CN112149285B - 一种基于优化参数选择的滑坡预测方法 - Google Patents
一种基于优化参数选择的滑坡预测方法 Download PDFInfo
- Publication number
- CN112149285B CN112149285B CN202010895171.0A CN202010895171A CN112149285B CN 112149285 B CN112149285 B CN 112149285B CN 202010895171 A CN202010895171 A CN 202010895171A CN 112149285 B CN112149285 B CN 112149285B
- Authority
- CN
- China
- Prior art keywords
- landslide
- time sequence
- rainfall
- water level
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于优化参数选择的滑坡预测方法,包括以下步骤:使用EEMD分解方法将滑坡累计位移数据分解为多个IMF分量和残余项,得到滑坡位移周期项和滑坡位移趋势项;利用多项式和最小二乘法建立滑坡位移趋势项预测模型;采用结合t检验的CEEMD分解方法,将降雨数据和库水位数据重构出降雨时间序列组和库水位时间序列组;对降雨诱发因素时间序列和库水位诱发因素时间序列进行优选,作为输入参数,利用优化算法和SVR模型,得到滑坡位移周期项预测结果,从而得到滑坡累计位移预测结果。本发明的有益效果是:通过t检验与CEEMD结合的方法重构库水位与降雨诱发因素的时间序列,可更好的提取对滑坡周期项位移影响较大的频率成分,可以提高滑坡位移预测的精度。
Description
技术领域
本发明涉及地质灾害预测技术领域,尤其涉及一种基于优化参数选择的滑坡预测方法。
背景技术
滑坡灾害是一种出现频率高,危害范围广,伤害程度大的地质灾害,每年因滑坡灾害造成的经济与人员损失巨大。通过长期的滑坡位移、影响因素的监测,结合机器学习方法进行滑坡位移预测一直是本领域的热点话题。滑坡的预测方法众多,基于优化算法的SVR模型,是一个近年来的重要研究方向。基于SVR的滑坡位移预测模型都具有一定的局限性,其精确性严重依赖输入参量的选择。
现有研究往往集中在利用优化算法对SVR模型本身的核函数参数g和惩罚因子C进行寻优以提高其精确性。常用的寻优方法包括了粒子寻优(PSO)、遗传算法(GA)、蚁群优化算法(ACO)等等。对于滑坡位移预测而言,降雨与库水位波动作为重要外部影响因素,在预测中是重要的输入参量。已有滑坡预测方法往往忽略了这些诱发因素中的频率成分,导致预测结果尚有提升空间。同时,对于诱发因素的选择,现有方法多使用灰色关联分析(GRA)挑选,需要探索更多的预测模型诱发因素变量的选择方法以提高预测模型准确性,从而实现基于SVR的滑坡位移预测模型的优化。
发明内容
有鉴于此,本发明的实施例提供了一种基于优化参数选择的滑坡预测方法,旨在优化滑坡预测机器学习模型输入参量,从而更好的预测滑坡变形。
本发明的实施例提供一种基于优化参数选择的滑坡预测方法,包括以下步骤:
S1使用EEMD分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余项,将所有的IMF分量累加得到滑坡位移周期项,残余项为滑坡位移趋势项;
S2利用多项式对滑坡位移趋势项进行拟合,并使用最小二乘法预测,建立滑坡位移趋势项预测模型;
S3采用结合t检验的CEEMD分解方法,将降雨时间序列数据重构出关于不同降雨诱发因素的高频序列和低频序列形成降雨时间序列组,将库水位时间序列数据重构出关于不同库水位诱发因素的高频序列和低频序列形成库水位时间序列组;
S4在降雨时间序列组中对降雨诱发因素时间序列进行优选,在库水位时间序列组中对库水位诱发因素时间序列进行优选,将优选的降雨诱发因素时间序列、库水位诱发因素时间序列与S1中得到的滑坡位移周期项作为输入参数,对优化算法进行选择,并与SVR模型结合,得到滑坡位移周期项预测结果;
S5将S4得到的滑坡位移周期项预测结果与S2得到的滑坡位移趋势项预测结果累加得到滑坡累计位移预测结果。
进一步地,步骤S3包括以下步骤:
S31将降雨时间序列数据重构为当月降雨量时间序列、前两月累计降雨量时间序列、当月与前一个月累计降雨量时间序列、当月与前两个月累计降雨量时间序列,将库水位时间序列数据重构为当月库水位时间序列、库水位月间变化时间序列、库水位两月间变化时间序列;
S32采用CEEMD分解方法将S31中重构的各种时间序列分别分解为n个IMF分量和一个残余项:IMF1、IMF2...IMFn、Residue;
