(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 202211350430.7 (22)申请日 2022.10.31 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 简文彬　黄智杰　夏昌　樊秀峰　 赖增荣　林立鹏　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈鼎桂　蔡学俊 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/18(2006.01) G06F 119/12(2020.01) (54)发明名称 基于LSO-RF模型的阶跃型滑坡位移速率预 测方法 (57)摘要 本发明涉及一种基于LSO ‑RF模型的阶跃型 滑坡位移速率预测方法， 包括以下步骤:步骤S1: 采集滑坡相关数据并处理， 获得以日为单位的滑 坡位移速率及相关因素； 步骤S2:基于斯皮尔曼 等级相关系数法以及灰色关联度分析法的结果 对滑坡位移速率与各因素的关联程度综合考虑， 双重选择预测模型的输入特征； 步骤S3:将步骤 S2获取的输入特征及滑坡位移速率历史数据构 建数据集； 步骤S4:构建LSO ‑RF模型， 基于训练集 数据训练， 得到训练后的LSO ‑RF模型， 并基于训 练后的LSO ‑RF模型， 对滑坡位移速率进行预测。 本发明能够实现对阶跃型滑坡位移速率的准确 预测。 权利要求书2页 说明书5页 附图5页 CN 115526117 A 2022.12.27 CN 115526117 A 1.一种基于LSO ‑RF模型的阶跃 型滑坡位移速率预测方法， 其特 征在于， 包括以下步骤: 步骤S1:采集滑坡相关数据并处理， 获得以日为单位的滑坡位移速率及降雨量、 孔隙水 压力因素 数据； 步骤S2:基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率 与各因素的关联程度综合 考虑， 双重 选择预测模型的输入特 征； 步骤S3:将步骤S2获取的输入特 征及滑坡位移速率历史数据构建数据集； 步骤S4:构建LSO ‑RF模型， 基于训练集训练， 得到训练后的LSO ‑RF模型， 并基于训练后 的LSO‑RF模型， 对滑坡位移速率进行 预测。 2.根据权利要求1所述的基于LSO ‑RF模型的阶跃型滑坡位移速率预测方法， 其特征在 于， 所述步骤S1具体为： 以小时为单位， 通过野外监测站获取滑坡的累计位移、 孔隙水压力、 小时降雨量； 将累计位移、 孔隙水压力、 小时降雨量数据进 行处理， 以天为单位， 转换为滑坡 的位移速率， 日平均孔隙水压力、 日降雨量； 以天为单位， 通过气象站资料， 获取滑坡区域的 云量、 湿度、 土壤有效持水量、 地表 径流。 3.根据权利要求2所述的基于LSO ‑RF模型的阶跃型滑坡位移速率预测方法， 其特征在 于， 所述步骤S2具体为： S21： 将滑坡位移速率视为因变量Y， 滑坡日平均孔隙水压力、 日降雨量、 云量、 湿度、 土 壤有效持水量、 地表 径流视为自变量X， 分别探究X与Y之间的斯皮尔曼等级相关系数； S22： 将滑坡位移速率时间序列视为参考时间序列， 将滑坡日平均孔隙水压力、 日降雨 量、 云量、 湿度、 土壤有效持水量、 地表径 流时间序列视为比较时间序列， 将参考时间序列与 比较时间序列 均值化后， 计算 参考时间序列同各个比较时间序列间的灰色 关联度； S23： 综合对比斯皮尔曼等级相关系数和灰色关联度的分析结果， 选取在两种分析中均 满足预设要求的因素， 作为模型的输入特 征。 4.根据权利要求3所述的基于LSO ‑RF模型的阶跃型滑坡位移速率预测方法， 其特征在 于， 所述斯皮尔曼等级相关系数的计算 步骤如下： (1)首先对两变量(X、 Y)的数据各自进行排序， 然后记录下排序以后的位置； 此时某个 数据i的位置， 即为Xi或Yi的秩次； (2)而后对斯皮尔曼相关系数rs按如下公式计算： 其中di为Xi与Yi之间的秩次差； n 为序列中的样本数。 5.根据权利要求3所述的基于LSO ‑RF模型的阶跃型滑坡位移速率预测方法， 其特征在 于， 所述灰色 关联度的计算 步骤如下： (1)确定滑坡位移速率时间序列为参考序列， 滑坡的日平均孔隙水压力、 日降雨量、 云 量、 湿度、 土壤有效持水量、 地表 径流时间序列为比较序列； (2)对参考序列{x0}和比较序列{xi},i＝1,2, …,5通过均值化进行无量纲处理， 均值化 公式如下： 权　利　要　求　书 1/2 页 2 CN 115526117 A 2其中， xi(k)为某一时间序列中第k个数据； 为某一时间序列的平均值； (3)计算参考序列和比较序列之间的灰色 关联系数值， 计算公式如下： 其中， ξi(k)为比较序列{xi}与参考序列{x0}在第k个数据时的灰色关联系数； ρ 为分辨 系数； (4)按下式求 解参考序列同各比较序列之间的灰色 关联度值： 6.根据权利要求1所述的基于LSO ‑RF模型的阶跃型滑坡位移速率预测方法， 其特征在 于， 所述LSO‑RF模型构建， 具体如下： S41： 种群初始化， 包括初始化狮群中狮子的数目， 狮子的位置； S42： 输入RF随机森林模型并选 定待优化 参数； S43： 根据公式计算狮群中狮王、 母狮、 幼狮个数， 并且将初始群体最优位置设置为狮王 位置， 各狮当前位置设为个 体历史最优位置； S44： 将LSO狮群优 化算法的适应度函数设置为RF随机森林模型预测结果的MAE、 RMSE、 R2 的平均值； S45： 更新狮王位置， 计算 适应度值； S46： 更新母 狮位置和幼狮位置； S47： 重新计算 适应度值， 更新全局最优位置和历史最优位置； S48： 判断迭代次数是否为最大迭代次数， 若不是， 则重复步骤S45～S47； 若是最大迭代 次数， 则结束循环， 输出待优化 参数的值； S49： 根据得到的参数， 建立 LSO优化的RF随机森林模型。 7.根据权利要求1所述的基于LSO ‑RF模型的阶跃型滑坡位移速率预测方法， 其特征在 于， 所述步骤S4还采用监督学习数据的转换将包含不同特征的时间序列转换成指定输入步 长和输出步长的时间序列。 8.根据权利要求1所述的基于LSO ‑RF模型的阶跃型滑坡位移速率预测方法， 其特征在 于， 所述步骤S4中训练模型时， 采用扩展窗口法， (1)先按预设比例划分训练集和测试集， 模型对训练集进行训练学习、 而后对测试集中 从起始位置开始的部分数据进行 预测； (2)对上述部分数据 预测完成后， 将这些数据的真实值纳入原有的训练集中， 构成一个 新的训练集， 进 而对下一部分的数据进行 预测。权　利　要　求　书 2/2 页 3 CN 115526117 A 3