步骤(1)之前，需要收集目标滑坡体所处位置的全部相关的诱发因素，进行滑坡特征分析，找出影响滑坡位移的所有因素，上述诱发因素包括地形地貌、地层岩性、地质构造、水文地质状况，以及气候、降雨和人类工程活动。

3.  根据权利要求1所述的基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于：在位移监测数据选取一部分数据作为后续测试样本，对步骤(4)中得到的位移预测结果的精度进行测试。

4.  根据权利要求1所述的基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于：步骤(3)中所述的周期项位移预测具体包括如下步骤：
a、首先对约简后的因子集和对应的滑坡累计位移周期项分解值进行异常点剔除等预处理，然后将其归一化到-1与1之间，消除不同量纲对预测结果的影响；
b、将每一部分的滑坡累计位移周期项分解数据再分成两部分，即将前面一部分监测数据作为模型训练样本，将后面一部分的监测数据作为模型测试样本；
c、使用训练样本和由粗糙集提取出的因子集建立滑坡累积位移周期项分解值与影响因子之间的SVR模型；
d、利用所建立的模型对检验样本进行预测。

一种基于WT-RS-SVR相结合的滑坡位移预测方法
技术领域
本发明提供了一种基于小波变换、粗糙集和支持向量回归机相结合的滑坡位移预测新方法，属于环境保护领域。
背景技术
滑坡是一种严重的地质灾害，其变形演化过程受到滑坡控制因素和影响因素的共同作用。在变形演化的过程中，滑坡变形位移会在内外在因素的影响下呈现出与之对应的阶梯状变化特征。在实际的滑坡预测预报中，直接根据滑坡累计位移曲线来分析和预测滑坡变形，很容易对滑坡做出错误判断。因此，本领域急需要提供一种按照不同的影响因素将滑坡位移分解为不同部分，并采用综合的复合模型来进行滑坡位移预测的方法，该方法是处理滑坡变形曲线的有效手段，然而本领域中目前并没有此类方法s。
发明内容
本发明提供了一种基于小波变换、粗糙集算法和支持向量回归机相结合的滑坡位移预新方法，该方法基于先进滑坡监测数据处理与分析理论，预测结果精确、可靠，且便于利用计算机程序进行计算，具备很好的实用价值，能够提高滑坡位移预测结果的精确性和可靠性。
实现本发明上述目的所采用的技术方案为：
一种基于WT-RS-SVR相结合的滑坡位移预测方法，包括以下步骤：
(1)、小波分解：收集目标滑坡体的位移监测数据，选择其中具有代表性、典型性的位移监测点，根据其数据绘制出位移-时间变化曲线，以位移监测数据为基础，应用小波变换函数将位移-时间变化曲线分解为趋势项位移曲线和周期项位移曲线；
(2)、趋势项位移预测：根据小波分解后得到的各个趋势项位移曲线的特点，选择多项式曲线或S曲线对趋势项位移进行拟合，采用最小二乘拟合法确定拟合曲线的系数之后，通过对拟合曲线拟合趋势项位移的效果进行比较与分析，选择拟合效果最好的拟合曲线作为趋势项位移的预测函数，即建立趋势项位移预测模型；
(3)、周期项位移预测：采用粗糙集算法从位移监测数据中筛选出滑坡位移影响因子集，将得到的因子集作为支持向量回归机的输入因子集，通过支持向量回归机对周期项位移曲线进行预测，构建周期项位移预测模型，对各项滑坡位移周期项分解值分别进行预测；
(4)、位移叠加及预测精度评价：将趋势项位移预测模型和周期项位移预测模型中预测的趋势项位移值和周期项位移值叠加，得到其总的位移预测结果，并求得位移预测结果的均方差和相关系数，对滑坡位移量与其影响因素之间的复杂响应关系的预测能力进行评价，并对预测结果的精度进行分析与评价。
在步骤(1)之前，需要收集目标滑坡体所处位置的全部相关的诱发因素，进行滑坡特征分析，找出影响滑坡位移的所有因素，上述诱发因素包括地形地貌、地层岩性、地质构造、水文地质状况，以及气候、降雨和人类工程活动。
在位移监测数据选取一部分数据作为后续测试样本，对步骤(4)中得到的位移预测结果的精度进行测试。
步骤(3)中所述的周期项位移预测具体包括如下步骤：
a、首先对约简后的因子集和对应的滑坡累计位移周期项分解值进行异常点剔除等预处理，然后将其归一化到-1与1之间，消除不同量纲对预测结果的影响；
b、将每一部分的滑坡累计位移周期项分解数据再分成两部分，即将前面一部分监测数据作为模型训练样本，将后面一部分的监测数据作为模型测试样本；
