(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211240300.8 (22)申请日 2022.10.11 (71)申请人 贵州省交通 规划勘察设计 研究院股 份有限公司 地址 550081 贵州省贵阳市观山湖贵阳国 家高新区阳关大道10 0号 (72)发明人 秦龙　熊雄　张磊　王宏　吁燃　 邵鹏　姜基建　廖俊　 (74)专利代理 机构 贵州启辰知识产权代理有限 公司 52108 专利代理师 邵红波 (51)Int.Cl. G06F 17/18(2006.01) G06F 17/14(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种滑坡位移多步超前预测模型的构建方 法 (57)摘要 本发明公开了一种滑坡位移多步超前预测 模型的构建方法， 其分别建立用于对滑坡位移进 行线性多步预测的差分整合移动平均自回归模 型ARIMA 、 用于将滑坡非线性位移多步预 测的长短期网络记忆模型 （LS TM） ， 在用求和方式 构建滑坡位移多步超前预测组合模型 （ARIMA ‑ LSTM） ， 可实现滑坡累积位移多 步超前预测， 通过 对模型进行验证其得到滑坡累积位移多步超前 预测精度均高于现有的检测模型， 实用性和推广 性高。 权利要求书4页 说明书11页 附图10页 CN 115510396 A 2022.12.23 CN 115510396 A 1.一种滑坡位移多步超前 预测模型的构建方法， 其特 征在于， 包括以下步骤： 步骤1： 建立差分整合移动平均自回归模型A RIMA(p， d， q)， 用于对滑坡位移进行线性多 步预测的， 并确定滑坡非线性 位移； 步骤2： 建立变分模态分解模型(VMD)和经验小波变换模型(EWT)， 用于将滑坡非线性位 移分解成若干 子序列的； 步骤3： 建立并训练长短期网络记 忆模型(LSTM)， 用于 子序列的多步预测； 步骤4： 通过步骤1和3构建滑坡位移多步超前预测组合模型(ARIMA ‑LSTM)， 并进行组合 模型的验证。 2.根据权利要求1所述的滑坡位移多步超前预测模型的构建方法， 其特征在于， 具体包 括以下步骤： 步骤1中， 通过自回归(AR)模型和移动平均(MA)模型， 构建自回归移动平均模型ARMA (p， q)， 再将自回归移动平均模 型ARMA(p， q)进行d次差分， 建立差分整合移动平均自回归模 型ARIMA(p， d， q)； 采用差分整合移动平均自回归模型ARIMA(p， d， q)对滑坡位移进行线性多步预测； 用累 积位移减去 线性位移预测结果， 从中过 滤出滑坡位移非线性部分； 步骤2中， 采用变分模态分解模型(VMD)将过滤出的非线性位移进行分解， 再采用经验 小波变换模型(EWT)对VMD分解后求出的残差序列进行分解； 步骤3中， 结合滑坡位移预测的触发因素， 通过长短期网络记忆模型(LSTM)对分解出的 子序列进行非线性多步预测； 步骤4中， 采用求和方法构 建滑坡位移多步超前预测组合模型(A RIMA‑LSTM)， 将线性和 非线性位移多步预测结果相加， 实现对滑坡位移的多步超前预测； 并将预测结果与其它模 型的预测结果进行比较， 进行组合模型的验证。 3.根据权利要求1或2所述的滑坡位移多步超前预测模型的构建方法， 其特征在于， 在 ARIMA(p， d， q)模 型中， 至少包括两种预测方法： (1)连续型多步超前预测； (2)跳跃型多步超 前预测。 4.根据权利要求3所述的滑坡位移多步超前预测模型的构建方法， 其特征在于， 所述的 步骤1中， 搜集历年滑坡监测数据构建监测数据库， 从监测数据库中采集若干位移数据点， 并采集对应的滑坡累计位移， 基于差分整合移动平均自回归模型ARIMA(p， d， q)， 多步预测 累计位移中的线性 位移值； 用滑坡累计位移减去 线性位移， 得到滑坡非线性 位移值。 5.根据权利要求 4所述的滑坡位移多步超前 预测模型的构建方法， 其特 征在于， 通过表达式(1)建立自回归(AR)模型： 通过表达式(3)建立移动平均(MA)模型： 将AR(p)模型与MA(q)模型相结合， 可以得到一般的自回归移动平均模型ARMA(p， q)， 其权　利　要　求　书 1/4 页 2 CN 115510396 A 2表达式为： 将自回归移动平均模型ARMA(p， q)与差分法相结合， 即可 得到ARIMA(p， d， q)。 6.根据权利要求3所述的滑坡位移多步超前预测模型的构建方法， 其特征在于， 所述的 步骤2中， 第一步， 建立变分模态分解模型(VMD)， 将非线性位移值f分解为K个IMF序列和一个残 差序列； 第二步， 建立经验小波变换模型(EWT)， 将VMD分解出的残差序列的Fourier谱划分成连 续的区间， 然后在每个区间上构造小波滤波器组进行滤波， 最后通过信号重构得到一组调 幅调频分量。 7.根据权利要求6所述的滑坡位移多步超前 预测模型的构建方法， 其特 征在于， 第一步， 建立VMD， 通过表达式(6) ‑(7)， 将非线性位移值f分解为K个IMF序列和一个残 差序列： 式中， K为指定模态分解次数， { μk}＝{ μ1， μ2，…， μK}为各模态函数， {ωK}＝{ω1， ω2，…， ωK}为各模态中心频率， δ(t)是 狄拉克δ 函数， *表示卷积运 算； 为求解上述公式， 现引入增广拉格朗函数将上述约束优化问题等效为一个无约束优化 问题， 如下 所示： 式中， λ(t)为加深约束的拉格朗日乘子， α 为 二次惩罚因子； 第二步， 建立EWT， 通过表达式(13) ‑(14)在每个区间上构造小波滤波器组进行滤波， 再 通过表达式(17) ‑(19)进行信号重构得到一组调幅调频分量 ’ 经验小波函数 ψn(ω)和 分别由下面两式表示：权　利　要　求　书 2/4 页 3 CN 115510396 A 3