基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用

• Published in: 地质力学学报 Vol. 30; no. 4; pp. 633 - 646
• Main Authors: 刘航源, 陈伟涛, 李远耀, 徐战亚, 李显巨
• Format: Journal Article
• Language: Chinese
• Published: 中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074%中国地质大学(武汉)计算机学院,湖北武汉 430074%中国地质大学(武汉)地质调查研究院,湖北武汉 430074%中国地质大学(武汉)地理与信息工程学院,湖北武汉 430074 01.08.2024
• Subjects: time-series model; deep learning; 滑坡位移预测; 卷积神经网络; 集合经验模态分解; 深度学习; 时间序列模型; landslide-displacement prediction; convolutional neural networks; ensemble empirical mode decomposition
• ISSN: 1006-6616
• DOI: 10.12090/j.issn.1006-6616.2023145

P642.22%P232; 滑坡位移预测是滑坡稳定性评价的重要环节.尽管基于深度学习范式的时间序列方法预测滑坡位移取得了一定的成果,但由于滑坡位移数据的非平稳性、周期性和趋势性变化特征,导致当前时间序列模型的滑坡位移的多变量预测容易过拟合.为解决这一问题,针对滑坡位移数据的波动性和由周期项与趋势项位移叠加组成的特性,提出一种基于孤立森林(Isolation Forest,IF)异常检测、集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的滑坡位移预测模型.选择三峡库区以降雨为影响因子的阶跃型白家包滑坡为研究对象,引入IF算法对滑坡原始位移数据进行异常检测,使用EEMD方法提取滑坡趋势项和周期项位移,通过CNN捕捉局部周期项和趋势模式,并基于LSTM模型预测总体位移.结果表明,EEMD-CNN-LSTM在预测降雨情况时滑坡总体位移的均方根误差(RMSE)、平均绝对误差(MAE)、评价绝对百分比误差(MAPE)和决定系数(R2)4种指标分别为 0.4190、0.3139、0.2379和 0.9997,前 3种精度评价指标较现有模型分别提升 32.3%、25.1%、7.3%.相较于传统的LSTM模型、随机森林方法和EEMD-LSTM方法,EEMD-CNN-LSTM模型在有、无降雨这一外部影响因素下具有显著优势,能够较大地降低过拟合,提高预测的准确性.