c、使用训练样本和由粗糙集提取出的因子集建立滑坡累积位移周期项分解值与影响因子之间的SVR模型；
d、利用所建立的模型对检验样本进行预测。
与现有技术相比，本发明具有以下优点：
1、在本领域中为了提高利用位移监测数据预测滑坡位移的精度，需要采用合适的滑坡位移分解方法。传统的滑坡位移分解方法诸如平均斜率法、移动平均法和最小二乘法均存在有或多或少的缺陷，而本发明中所采用的小波变换(WT)具有不需要先验知识、可以处理具有复杂变化趋势或随机变化趋势的数据等优点。小波变换用于边坡变形预测，取得了很好的预测结果，证明了小波变换用于滑坡变形预测的可行性。
2、由于不同的滑坡位移分解项的影响因素不同，因此，本发明中针对每项滑坡位移分解项，结合其相应的影响因素，采用合适的非线性模型来进行预测，能进一步提高变形预测精度。例如，结合各种环境影响因子，采用支持向量回归机(SVR)进行滑坡位移预测，可获得较好的效果。然而，如果将所有的滑坡影响因子作为SVR模型的输入特征，因其因子之间往往呈现较强的耦合性、非线性和信息冗余，不但使SVR模型过于复杂，而且会干扰模型预测策略，降低模型的拟合和泛化能力。为了解决这个问题，本申请中采用了粗糙集(RS)用来分析不精确的数据，对数据进行信息约简，剔除冗余信 息，进而获得核心数据集，可降低因子之间存在的耦合性和冗余性，从而提高预测模型的运算效率和预测结果的精度。
综上所述，将小波变换、粗糙集和支持向量回归机单独用于滑坡位移预测，都能在一定程度上提高预测精度。但是，滑坡位移的影响因素和位移过程极其复杂，而各种算法自身都有其优势和局限性，将这三种算法各自单独用于滑坡位移预测，或者将其中某两种算法结合用于滑坡位移预测，难以很好地适应滑坡位移预测的特点，对滑坡位移预测精度的改善程度有限。因此在本申请中，将以上三种算法进行了有机结合，预测结果精确、可靠，且便于利用计算机程序进行计算，具备很好的实用价值。
附图说明
图1为本发明提供的滑坡位移预测方法的步骤框图。
具体实施方式
下面结合具体实施例对本发明做详细具体的说明，但是本发明的保护范围并不局限于以下实施例。
本发明提供的基于WT-RS-SVR相结合的滑坡位移预测方法如图1所述，包括以下步骤：
首先需要收集目标滑坡体所处位置的全部相关的诱发因素，进行滑坡特征分析，找出影响滑坡位移的所有因素，上述诱发因素包括地形地貌、地层岩性、地质构造、水文地质状况，以及气候、降雨和人类工程活动。
(1)、小波分解：收集目标滑坡体的位移监测数据，选择其中具有代表性、典型性的位移监测点，根据其数据绘制出位移-时间变化曲线，以位移监测数据为基础，应用小波变换函数将位移-时间变化曲线分解为趋势项位移曲线和周期项位移曲线。对于小波变换的级数，则根据信号变化的具体情况和数据采样率进行恰当选择。
(2)、趋势项位移预测：根据小波分解后得到的各个趋势项位移曲线的特点，选择多项式曲线或S曲线对趋势项位移进行拟合，采用最小二乘拟合法确定拟合曲线的系数之后，通过对拟合曲线拟合趋势项位移的效果进行比较与分析，选择拟合效果最好的拟合曲线作为趋势项位移的预测函数，即建立趋势项位移预测模型。
(3)、周期项位移预测：采用粗糙集算法从位移监测数据中筛选出滑坡位移影响因子集，将得到的因子集作为支持向量回归机的输入因子集，通过支持向量回归机对周期项位移曲线进行预测，构建周期项位移预测模型，对各项滑坡位移周期项分解值分别进行预测。具体包括如下步骤：
a、首先对约简后的因子集和对应的滑坡累计位移周期项分解值进行异常点剔除等预处理，然后将其归一化到-1与1之间，消除不同量纲对预测结果的影响；
b、将每一部分的滑坡累计位移周期项分解数据再分成两部分，即将前面一部分监测数据作为模型训练样本，将后面一部分的监测数据作为模型测试样本；
c、使用训练样本和由粗糙集提取出的因子集建立滑坡累积位移周期项分解值与影响因子之间的SVR模型；
d、利用所建立的模型对检验样本进行预测。
(4)、位移叠加及预测精度评价：将趋势项位移预测模型和周期项位移预测模型中预测的趋势项位移值和周期项位移值叠加，得到其总的位移预测结果，并求得位移预测结果的均方差和相关系数，对滑坡位移量与其影响因素之间的复杂响应关系的预测能力进行评价，并对预测结果的精度进行分析与评价。具体为在位移监测数据选取一部分数据作为后续测试样本，对步骤(4)中得到的位移预测结果的精度进行测试。