S33舍弃Residue,将第m个IMF分量IMFm与第一个IMF分量IMF1进行t检验,若IMFm均值与IMF1均值的差异显著性小于阈值,则IMF1-IMFm-1的叠加结果为高频序列,IMFm-IMFn的叠加结果为低频序列,其中,1<m≦n。
进一步地,步骤S4中“在降雨时间序列组中对降雨诱发因素时间序列进行优选,在库水位时间序列组中对库水位诱发因素时间序列进行优选”具体为:
将降雨时间序列组、库水位时间序列组中的各时间序列、滑坡位移周期项进行归一化处理,通过LCSS计算得到各时间序列与滑坡位移周期项的距离,在降雨时间序列组、库水位时间序列组中分别优选距离最小的时间序列。
进一步地,步骤S4中“对优化算法进行选择,并与SVR模型结合,得到滑坡位移周期项预测结果”具体为:
利用多种优化算法分别与SVR模型结合,对滑坡位移周期项位移进行预测,以R2或RMSE为评价指标,对优化算法进行优选。
进一步地,优选ABC模型为优化模型,对滑坡位移周期项进行预测。
本发明的实施例提供一种基于优化参数选择的滑坡预测设备,所述基于优化参数选择的滑坡预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于优化参数选择的滑坡预测程序,所述基于优化参数选择的滑坡预测程序被所述处理器执行时实现如上任一项所述的基于优化参数选择的滑坡预测方法的步骤。
本发明的实施例提供一种存储介质,所述存储介质上存储有基于优化参数选择的滑坡预测程序,所述基于优化参数选择的滑坡预测程序被处理器执行时实现如上任一项所述的基于优化参数选择的滑坡预测方法的步骤。
本发明的实施例提供的技术方案带来的有益效果是:现有的滑坡位移预测方法大多是点预测法或确定性预测法,传统的点预测方法不能提供足够的信息,本发明提供的预测方法通过t检验与CEEMD结合的方法重构库水位与降雨诱发因素的时间序列,可以更好的提取对滑坡周期项位移影响较大的频率成分,可以更好的提高滑坡位移预测的精度。同时,提出了基于归一化与LCSS的滑坡诱发因素选择方法,实现了更好对滑坡位移影响较大的诱发因素的选择,对滑坡位移预测精度的提升具有有益效果。
附图说明
图1是本发明提供的基于优化参数选择的滑坡预测设备一实施例的结构示意图;
图2是本发明提供的基于优化参数选择的滑坡预测方法一实施例的操作流程图;
图3为滑坡累计位移时间序列数据EEMD分解示意图;
图4为当月降雨量时间序列CEEMD重构示意图;
图5为周期项位移多优化算法选择示意图;
图6为累计位移预测结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于优化参数选择的滑坡预测设备结构示意图。
如图1所示,该基于优化参数选择的滑坡预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、客户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。客户接口1003可以包括显示屏(Display),可选客户接口1003还可以包括标准的有线接口、无线接口,对于客户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于优化参数选择的滑坡预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、客户接口模块以及基于优化参数选择的滑坡预测方法程序。
在图1所示的基于优化参数选择的滑坡预测设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;客户接口1003主要用于连接所述客户端;所述基于优化参数选择的滑坡预测设备通过处理器1001调用存储器1005中存储的基于优化参数选择的滑坡预测的方法的程序,并执行本发明实施例提供的基于优化参数选择的滑坡预测的方法的步骤。
基于上述硬件结构,提出本发明基于优化参数选择的滑坡预测的方法的实施例。
请参见图2,图2为本发明基于优化参数选择的滑坡预测方法一实施例的流程示意图。本发明的实施例提供一种基于优化参数选择的滑坡预测方法,以下以三峡库区滑坡白水河监测点ZG93为具体实施例,包括以下步骤:
S1收集滑坡位移监测资料,对监测数据进行异常点的剔除等预处理,选择对滑坡变形特征具有代表性的位移监测点为研究对象,使用EEMD(集成经验模态分解)分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余项,将所有的IMF分量累加得到滑坡位移周期项,残余项为滑坡位移趋势项。
