关键词： 滑坡   易发性   黄土高原   机器学习  

摘要： 黄土高原是我国地质灾害最为发育的地区之一,其中滑坡灾害在各类地质灾害中造成的损失最为严重。本文选择黄土高原中部区域二十九个县区为研究区,以该区域内的滑坡易发性为研究对象,收集研究区内滑坡历史灾点共5210个,利用GIS分析技术和统计学手段对研究区内的历史滑坡灾点和各影响因子之间的关系进行分析,通过机器学习方法对研究区内的滑坡易发区进行预测,主要研究内容和结论如下:(1)基于科学性、独立性、可操作性、继承性原则,结合黄土高原灾害地质背景、历史灾点数据,初步选定滑坡易发性评价因子。然后对评价因子进行主成分分析和皮尔逊相关系数分析,筛选出本次研究滑坡易发性评价因子。最终选取高程、坡度、坡型、坡向、地层岩性、土地利用类型、归一化植被指数、到河流的距离共8个评价因子。(2)基于GIS分析和统计学理论对评价因子的数据进行提取、预处理操作,使用频率比方法分析评价因子各个数据区间与滑坡发生之间的相关性关系,并对评价因子数据进行分级,分级结果显示:研究区高程900m～1200m、1400m～1600m、1900m～2100m区间,坡度10°～30°区间,坡向西和北西方向区间,坡型为凹形坡,地层岩性为较硬岩组及软硬相见岩组,NVDI为0.1～0.4区间,到河流水系0～1500m及6000m～8500m距离区间,土地类型为草地、灌木地、人工地表,上述数据区间范围内滑坡灾害发生频率比均大于1,在统计学意义上与滑坡的发生密切相关。(3)基于8个选定的评价因子使用逻辑回归模型、多层感知机模型、极值梯度提升算法3种机器学习模型对研究区进行滑坡易发性评价。使用Python语言编程实现样本集的构建、模型函数的调用、模型参数优化及结果输出,采用受试者工作特征曲线和分类准确率指标来判断评价结果的精度,从而得到滑坡易发性评价的最优结果和最优参数。逻辑回归模型、多层感知机模型、极值梯度提升模型的分类准确率分别88.14%、90.57%、91.39%;三个模型的受试者工作区线下面积值分别为0.9514、0.9761、0.9760,其中极值梯度提升模型性能最佳。(4)根据极值梯度提升模型得到结果,基于自然断点法(Jenks)将研究区划分为高易发、中易发、低易发和极低易发四个易发区,得到研究区滑坡易发性评价图。其中滑坡高易发区内分布滑坡频率比为1.503,表现出较强的相关性。高易发区主要分布于陕西省中部地区的黄陵县、洛川县、富县、甘泉县,陕西省西部陇县,陕西省延安市南部,甘肃省平凉市西南部;中易发区主要分布于宁夏自治区南部的西吉县、固原市、彭阳县,甘肃省秦安县、庄浪县,以及陕西省北部吴起县、志丹县;滑坡低易发区和极低易发区在研究区普遍分布,其中在甘肃省东部镇原县、宁县以及华池县西部,宁夏同心县北部,陕西志丹县、安塞县北部、子长县中西部低易发和极低易发区集中分布。

