基于经验模态分解和神经网络的滑坡变形预测研究

受岩土体性质和多种诱发因素(降雨、地震、库水位等)的影响,滑坡的位移演化必然包含着多层次的信息,难以采用单一的灰色预测、神经网络、时间序列等模型进行有效、准确的预测.本文引入信号分析中的经验模态分解(EMD)方法,同时结合对非线性函数具有很强的逼近能力的BP神经网络,建立了滑坡变形预测的EMD-BP神经网络模型,并以三峡库区树坪滑坡为例,应用该模型对ZG88监测点的累积位移进行了预测,最后将其预测值与实际监测值以及其他模型预测结果进行了对比分析,结果表明该模型的预测值与实际监测值基本一致,且模型预测精度比单一的BP神经网络和GM(1,1)模型要高,从而验证了该模型具有一定的适用性和较高的预测精度.     

基于经验模态分解-支持向量机的滑坡位移预测方法研究

滑坡位移时间序列在外因的影响下呈现出单调非平稳的曲线特征,利用经验模态分解法(Empirical Mode Decomposition,EMD)将滑坡累计位移分解为周期项和趋势项,建立支持向量回归(Support Vector Regression,SVR)-布朗单一参数指数平滑(Browns Single Parameter Exponential Smoothing,Browns)模型对滑坡位移进行预测。以三峡库区木鱼包滑坡为例,首先在考虑降雨量和库水位等影响因子的基础上,采用SVR模型对周期项位移进行预测;然后采用Browns模型对趋势项位移进行预测;最后通过时间序列加法模型得到滑坡累计位移预测值,计算得到测试样本的平均绝对误差为13.31mm,均方根误差和判定系数分别为16.6mm和0.83。通过对比分析,结果表明:基于EMD与SVR-Browns模型的滑坡位移预测精度明显优于SVR模型和Browns模型,证明该模型是一种有效的滑坡位移预测方法。     

ODM技术支持下的滑坡位移预测研究

预测模型的建立是滑坡预报的核心问题。Oracle系统的数据挖掘选件(Oracle Data Mining,ODM)可直接对存储在数据库中的数据进行操作,能减少数据转换的资源消耗,保证数据的安全性。以三峡库区八字门滑坡为例,在深入分析滑坡累计位移变化特征与其降雨、库水位等影响因素响应关系的基础上,采用ODM中的PL/SQL API建立了可预测滑坡位移趋势的支持向量机(Support Vector Machines,SVM)模型,并利用建立的SVM模型对滑坡累计位移量的未来值进行了预测。经验证表明:测试样本的预测均方根误差和平均绝对误差分别为10.07mm和6.54mm,预测结果与实测值变化趋势基本一致,说明基于ODM的SVM滑坡位移预测模型在处理非线性时间序列数据上具有一定的优势,可用于滑坡监测数据的短期预测。     

基于粒子群优化的WA-SVM模型在滑坡位移预测中的应用

针对滑坡位移时间序列含大量噪声、具有明显的非线性等特征,本文提出了一种基于粒子群优化(PSO)的小波分析(WA)-支持向量机(SVM)滑坡位移预测模型(即WA-SVM模型)。该模型在混沌分析的基础上,首先用WA将滑坡位移序列分解成不同频率的分量,然后采用PSO算法优选SVM模型参数,并利用SVM模型预测各分量值,最后将各分量预测值组合得到最终预测值。结合滑坡位移序列实例,将基于粒子群优化的WA-SVM模型的预测结果与WA-BP模型、单独SVM模型进行对比,结果表明该滑坡位移序列存在混沌特性,基于粒子群优化的WA-SVM模型克服了噪声的干扰和参数优选的问题,具有较高的预测精度和预测效率,为滑坡位移的预测提供了一种新的方法。     

基于数据分解的AQI的CEEMD-Elman神经网络预测研究

针对Elman神经网络在预测空气质量指数（AQI）时易受到数据非平稳性的影响导致预测趋势良好但准确度较低的问题,提出以互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）为基础的CEEMD-Elman模型.应用CEEMD对AQI序列分解成不同时间尺度上的本征模态函数分量和剩余分量,进而首次将对非平稳的AQI序列的预测研究转化为对多个平稳的本征模态函数分量的研究.分别与Elman单一模型、EMD-Elman模型、BP单一模型及CEEMD-BP模型进行实验对比.结果表明：应用该方法建立的模型的均方误差、平均绝对误差和平均绝对百分比误差分别为4.80、0.71、1.84%,均小于其他模型结果;对应空气质量等级预报正确天数的频率为94.12%.该模型能有效的降低非平稳性对实验预测结果的影响,实现对空气质量等级的准确预报;该研究为进一步预测AQI的走向提供了有效依据,也为政府决策和管理部门制定空气污染控制提供了更充分的参考.     