本实施例中,对滑坡累计位移时间序列数据进行EEMD分解时,参数N(总体的个数)和ε(高斯白噪声的幅度)分别取默认值200和0.2,滑坡累计位移时间序列进行EEMD分解后结果如图3所示,图3a为滑坡累计位移时间序列EEMD分解后的各IMF分量以及残余项,将各IMF分量叠加获得周期项位移(请参见图3c),剩余残余项可以视作滑坡趋势项位移(请参见图3b)。
S2由于EEMD分解后的滑坡位移趋势项极其接近线性,利用多项式对滑坡位移趋势项进行拟合,并使用最小二乘法预测,建立滑坡位移趋势项预测模型。
S3采用结合t检验的CEEMD(完全集成经验模态分解)分解方法,将降雨时间序列数据重构出关于不同降雨诱发因素的高频序列和低频序列形成降雨时间序列组,将库水位时间序列数据重构出关于不同库水位诱发因素的高频序列和低频序列形成库水位时间序列组。
滑坡位移的周期性变化与降雨具有很强的相关性,在雨季,滑坡位移变化率显著增加。滑坡位移的周期性变化速度与降雨呈正相关,但速度峰值略滞后于降雨。同样,库水位在滑坡变形演化过程中也起着至关重要的作用。当库水位显著下降时,滑坡位移变化速度突然增大。例如,本实施例中,第一次蓄水后库水位下降,单月滑坡速度急剧增加到422mm/月,这是整个监测期间流离失所人数增加最多的一次。相反,随着库水位的上升,滑坡位移变化速度降低。因此,在预测滑坡位移的周期性变化时,必须考虑降雨和库水位的影响。
具体的,步骤S3包括以下步骤:
S31收集库水位以及降雨监测资料,对监测数据进行异常点的剔除等预处理,将降雨时间序列数据重构为当月降雨量时间序列(R1)、前两月累计降雨量时间序列(R2)、当月与前一个月累计降雨量时间序列(R3)、当月与前两个月累计降雨量时间序列(R4),将库水位时间序列数据重构为当月库水位时间序列(W1)、库水位月间变化时间序列(W2)、库水位两月间变化时间序列(W3)。
S32采用CEEMD分解方法将S31中重构的各种时间序列分别分解为n个IMF分量和一个残余项:IMF1、IMF2...IMFn、Residue。由于残余项反映诱发因素长期变化趋势,不具备预测参考性因而弃用。
S33舍弃Residue,将第m个IMF分量IMFm与第一个IMF分量IMF1进行t检验,若IMFm均值与IMF1均值的差异显著性小于阈值,则认为其显著性明显,即IMFm与IMF1差异较大,则IMF1-IMFm-1的叠加结果为高频序列,IMFm-IMFn的叠加结果为低频序列,其中,1<m≦n。
因此,当每一时间序列均可重构出高频序列和低频序列时,例如当月降雨量时间序列(R1)可重构出高频序列R5和低频序列R6,前两月累计降雨量时间序列(R2)可重构出高频序列R7和低频序列R8等,降雨时间序列数据可重构得到降雨诱发因素时间序列R1-R12,形成降雨时间序列组,库水位时间序列数据可重构关于库水位诱发因素时间序列W1-W9,形成库水位时间序列组。
本实施例中,在进行CEEMD分解时,参数N和ε分别取默认值200和0.2,将各时间序列进行CEEMD分解后得到各时间序列的多个IMF项以及残余项。去除残余项后,进行t检验,按差异显著性水平Sig.=0.05计算降雨量IMF1均值与其它各IMF分量均值的差异显著性(如表1和表2)。
表1降雨诱发因素时间序列t检验结果
表2库水位诱发因素时间序列t检验结果
当IMFn与IMF1差异显著性(Sig.)小于0.05,则此时,IMF1-IMFn-1的叠加结果为高频序列,IMFn-IMF4的叠加结果为低频序列,根据表1,以当月降雨量时间序列(R1)为例,当月降雨量时间序列(R1)进行CEEMD分解后得到IMF1-IMF4,IMF2-IMF4与IMF1差异显著性(Sig.)均大于0.05,则认为当月降雨量时间序列(R1)仅重构出高频序列R5,不存在低频序列。对降雨时间序列组、库水位时间序列组的其他时间序列同样做重构处理,根据表1可看出前两月累计降雨量时间序列(R2)重构出高频序列R6,不存在低频序列;当月与前一个月累计降雨量时间序列(R3)重构出高频序列R7,不存在低频序列;当月与前两个月累计降雨量时间序列(R4)重构出高频序列R8,不存在低频序列。根据表2可看出当月库水位时间序列(W1)重构出高频序列W4,不存在低频序列;库水位月间变化时间序列(W2)重构出高频序列W5,不存在低频序列;库水位两月间变化时间序列(W3)重构出高频序列W6和低频序列W7。
S4在降雨时间序列组中对降雨诱发因素时间序列进行优选,在库水位时间序列组中对库水位诱发因素时间序列进行优选。
表3各时间序列与滑坡位移周期项的距离
具体的,将降雨时间序列组、库水位时间序列组中的各时间序列R1-R12和W1-W9(本实施例中为R1-R8、W1-W7)、滑坡位移周期项进行归一化处理以消除量纲差异,通过LCSS计算得到各时间序列与滑坡位移周期项的距离,在降雨时间序列组、库水位时间序列组中分别优选距离最小的时间序列。
