基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究
Research on dynamic prediction model of landslide displacement based on particle swarm optimization-variational mode decomposition, nonlinear autoregressive neural network with exogenous inputs and gated recurrent unit作者机构：河海大学岩土力学与堤坝工程教育部重点实验室江苏南京210098 河海大学江苏省岩土工程技术工程研究中心江苏南京210098 河海大学地球科学与工程学院江苏南京211100
出 版 物：《岩土力学》 (Rock and Soil Mechanics)
年 卷 期：2022年第43卷第S1期
页 面：601-612页
核心收录：
学科分类：081504[工学-水利水电工程] 081803[工学-地质工程] 08[工学] 0818[工学-地质资源与地质工程] 0815[工学-水利工程] 0714[理学-统计学（可授理学、经济学学位）] 0701[理学-数学]
基 金：国家重点研发计划项目(No.2017YFC1501100) 江苏高校“青蓝工程”项目 江苏省六大高峰人才项目.
主 题：滑坡位移预测 粒子群算法 变分模态分解 格兰杰因果检验 非线性自回归神经网络 门控循环单元
摘 要：以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法(PSO)对变分模态分解(VMD)进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络(NARX)进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元(GRU)进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的(PSO-VMD)-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机(SVM)和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。
维普期刊数据库
同方期刊数据库