关键词： 库岸滑坡   成因机制   机器学习   点预测   区间预测  

摘要： 我国三峡库区山地丘陵广布,地质条件复杂,加之雨季降雨量较为丰富,是典型的库岸滑坡高发区。受库水位高程变动及周期性强降雨的影响,该地区存在大量具有“阶跃”变形特征的新老滑坡,即在一个周期内长时间保持平稳变形,某一时刻变形突然加剧,而后又恢复稳定。对滑坡进行预测预报作为灾害防治的有效手段之一具有十分重大的工程意义,机器学习是一种使计算机模仿人类大脑进行运算的智能模型,将其与工程实际进行结合是目前各个领域的研究热点,已被成功应用于滑坡位移的预测方向。模型输入与输出数据间的相关性程度决定着其预测性能的优劣。因此,本文以白家包滑坡为例,对其变形机制和诱发因素进行了详细分析,并提出一种基于机器学习方法的位移点预测模型,随后又在此基础上提出了两种分别适用于不同规模样本的区间预测模型,以此量化点预测过程中存在的不确定性。本文重点做了以下工作: (1)结合现场工程地质资料及相关监测数据对白家包滑坡成因机制进行分析,重点分析了影响滑坡变形的内部控制因素和外部诱发因素。结合位移监测资料对滑坡的变形特征进行阐述,并深入探讨变形特征与影响因素间的响应关系。 (2)基于白家包滑坡ZG326监测点历史监测变形数据,采用变分模态分解法(VMD)将具有“阶跃”变形特征的位移进行分解,得到多个具有不同变形特征的位移分项。然后利用模糊C均值聚类法(FCM)将多个分项进行聚类得到具有实际物理意义的随机项、波动项和趋势项位移。在三组位移分项与初设影响因子间建立灰色关联度模型,根据相关性系数为每个位移分项选择有效影响因子。将有效影响因子作为输入数据,相应的位移分项作为输出数据建立贝叶斯优化的最小二乘支持向量机(Bayes-LSSVM)进行训练及预测。叠加位移分项预测值得到总累积位移的预测值。将上述模型应用于ZG323、ZG324和ZG325监测点的位移预测中,根据预测结果对所提方法的适用性进行验证。随后将上述模型与六种不同模型的预测结果进行对比,体现了所提模型的优越性。 (3)为解决传统点预测方法无法对滑坡位移预测过程中的不确定性进行量化的问题,提出一种适用于小样本数据的区间预测方法。首先采用不同的Bootstrap抽样方法对各位移分项数据集进行抽样,得到多组伪数据集,分别针对每组伪数据集建立相应的预测模型,计算得到预测区间。将基于不同抽样方法得到的预测区间进行对比,由此为每个位移分项选择最优抽样方法。利用各个位移分项的最优抽样法进行抽样预测,得到位移回归均值及系统误差方差。然后将所有的有效影响因子作为输入,模型的平方残差序列作为输出,建立蝙蝠算法优化的核极限学习机(BA-KELM)进行训练预测得到随机误差方差。将点预测值与上述两种误差的方差结合得到位移的预测区间。同样将所提方法应用于其他三个监测点,得到的预测区间表现均较好,表明模型适用性较高。然后将所建模型与其他两种不同模型的预测结果进行对比,从而验证所提模型的优越性。 (4)上述Bootstrap法对小样本数据适用性较强,预测结果的可靠度较高。但当样本规模变大时,该方法计算成本大幅增加,明显不再适用。因此提出一种适用于大样本数据的区间预测方法。将原始数据集划分为训练集、误差生成集和预测集,采用训练集对上述点预测模型进行训练,并根据训练后的模型对误差生成集进行预测,计算得到各点预测误差。由于单个监测点生成的误差数量较小,本文采用同样的方法对与ZG326具有工程相似性的ZG323、ZG324和ZG325监测点进行点预测,并将得到的预测误差作为原始预测误差集的补充数据,以此满足大样本条件。分别利用参数法和非参数法对误差分布的概率密度函数进行估计,计算得到不同的预测区间。通过差分进化算法将基于两种方法得到的预测区间进行加权组合,获得同时满足较高覆盖率和较窄宽度的高性能区间。同样地,利用该方法构建其余三个监测点的组合预测区间,根据预测结果验证本文模型的适用性。