本实施例中,根据表3可得出降雨时间序列组中距离较小的为R6,库水位时间序列组中距离较小的为W7。将优选的降雨诱发因素时间序列R6、库水位诱发因素时间序列W7与S1中得到的滑坡位移周期项作为输入参数,对优化算法进行选择,并与SVR模型结合,得到滑坡位移周期项预测结果。
具体的,利用多种优化算法分别与SVR模型结合,对滑坡位移周期项位移进行预测,支持向量回归(SVR)算法广泛应用于求解非线性回归问题,该算法将数据分为训练样本和测试样本,将训练样本作为输入向量,映射到高维特征空间进行训练。在最优决策函数模型的空间内获得最佳拟合效果,并利用训练样本对分析模型的结果进行验证。SVR算法具有较强的稀疏性和鲁棒性,广泛应用于小数据集的训练,更适合监测周期短的滑坡位移预测。本方法采用的核函数是径向基核函数。
优化算法可以选择粒子群优化算法PSO、遗传算法GA、人工蜂群算法ABC等,计算得到周期项的预测结果如图5所示,以R2(决定系数)或RMSE(均方根误差)为评价指标,对优化算法进行优选,判断基于优化参数选择方法后预测效果最好的优化算法,并以该算法对应的周期项位移预测结果为采用预测结果。
表4预测精度评估
本实施例中,根据表4,ABC-SVR模型的预测结果与周期项位移R2最高,RMSE值最小,优选ABC模型为优化模型,对滑坡位移周期项进行预测。人工蜂群算法(ABC)是一种基于聚类智能的新型全局优化算法,它模拟了蜂群的行为,蜜蜂根据各自的分工进行不同的活动,分享和交流信息,寻找问题的最优解决方案。该算法具有寻优能力强、信息反馈积极、收敛速度快、鲁棒性强、易于与其他方法集成等优点,可以避免只寻找局部最优值的问题。ABC算法控制参数少,易于实现,计算简单。因此,将人工蜂群算法(ABC)作为周期位移SVR预测的参数优化算法。
S5将S4得到的滑坡位移周期项预测结果与S2得到的滑坡位移趋势项预测结果累加得到滑坡累计位移预测结果,请参见图6,预测结果与实际观测值绝对误差数值最大不超过40mm,可以看出,本发明提出的方法可以实现滑坡累计位移的较为精确的预测。
现有的滑坡位移预测方法大多是点预测法或确定性预测法,传统的点预测方法不能提供足够的信息,本发明提供的预测方法通过t检验与CEEMD结合的方法重构库水位与降雨诱发因素的时间序列,可以更好的提取对滑坡周期项位移影响较大的频率成分,可以更好的提高滑坡位移预测的精度。同时,提出了基于归一化与LCSS的滑坡诱发因素选择方法,实现了更好对滑坡位移影响较大的诱发因素的选择,对滑坡位移预测精度的提升具有有益效果。
此外,本发明还提供一种存储介质,该存储介质上存储有基于优化参数选择的滑坡预测程序,所述基于优化参数选择的滑坡预测程序被处理器执行时实现如上任一项所述的基于优化参数选择的滑坡预测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于优化参数选择的滑坡预测方法,其特征在于,包括以下步骤:
S1使用EEMD分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余项,将所有的IMF分量累加得到滑坡位移周期项,残余项为滑坡位移趋势项;
S2利用多项式对滑坡位移趋势项进行拟合,并使用最小二乘法预测,建立滑坡位移趋势项预测模型;
S3采用结合t检验的CEEMD分解方法,将降雨时间序列数据重构出关于不同降雨诱发因素的高频序列和低频序列形成降雨时间序列组,将库水位时间序列数据重构出关于不同库水位诱发因素的高频序列和低频序列形成库水位时间序列组;
S4在降雨时间序列组中对降雨诱发因素时间序列进行优选,在库水位时间序列组中对库水位诱发因素时间序列进行优选,将优选的降雨诱发因素时间序列、库水位诱发因素时间序列与S1中得到的滑坡位移周期项作为输入参数,对优化算法进行选择,并与SVR模型结合,得到滑坡位移周期项预测结果;
S5将S4得到的滑坡位移周期项预测结果与S2得到的滑坡位移趋势项预测结果累加得到滑坡累计位移预测结果;
其中,步骤S4中“在降雨时间序列组中对降雨诱发因素时间序列进行优选,在库水位时间序列组中对库水位诱发因素时间序列进行优选”具体为:
将降雨时间序列组、库水位时间序列组中的各时间序列、滑坡位移周期项进行归一化处理,通过LCSS计算得到各时间序列与滑坡位移周期项的距离,在降雨时间序列组、库水位时间序列组中分别优选距离最小的时间序列;
步骤S4中“对优化算法进行选择,并与SVR模型结合,得到滑坡位移周期项预测结果”具体为:
利用多种优化算法分别与SVR模型结合,对滑坡位移周期项位移进行预测,以R 2或RMSE为评价指标,对优化算法进行优选,优选ABC模型为优化模型,对滑坡位移周期项进行预测。
