CN115238850B 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法 （西南交通大学）

一种基于MI-GRA与改进PSO-LSTM的山区边本发明公开了一种基于MI_GRA与改进PSO_构建的边坡位移预测的原始数据基础上，建立MI_GRA的边坡位移特征选择模型；(3)将经过特征选择后的数据作为边坡位移预测的最优特征2(3)将经过特征选择后的数据作为边坡位移预测的最优特征集输入，建立改进PSO_该式中，x为要归一化的位移数据，xmin(axis＝0)为每列数据中的最小值组成的行向量，1n]Tkkk)和H(Soutput)分别为的历史位移特征序列和输出序列的信息熵，用来度量量间共有信息的大小，p为单个变量的边缘概率分布，pjoint是3koutput)为历史位移特征序列和输出序列之间的互所述步骤(3)中建立改进PSO_LSTM边坡位移预4t-1t]+bi)t-1ti和bf是分别为输入门和遗忘门的待训练-1为前一时刻的细胞态；输出门将细胞态中的信息选择性的进行输出，t-1t]+bo)t5该式中，N代表预测样本数，y(y1，y2，...，yN)为验证集中的实测边坡位移值，为在验证集上的预测边坡位移值。2.如权利要求1所述的一种基于MI_GRA与改进PSO_LSTM的山区边坡位移预测方法，其3.如权利要求2所述的一种基于MI_GRA与改进PSO_LSTM的山区边坡位移预测方法，其4.如权利要求1所述的一种基于MI_GRA与改进PSO_LSTM的山区边坡位移预测方法，其预测模型调用，所述调用的预测模型为经过训练后保存好的所述模型预测精度的评估采用选择拟合优度R2和平均绝对百分比误差MAPE，其公式如6[0004]本发明的主要目的在于提供了一种基于MI_GRA与改进PSO_LSTM的山区边坡位移[0005]本发明一种基于MI_GRA与改进PSO_LSTM的山区边坡位移预测方法，包括以下步[0007](2)在构建的边坡位移预测的原始数据基础上，建立MI_GRA的边坡位移特征选择[0008](3)将经过特征选择后的数据作为边坡位移预测的最优特征集输入，建立改进7[0026]构造每个预测日的特征矩阵Sinput和输出序列Soutput，特征矩阵Sinput和输出序列8]+bi)i和bf是分别为输入门和遗忘门的待训练偏置项；9[0069]cr=f*ci-1+ic*⃞[0086]该式中，N代表预测样本数，y(y1,y2,…,yN)为验证集中的实测边坡位移值，为在验证集上的预测边坡位移值。[0087]进一步地，所述步骤(4)将建立好的边坡预测模型进行模型预测与测试包括以下[0092]所述模型精度评估采用选择拟合优度R2和平均绝对百分比误差MAPE，其公式如[0098]本发明一种基于MI_GRA与改进PSO_LSTM的山区边坡位移预测方法相比于现有技立基于主控因素的改进PSO_GRU协同预测模型，对山区边坡的多源数据进行融合与协同预[0115]本发明一种基于MI_GRA与改进PSO_LSTM的山区边坡位移预测方法，包括以下步[0117](2)在构建的边坡位移预测的原始数据基础上，建立MI_GRA的边坡位移特征选择[0118](3)将经过特征选择后的数据作为边坡位移预测的最优特征集输入，建立改进[0129]在山区边坡位移及位移潜在影响因素数据的基础上，利用GRA算法优选位移影响[0131]上述利用MI算法优选最佳历史位移特征包括以下步骤:j进PSO_GRU神经网络架构搭建、模型训练和保存三个方面，所述步骤(3)中建立改进PSO_LSTM边坡位移预测模型包括以下步骤:模型中，所述LSTM模型是RNN的一种改进版本(变体)，LSTM在RNN的基础上引入了记忆元i和bf是分别为输入门和遗忘门的待训练偏置项；[0196]该式中，N代表预测样本数，y(y1,y2,…,yN)为验证集中的实测边坡位移值，J,[0197]进一步地，所述步骤(4)将建立好的边坡预测模型进行模型预测与测试包括以下[0198]预测模型调用，所述调用的预测模型为步骤(3)中经过训练后保存好的改进PSO_[0208]依托某山区边坡工点，在边坡不同位置与深度处布设测倾仪测量边坡的位移数[0209]在获得山区边坡多源监测原始数据后，采用如公式(1)所示的中位数插补方法针[0217]③根据计算结果针对位移特征排序，得到排名前五的历史位移特征分别为S1[0218]将由步骤1)所得的山区铁路边坡位移数据及位移影响因素数据输入到GRA模型[0224]对边坡位移和降雨量的时序数据做归一化处理，使得输入特征均在0～1的范围[0228]在获得最优网络模型配置的基础上进行模型的迭代训练，迭代次数通常设置为[0231]在改进PSO_LSTM的边坡位移预测模型中输入测试集进行滚动预测，并与并与GRU同预测模型的预测结果与实际值吻合度最高，拟合优度R2为0.928，预测误差MAPE为0.496高于各单变量预测模型的预测精度评估结果(GRU模型的拟合优度R2为0.528，地支撑山区边坡的位移预测。