关键词： 变分模态分解   门控循环单元   时序卷积网络   通道注意力机制   滑坡位移预测  

摘要： 受库水位大幅升降和极端强降雨的影响,我国三峡地区滑坡灾害频发,防灾减灾形势严峻。建立高效的滑坡位移预测模型能够直观的反映出滑坡变形趋势,是解决滑坡灾害问题的有效手段。针对三峡地区的阶跃型滑坡,变分模态分解（VMD）可以自适应地将滑坡总位移分解为趋势项位移与周期项位移,对各项位移单独预测可以减小位移曲线急剧增加对预测模型造成的干扰,使预测结果更加精确。针对成因复杂的滑坡位移预测任务,深度学习可以挖掘实际监测数据中的深层特征,并通过深度神经网络对多类型特征数据进行联合学习,实现对滑坡位移的精准预测。因此,本研究将VMD方法与深度学习算法相结合,以三峡库区白家包滑坡为例展开位移预测研究,主要内容包括:（1）分析白家包滑坡的地质特征,针对该地区阶跃型滑坡位移曲线拟合难度较大的问题,使用VMD方法将滑坡总位移分解为由坡体内部结构所演化的趋势项位移和外界影响因素所引起的周期项位移,此时各项位移曲线特征明显,后续实验中对各项位移单独预测能得到更精确的预测结果。针对滑坡诱发因素的合理选择问题,从定性和定量的角度深度对滑坡影响因素进行分析,使用灰色关联度分析法筛选出了滑坡变形的关键诱发因素,为实现滑坡位移的精准预测提供了有效的数据支撑。（2）针对单一深度学习模型在多诱因的阶跃型滑坡位移预测问题上的局限性,提出了一种并行结构的时序卷积与门控循环单元（temporal convolutional and gated recurrent neural network,TCN-GRU）混合深度学习模型用于滑坡单点位移预测。该模型由并行结构的TCN模块和GRU模块构成,结合了TCN对数据特征的高效提取能力以及GRU对时间序列数据长期或短期信息的记忆能力,使模型能够充分利用现有的滑坡实测数据,实现了从输入数据中提取更高阶触发因素特征和时序数据特征,有效提高了位移预测性能。仿真实验结果表明,TCN-GRU模型在预测精度与模型拟合能力方面均优于LSTM、GRU、TCN深度学习模型。（3）针对区域内滑坡点众多时模型预测效率低的问题,提出了基于多尺度卷积与通道注意力机制结合门控循环单元（multi-scale convolution and SE-channel attention mechanism combined with gated recurrent neural network,MCSGRU）的多点联合位移预测模型。该模型通过多尺度卷积提取各监测点之间不同感受野大小的空间分布特征,从而挖掘出邻近滑坡监测点的之间内在联系;通过通道注意力机制动态调整特征的通道权重,提高了网络的特征表达能力;并利用GRU模块识别输入信息在时间上的依赖关系实现时序特征提取;最后,将提取的多重特征拼接融合,通过全连接层线性回归计算得到多点位移预测值。位移预测结果表明,MCSGRU具有更好的多点联合预测能力,预测结果令人满意。

关键词： 滑坡位移预测   平均影响值   极限学习机   灰狼优化算法   协同预测  

摘要： 滑坡是最频繁、最常见、破坏性强、波及面广的一种地质灾害,我国每年滑坡涉及伤亡人数2万人以上,严重威胁人民生命财产安全。三峡地区作为我国滑坡的高发地,成为众多学者研究的典型区域。滑坡预测的有效性取决于触发因素的筛选以及高性能预测模型的构建。在传统预测模型中影响因素对模型的敏感性考虑较少,未能筛选出关键的触发因素;此外现有的预测模型缺少了对特征的深层提取,模型存在局限性等问题,难以对滑坡进行有效预测。基于上述问题,主要研究如下:(1)针对滑坡诱发因素筛选过程中传统方法未考虑影响因素对滑坡位移敏感性影响,以及在滑坡蠕变期间出现随机波动问题,提出基于二次指数平滑的灰色极限学习机预测方法。首先,利用二次指数平滑方法提取累计位移趋势项和周期项。其次,计算影响因素对位移的敏感性,将平均影响值和具有高效预测能力的极限学习机相结合,分析影响因素和位移的变化关系,完成初始影响因素筛选,优化输入质量;并利用灰色关联分析计算极限学习机节点间的相关性,筛选关联性高的节点,优化灰色极限学习机结构。最后,将预测的趋势项和周期项叠加得到预测总位移,并利用Bootstrap方法对位移区间进行预测,表明了模型的有效性,且预测区间覆盖了位移的波动。(2)传统预测模型缺少对特征的深层提取,未考虑触发因素与时序之间的因果关系,只考虑单一的滑坡预测模型,本文提出基于灰狼优化算法(Grey Wolf Optimizer,GWO)的支持向量回归(Support Vector Regression,SVR)和长短时记忆网络(Long Short-Term Memory,LSTM)的协同预测模型。首先,利用经验模态分解将累计位移分解为趋势项和周期项,并采用多项式函数拟合趋势位移分量。其次,运用经验模态分解将影响因子分解为高频序列与低频序列,挖掘特征的深层信息,选择具有周期特征的低频序列作为候选触发因素,采用互信息计算与位移关联性选取主要触发因素。然后,设计SVR-LSTM协同预测模型,提升模型中的数据拟合与预测能力,实现预测模型的优势互补。进一步运用GWO对SVR-LSTM模型中的权重与偏置进行自适应寻优,构建GWO-SVR-LSTM协同优化模型并对周期位移进行预测。最后,对趋势项位移与周期项位移叠加得到预测累计位移。实验表明模型预测精度较高,验证了模型具有较好的输出稳定性和适应性。