2.如权利要求1所述的基于优化参数选择的滑坡预测方法,其特征在于,步骤S3包括以下步骤:
S31将降雨时间序列数据重构为当月降雨量时间序列、前两月累计降雨量时间序列、当月与前一个月累计降雨量时间序列、当月与前两个月累计降雨量时间序列,将库水位时间序列数据重构为当月库水位时间序列、库水位月间变化时间序列、库水位两月间变化时间序列;
S32采用CEEMD分解方法将S31中重构的各种时间序列分别分解为n个IMF分量和一个残余项:IMF 1、IMF 2...IMF n、Residue;
S33舍弃Residue,将第m个IMF分量IMFm与第一个IMF分量IMF 1进行t检验,若IMFm均值与IMF 1均值的差异显著性小于阈值,则IMF 1-IMFm-1的叠加结果为高频序列,IMFm-IMF n的叠加结果为低频序列,其中,1<m≦n。
3.一种基于优化参数选择的滑坡预测设备,其特征在于,所述基于优化参数选择的滑坡预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于优化参数选择的滑坡预测程序,所述基于优化参数选择的滑坡预测程序被所述处理器执行时实现如权利要求1至2中任一项所述的基于优化参数选择的滑坡预测方法的步骤。
4.一种存储介质,其特征在于,所述存储介质上存储有基于优化参数选择的滑坡预测程序,所述基于优化参数选择的滑坡预测程序被处理器执行时实现如权利要求1至2中任一项所述的基于优化参数选择的滑坡预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895171.0A CN112149285B (zh) | 2020-08-31 | 2020-08-31 | 一种基于优化参数选择的滑坡预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895171.0A CN112149285B (zh) | 2020-08-31 | 2020-08-31 | 一种基于优化参数选择的滑坡预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149285A CN112149285A (zh) | 2020-12-29 |
CN112149285B true CN112149285B (zh) | 2022-11-18 |
Family
ID=73889855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895171.0A Active CN112149285B (zh) | 2020-08-31 | 2020-08-31 | 一种基于优化参数选择的滑坡预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149285B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818597B (zh) * | 2021-01-29 | 2022-06-24 | 中国地质大学(武汉) | 一种滑坡点位移预测方法、预测设备及存储介质 |
CN112926251B (zh) * | 2021-02-01 | 2022-07-05 | 长安大学 | 一种基于机器学习的滑坡位移高精度预测方法 |
CN113065702B (zh) * | 2021-03-31 | 2023-08-08 | 中国地质大学(武汉) | 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法 |
CN113743297B (zh) * | 2021-09-03 | 2024-08-06 | 重庆大学 | 基于深度学习的储罐穹顶位移数据修复方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378070A (zh) * | 2019-08-05 | 2019-10-25 | 成都理工大学 | 基于pso-svr与des联合的滑坡位移预测方法 |
CN111898247B (zh) * | 2020-07-02 | 2023-05-26 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
-
2020
- 2020-08-31 CN CN202010895171.0A patent/CN112149285B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112149285A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149285B (zh) | 一种基于优化参数选择的滑坡预测方法 | |