基于影响因子分析的滑坡位移预测模型研究

将滑坡的影响因索引入到滑坡的位移预测模型中．从滑坡的位移动态变化特征和响应组成组分研究入手,将滑坡的位移分解为趋势项、周期项、脉动项和随机项．针对每一项进行研究,分别选取合适的影响因子变量和函数关系来模拟,并将各项耦合在一起得到位移的初步预测模型。通过对监测数据进行非线性多元统计回归分析,得到位移的最终预测模型。以长江三峡库区的新滩滑坡为实例,通过验证研究,发现将滑坡的影响因子引入滑坡的预测预报模型中的思路是有效可行的,而且可以明显地改善预测预报的时间尺度。     

基于神经网络的黄草坝古滑坡稳定性评价

根据神经网络的基本原理,结合35个实际滑坡工程实例,分别采用RBF神经网络和BP神经网络建立滑坡稳定性评价模型,利用MATLAB编程求解,并对比了两种模型的计算结果,表明采用RBF网络模型计算出的结果精度高、误差小,更适合于对滑坡的稳定性评价;同时,运用RBF网络模型计算了黄草坝古滑坡的稳定性系数,对其稳定性进行了预测,以验证该方法的有效性。     

基于CEEMDAN-SE和LSTM神经网络的PM10浓度预测

针对PM₁₀浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-样本熵(sample entropy,SE)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型。首先利用CEEMDAN-SE将原始PM₁₀浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM₁₀浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。     

库水位响应滞后影响下的滑坡位移预测模型研究

滑坡的位移变化不仅与其地质环境有关,还取决于外界诱发因素的动态变化,如降雨和库水位变化。本文以白家包滑坡监测数据为依据,对滑坡诱发因素与滑坡位移变化之间的影响关系进行了综合分析,并选取月降雨量与库水响应滞后影响下的库水位月平均变化量为诱发因子,采用时间序列分析方法,通过构建差分自回归移动平均(ARIMA)模型,对该滑坡的位移进行了动态预测。结果表明:该模型可以较好地反映滑坡位移在外界诱发因素影响下的动态变化,可有效提高模型预测精度,且简单易行,为判断滑坡的动态变化提供了可靠的理论依据。     

基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型

海表面温度（sea surface temperature, SST）是海洋与大气之间相互作用的关键因素,海温控制着全球大气和海洋生态系统的变化。准确预测海表面温度的演变对治理全球大气系统和海洋生态系统都具有重要的意义。为了对SST数据的空间自相关性准确建模,本文提出了基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型（deep neural network based on global cross-scale spatiotemporal attention, GCSA-DNN）。模型分为3个部分,从长时序数据中提取时序依赖特征的时序建模模块,从SST序列均值中提取空间分布规律特征的多尺度局部空间建模模块和基于全局跨尺度的时空注意力融合模块,实现每个网格点对全局自相关性的建模。本研究选择空间分布规律不同的东海和南海海域数据,对1981年9月1日至2022年4月7日美国国家海洋和大气管理局（nationaloceanicand atmospheric administration,NOAA）的数据进行了预测分析,共14829条数据,其中1981年9月1日至2021年8月31日的...     

基于场地位移变形要求的滑坡抗滑桩位置有限元模拟

因工程地质条件的复杂性,在综合评价滑坡治理工程中所选抗滑桩桩位时,既要保证安全稳定,又要经济合理。以巴东雷家坪35kV变电站滑坡治理工程为例,采用有限元数值模拟方法研究了滑坡前缘和中部设置抗滑桩时滑体内部和变电站场地受力和变形情况。结果表明:抗滑桩设置在滑坡前缘时,滑体后部推力并未有效减小,但能够有效地控制滑体前缘尤其是变电站场地的水平位移,而滑体后部的水平位移削减量不大;抗滑桩设置在滑坡中部时,能够有效地抵挡滑体后部所产生的推力,并使得滑体中后部水平位移和应力应变得到有效控制,但不能有效地控制滑体前缘的水平位移;滑坡前缘相对中部设置抗滑桩能更好地控制滑体的垂直位移。由此得出:抗滑桩设置在滑坡中部能够有效地抵抗滑体后部所产生的推力,抗滑桩设置在滑坡前缘能够防止滑体前缘变电站场地发生过大的变形。     

水质评价及预测的神经网络方法

本文基于模糊混合聚类法进行水质评价工作，重点讨论了采用人工神经网络方法进行水质评价及预测的可通用性及有效性，为进一步建立一个水质评价及预测的知识库指出了一个良好的途径。     

基于深部位移监测的渐进推移式滑坡变形传递过程研究

根据巴东县张家屋滑坡的地表位移变化,分析三峡库区高水位运行下,降雨为该滑坡变形的主要影响因素,进一步根据深部（滑带）位移与降雨量的相关性,得出滑带土变形较降雨有一定的滞后性,且滞后时间由后至前逐渐增大,表现出滑带变形由后缘向前缘传递的特征,揭示了渐进推移式滑坡的变形特点,并利用FLAC数值软件模拟了该滑坡在滑体重度逐渐...     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

基于模糊神经网络的广东省台风灾害损失预测

台风灾害是我国最严重的海洋灾害之一,研究提高台风灾害损失预测的准确度对防灾减灾具有重要意义。针对目前机器学习算法在处理小样本数据时预测精度不高的问题,提出结合模糊数学的BP神经网络算法对台风灾害损失进行预测。本文选用广东省2005—2016年记录较为完善的25个台风样本数据进行实验,首先利用信息扩散技术对初始数据进行正...     

基于空间拟合和神经网络的机场噪声预测集成模型

将集成学习方法引入到机场噪声预测中,提出一种基于空间拟合和神经网络的机场噪声预测集成模型.该模型采用空间拟合算法和BP神经网络算法构建基学习器,然后通过所提出的基于观察学习的异构集成算法将基学习器集成起来,获得集成的机场噪声预测结果.该模型通过集成多个异构机场噪声预测基学习器,能够有效提升预测准确率.实验结果表明,本文所提出的基于观察学习的异构集成算法,较之其他异构集成算法,在解决机场噪声预测问题上准确性更高、容错性更强.     

基于PSO-BP神经网络的山西省碳排放预测

山西作为能源使用和碳排放大省,推动“双碳”战略对全国具有重要示范意义。基于IPCC（政府间气候变化专门委员会）排放系数法测算山西省2000—2020年的碳排放量,运用Tapio脱钩模型分析碳排放与经济发展之间的脱钩关系,利用LMDI法对影响碳排放变化的因素进行分解,采用PSO-BP神经网络模型对山西省的碳排放量进行模拟和预测。结果表明：2000—2020年山西省碳排放量呈增长趋势,碳排放强度呈下降趋势,脱钩系数为0.585,整体处于弱脱钩状态。经济增长是碳排放量增长的决定因素,而产业结构与能源强度的优化调整是抑制碳排放的主导因素。引入PSO（粒子群优化算法）有效提高了BP神经网络的预测精度。预测结果显示,在基准情景、低碳情景和强化低碳情景下,山西省碳排放分别于2032年、2029年和2027年达峰。针对预测结果,提出了相关政策建议。

     

基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。     

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。     

浙江省磐安县滑坡灾害空间预测

结合浙江省磐安县滑坡灾害发生的环境和基本特征,分析了影响灾害发生的各因素与灾害发生之间的相关性,提取出影响灾害发生的主要因素:地形、坡度、岩性、构造、水系、公路。利用GIS的空间分析功能将各因素图件栅格化为250 m×250 m的单元共19765个。采用二元逻辑回归方法对研究区滑坡灾害进行了定量的概率预测,为解决滑坡灾害定量风险预测研究提供参考方法,同时也做了危险性定性空间预测分区图,将预测结果与该区历史滑坡灾害发生情况进行对比发现,预测精度为75．8％。2004年8月浙江省遭遇“云娜”台风期间,浙江省突发性地质灾害预警预报系统采用该方法进行了试运行发现,预测范围内新发生的灾害点均落在了高、中易发区范围内。