关键词： 浅层滑坡预测   山区林地   机器学习模型   植被因子   华蓥  

摘要： 四川省华蓥市地处平行岭谷区,市内山区面积约占整体面积的一半。该市属川东暴雨中心之一,降雨集中,山区林地浅层滑坡灾害频发,造成巨大的人员伤亡和财产损失。本研究基于华蓥市山区林地严重的浅层滑坡灾害状况,筛选适用于研究区的浅层滑坡影响因子,利用机器学习方法构建并提出适用于华蓥市山区林地的高精度浅层滑坡预测模型,获得以下结论:（1）选择工程地质岩组、距断层距离、距河流距离、高程、高程变异系数、坡度、坡度变率、地形起伏度、平面曲率、剖面曲率、坡向、土层厚度、GRVI、乔木密度、蓄积量、林分类型、平均树龄17个因子,经过Boruta重要性分析和共线性诊断,最终筛选出适用于该区域浅层滑坡预测的影响因子为工程地质岩组、蓄积量、高程、平均树龄、距断层距离、林分类型、林分密度、坡度、距河流距离、平面曲率。（2）本研究选取Logistic模型、广义相加模型、随机森林模型、支持向量机模型和人工神经网络模型五种机器学习方法构建浅层滑坡预测模型,通过模型因子组合构建出5115个模型。经过历史滑坡点检验,结果显示,在Logistic模型中编号为LOGIT325的模型具有最高精度,为67.58%,在广义相加模型中编号为GAM597的模型具有最高精度,为68.13%,在随机森林模型中编号为RF62的模型具有最高精度,为95.05%,在支持向量机模型中编号为SVM169的模型具有最高精度,为69.78%,在人工神经网络模型中编号为ANN533的模型具有最高精度,为78.57%。经分析,由高程、平均树龄、距断层距离、林分类型、林分密度、距河流距离、平面曲率等七个因子组成的随机森林模型具有最高的预测精度（95.05%）,该模型最适用于本研究区的浅层滑坡预测。（3）研究区内浅层滑坡高易发性及以上区域的面积为25.31km2,占研究区总面积的14.79%,其主要分布在研究区西侧襄渝铁路沿线,天池湖西侧以及研究区东南部,这几个区域需要加强灾害防治工作。（4）因子组合对模型精度有极大的影响,为提高模型精度,在模型构建时应对选取的影响因子进行重新组合,采用不同的因子组合进行模型构建,而后筛选符合精度要求的模型。