US20200372349A1 (en) | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models | |
Zhao et al. | Modeling temporal-spatial correlations for crime prediction | |
CN109936525B (zh) | 一种基于图结构模型的异常账号防控方法、装置以及设备 | |
US20210041598A1 (en) | Methods and systems for climate forecasting using artificial neural networks | |
Kharouba et al. | Historically calibrated predictions of butterfly species' range shift using global change as a pseudo‐experiment | |
Hu et al. | Forecasting tourism demand by incorporating neural networks into Grey–Markov models | |
CN113077097B (zh) | 一种基于深度时空相似性的空气质量预测方法 | |
US10565518B2 (en) | Collaborative feature learning from social media | |
CN110569427B (zh) | 一种多目标排序模型训练、用户行为预测方法及装置 | |
Raje et al. | A comparison of three methods for downscaling daily precipitation in the Punjab region | |
Hay et al. | Estimating the sources of global sea level rise with data assimilation techniques | |
Ahmadi et al. | MaxEnt brings comparable results when the input data are being completed; Model parameterization of four species distribution models | |
CN109726664B (zh) | 一种智能表盘推荐方法、***、设备及存储介质 | |
CN107818334A (zh) | 一种移动互联网用户访问模式表征和聚类方法 | |
Sutton et al. | Climatic niche of the Saker Falcon Falco cherrug: predicted new areas to direct population surveys in Central Asia | |
CN111898247A (zh) | 滑坡位移预测方法、设备及存储介质 | |
CN117454084A (zh) | 一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法 | |
CN112818597B (zh) | 一种滑坡点位移预测方法、预测设备及存储介质 | |
CN110163470B (zh) | 事件评估方法及装置 | |
CN112182414A (zh) | 文章推荐方法、装置及电子设备 | |
CN115757973A (zh) | 推荐***的排序方法、装置、设备及可读存储介质 | |
He et al. | Nowcasting influenza‐like illness (ILI) via a deep learning approach using *** search data: An empirical study on Taiwan ILI | |
Kyrtsoglou et al. | Missing data imputation and meta-analysis on correlation of spatio-temporal weather series data | |
CN112732777A (zh) | 基于时间序列的头寸预测方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |