針對傳統(tǒng)滑坡位移預(yù)測模型存在對歷史數(shù)據(jù)遺忘的問題,提出了一種基于長短時記憶（long short time memory,LSTM）網(wǎng)絡(luò)的滑坡位移動態(tài)預(yù)測模型。首先,將滑坡累計位移分解為趨勢項位移與波動項位移,利用多項式擬合預(yù)測趨勢項位移;然后,通過灰色關(guān)聯(lián)度篩選外界誘發(fā)因子并運用LSTM模型預(yù)測波動項位移;最后,疊加周期項位移與波動項位移,得到累計位移。以新灘滑坡為例,并與（recurrent neural network,RNN）模型以及傳統(tǒng)靜態(tài)神經(jīng)網(wǎng)絡(luò)模型BP、ELM進(jìn)行對比分析,采用平均百分比誤差（MAPE）,均方根誤差（RMSE）,擬合優(yōu)度（R²）分別對其進(jìn)行評價。應(yīng)用結(jié)果表明:相比于傳統(tǒng)靜態(tài)模型,LSTM與RNN均適用于滑坡位移動態(tài)預(yù)測;對比結(jié)果顯示,LSTM模型具有較好的預(yù)測精度,MAPE與RMSE分別為1.026%、0.327 mm,擬合優(yōu)度R²為0.978。 

【文章來源】：科學(xué)技術(shù)與工程. 2020,20(33)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

技術(shù)路線圖

1.2.1 RNN基本原理圖2為RNN結(jié)構(gòu)圖。圖2中,該網(wǎng)絡(luò)分為3層:輸入層、隱藏層、輸出層[11]。其中x為輸入層的向量,s為隱藏層的向量[12],o為輸出層的向量。輸入層與隱含層之間的U為連接輸入層到隱含層的權(quán)重矩陣;W為隱藏層的權(quán)重矩陣;V為隱藏層到輸出層的權(quán)重矩陣[13]。

傳統(tǒng)RNN,每個重復(fù)的模塊里都有一個簡單tanh層。LSTM屬于一種特殊的RNN,兩者差異在于每個模塊中的結(jié)構(gòu)不相同,LSTM擁有4個網(wǎng)絡(luò)層,以一種特殊方式相互連接。如圖3所示為RNN與LSTM結(jié)構(gòu)對比。由圖3可以看出,LSTM網(wǎng)絡(luò)結(jié)構(gòu)在RNN原有的基礎(chǔ)上增加了單元狀態(tài)c,并引入“門”,其目的是解決RNN網(wǎng)絡(luò)中的梯度爆炸和梯度消失問題。LSTM的主要結(jié)結(jié)構(gòu)算法:

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)KPCA與混合核函數(shù)LSSVR的泥石流預(yù)測[J]. 李麗敏,程少康,溫宗周,蕭明偉,徐根祺,張順鋒.  信息與控制. 2019(05)
[2]基于主控因子分析與GM-IAGA-WNN聯(lián)合模型的平推式滑坡位移預(yù)測研究——以垮梁子滑坡為例[J]. 黃健,李橋,巨能攀,許強,王昌明.  工程地質(zhì)學(xué)報. 2019(04)
[3]基于CEEMDAN理論和PSO-ELM模型的滑坡位移預(yù)測[J]. 檀夢皎,殷坤龍,郭子正,張俞,楊永剛,趙海燕,張怡悅.  地質(zhì)科技情報. 2019(06)
[4]基于LS-SVM模型的白水河滑坡臺階狀位移預(yù)測[J]. 李仕波,李德營,張玉恩,李杰.  長江科學(xué)院院報. 2019(04)
[5]基于LSTM-RNN的質(zhì)子交換膜燃料電池故障檢測方法[J]. 王森,雷衛(wèi)軍,劉健,張伯林.  電子技術(shù)與軟件工程. 2019(04)
[6]基于LSTM算法在新聞分類中的應(yīng)用[J]. 朱肖穎,賴紹輝,陸科達(dá).  梧州學(xué)院學(xué)報. 2018(06)
[7]基于變分模態(tài)分解和AMPSO-SVM耦合模型的滑坡位移預(yù)測[J]. 徐峰,范春菊,徐勛建,李麗,倪佳筠.  上海交通大學(xué)學(xué)報. 2018(10)
[8]基于時間序列與長短時記憶網(wǎng)絡(luò)的滑坡位移動態(tài)預(yù)測模型[J]. 楊背背,殷坤龍,杜娟.  巖石力學(xué)與工程學(xué)報. 2018(10)
[9]基于深度學(xué)習(xí)的網(wǎng)站權(quán)威性預(yù)測[J]. 楊海華,馮仰德,王玨,聶寧明,劉芳,張博堯.  計算機系統(tǒng)應(yīng)用. 2018(08)
[10]考慮誘發(fā)因素影響滯后性的庫岸滑坡位移預(yù)測[J]. 陳亮青,鄒宗興,苑誼,王艷昆.  人民長江. 2018(10)



本文編號：3460839