关键词： tri-training   极限学习机   信任预测   迁移学习   伪标签  

摘要： 随着互联网的普及,虚拟交互已成为生活中必不可少的活动,如同在现实世界中,用户在虚拟世界中也同样扮演不同的角色。很多情况下,在不了解陌生用户的信息时,无法直接判断其是否可信,可以根据其朋友的相关信息间接判断其可信与否,进而可以进行交易或者合作,所以帮助判断陌生用户是否可信很有必要。现如今大多数学者基于一个社交网络进行信任预测,预测社交网络中的关系需要结合一些因素,比如共同邻居数量、聚类系数和用户相似性等。但是大多数的社交网络存在标签稀疏问题,没有足够的标签训练模型,最终会导致预测结果不够准确,可以利用跨领域预测方法解决这个问题。目前,跨领域的信任预测工作很少,有的学者基于非对称tri-training框架构建跨领域预测模型,分类器采用BP神经网络,在六个社交网络上进行实验。基于以上的研究背景,现有的研究方法还有一些不足,第一伪标签选取方法不够自动化,第二分类器的速度不够快。针对这些不足,本文在分类器和伪标签选取工作上做了改进。本文做了以下两个工作:(1)扩展非对称tri-training模型构建模型框架,并使用极限学习机作为分类器进行信任预测,通过类似迁移学习方法保存模型,伪标签样本选取采用三个分类器一致则采用,不一致则不采用的方法。与现有的几种评估方法在六个在线社交网络上进行实验对比,实验结果表明模型在召回率及稳定性方面优于其他的评估方法。(2)基于第一个工作改进模型,结合tri-training模型和非对称tri-training模型,根据“少数服从多数”投票机制,利用tri-training模型选择伪标签。实验测试特殊特征加入的影响,对比极限学习机和其他方法的速度以及准确率,且在六个数据集上与其他已有算法进行对比,实验表明模型在召回率和稳定性方面优于其他算法。

关键词： 瓦斯含量预测   遗传模拟退火算法   BP神经网络   支持向量机   核极限学习机  

摘要： 鉴于煤层瓦斯预测问题是复杂非线性预测问题,将智能化机器学习算法运用到煤层瓦斯预测具有较高的适用性。结合九里山矿15采区实际情况,通过相关资料总结瓦斯含量的影响因素数据建立预测样本数据集,利用灰色关联分析法筛选数据样本作为预测模型的输入。为突破单一智能算法性能改进程度的局限性,将模拟退火算法串联在遗传算法下混合成遗传模拟退火算法。由于瓦斯含量预测问题属于非线性预测问题,本文在极限学习机的基础上引入核函数加以改进,为解决核极限学习机的参数对模型预测效果影响较大且很难确定范围的问题,本文设计以模型预测煤层瓦斯含量值和现场实测瓦斯含量值的均方误差作为适应度函数,利用所设计的GASA算法改进KELM初始参数赋值方法建立GASA-KELM瓦斯含量预测模型,同等条件下建立基于BP神经网络和支持向量机的预测模型。15采区数据集通过10次10折交叉验证法划分训练集和测试集,利用样本分别训练预测模型100次完成建模。模型在15采区进行现场瓦斯含量预测应用,结果表明:(1)在Rastrigin’s函数寻优过程中,粒子群算法、遗传算法、模拟退火算法和遗传模拟退火算法分别在146次、147次、153次和78次迭代时完成收敛,结果的方差分别为3.05、4.65、6.25和1.59,但GA和SA寻优的质量不及PSO和GASA,因此本文设计的GASA算法具备更强的函数寻优能力和搜索稳定性。(2)在模型训练过程中,GASA-BPNN模型迭代800次未能达到目标要求,GASA-SVM模型和GASA-KELM模型分别在610次和378次达到目标最小误差,交叉验证瓦斯含量预测总平均相对误差分别为13.11%、9.68%和8.29%,测试集总平均方差分别为3.15、2.73和2.52。因此GASA-KELM具有均方误差收敛速度快,交叉验证预测总平均相对误差低和稳定性强等优点,抽样测试过程中GASA-KELM模型具有预测准确率高和对新样本数据泛化能力强的优势。(3)在现场预测应用过程中,本文建立的GASA-KELM模型瓦斯含量预测准确率高、预测稳定性和泛化能力强的优势,对准确预测瓦斯含量以及提出行之有效的瓦斯治理措施具有重要意义。图33幅,表8个,参考文献96篇。

关键词： 滑坡监测   深度学习   滑坡预测模型  

摘要： 全球每年都会有大量的滑坡灾害发生,且造成了大量的人员伤亡以及巨大的经济损失,对滑坡的预测显得极其重要。随着滑坡定点监测传感器设备类型越来越丰富,以及越来越多的研究者将深度学习技术引入滑坡预测领域,这都对滑坡的预测提供了重要的数据和技术基础。然而传统的滑坡预测模型存在历史数据之间的信息不能很好利用、多变量之间的相关性不能很好挖掘等问题,其预测精度也存在一定的不足。为了解决这些问题,本文以兰成渝管道沿线麻柳村滑坡为例对滑坡预测进行了研究,构建了滑坡预测模型。本文所开展的工作和结论如下所述:1.本文针对研究区的概况设计了滑坡监测方案,对监测数据进行了异常值去除、缺失值填补、数据降噪、数据标准化和数据对齐预处理工作,其中监测数据主要包括管道应变、深部位移、抗滑桩倾斜和降雨量数据。预处理工作为后续的实验提供了准备和基础。2.本文针对单序列滑坡数据提出了基于注意力机制的双层LSTM滑坡预测模型(Attention-Bi-LSTM Model),注意力机制可以很好地挖掘滑坡数据时间序列之间的特征以及变化规律,双层LSTM解决了单层LSTM中针对历史数据中不能很好利用后向时间信息的问题。并与RNN、双层LSTM、基于注意力机制的单层LSTM的滑坡预测模型进行了实验对比,采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为预测模型的评价指标。实验结果表明,Attention-Bi-LSTM Model的RMSE值分别提高了9.8392、8.6775和3.7590,MAPE值分别提高了4.2267%,0.1880%和2.6510%。3.本文针对多特征滑坡数据提出了基于双注意力机制的卷积神经网络双层LSTM滑坡预测模型(CNN-Attention-Bi-LSTM-Attention Model),使用卷积神经网络提取各变量数据之间的特征,并引入注意力机制更好挖掘变量之间的信息。并与Attention-Bi-LSTM Model进行了实验对比,实验结果表明,RMSE值和MAPE值分别提高了0.8492和0.1512%。4.本文结合数据预处理流程方法和多特征滑坡预测模型设计了滑坡数据修正与预测预警系统,提供了异常值去除功能、缺失值填补功能、数据预测功能和滑坡预警功能,并对系统进行了可视化展示。

关键词： 短期电力负荷预测   极限学习机   改进模拟退火算法   K均值聚类   平方根无迹卡尔曼滤波  

摘要： 短期电力负荷预测是现代电力系统中的一个重要组成部分,对于保障电力系统稳定、安全、高效运行具有重要的作用。本文以结构简单,学习速度快的极限学习机(Extreme Learning Machine,ELM)为基础预测模型,较为系统地研究了批量以及在线预测算法,并设计了基于MATLAB平台的短期电力负荷预测系统。论文具体内容及成果如下。(1)提出了一种基于改进模拟退火算法(improved Simulated Annealing algorithm,ISA)的极限学习机批量训练算法(ELM-ISA)用于短期电力负荷预测,它使用改进的模拟退火算法对ELM的输入权值矩阵和隐藏层偏置进行优化,避免了随机产生带来的模型预测结果的不稳定性,提高了模型的预测精度,同时还可以根据不同的训练数据自适应地设置初始参数,提高了模型的泛化能力。为进一步提高预测精度,根据分类预测的思想,将K均值聚类加入到预测模型中,提出了一种新型的ELM预测算法(ELM-ISA-K)。实验结果表明,所提算法模型具有较高的预测精度和稳定性。(2)目前对于短期电力负荷预测的研究主要集中在离线预测上,然而,电力负荷预测是具有时效性的,模型参数需要根据时间的推移而不断更新,若采用离线训练的方式,则每次训练都需要大量的历史数据。所以,针对在线预测场景,本文提出了一种基于平方根无迹卡尔曼滤波(square root unscented Kalman Filter,SRUKF)的极限学习机短期电力负荷在线预测算法(ELM-SRUKF)。该算法使用SRUKF在线更新ELM的输出权值,实现了短期电力负荷的在线预测。实验结果表明,相比于在线顺序极限学习机(Online Sequential Extreme Learning Machine,OS-ELM)和基于卡尔曼滤波(Kalman Filter,KF)的极限学习机(ELM-KF),本文提出的算法的预测精度更高。(3)以本文提出的两种算法为核心,设计了一个基于MATLAB平台的,支持离线和在线两种预测模式的短期电力负荷预测系统。