【技术实现步骤摘要】
本专利技术涉及一种滑坡位移预测方法，具体为一种基于vmd-mamba算法的阶跃型滑坡位移预测方法，属于地质灾害防治。
技术介绍
1、滑坡灾害作为一种复杂而常见的自然地质灾害，是全球范围内广泛分布且危害严重的地质灾害之一，对人类及其生存环境造成严重危害和破坏。特别是在中国，由于山区众多、地形复杂，滑坡灾害频发且影响深远，已成为中国最严重的地质灾害之一。近年来，随着城市化进程的加快和气候变化的影响，滑坡灾害的发生频率和破坏力有增无减，成为影响人民生命财产安全和经济发展的重大威胁。
2、然而，由于滑坡形成机制和诱发因素的复杂性，滑坡位移预测仍然是一项艰巨的任务。以三峡库区八字门滑坡为例，由于受到自身内部控制条件及外界多种诱发因素的共同影响,滑坡变形监测曲线随时间变化呈现出阶跃性特征,这种变形曲线在雨季时急剧增加,加大了滑坡变形预测难度。面对这种阶段性突增的位移曲线直接预测时,模型拟合难度高,滑坡阶跃阶段预测效果较差。因此,在处理诸如三峡地区这种诱发因素众多的阶跃型滑坡,如何利用现有的监测数据实现滑坡位移精准预测,是如今需要解决的棘手问题。
3、现有技术中，公告号为cn113111573b的专利所公开的一种基于gru的滑坡位移预测方法，对滑坡地表位移变形进行监测，并利用构造的多项式模型计算出得到的滑坡位移数据中异常值的替换值；对利用所述替换值替换后的所有所述滑坡位移数据进行均值归一化处理，并构建gru模型和训练集、验证集、测试集；利用所述训练集对所述gru模型进行循环迭代，并利用所述验证集对训练后的所述gru模型
技术实现思路
1、本专利技术的目的就在于为了解决上述至少一个技术问题而提供一种基于vmd-mamba算法的阶跃型滑坡位移预测方法，该方法基于变分模态分解算法与mamba模型框架结合，预测结果相较于目前主流滑坡预测模型更加精准可靠，且模型结构简单，计算复杂度较低，具有很好的实用价值，能够提高滑坡位移预测的精确度与预测时效性。
2、本专利技术通过以下技术方案来实现上述目的：一种基于vmd-mamba算法的阶跃型滑坡位移预测方法，该阶跃型滑坡位移预测方法包括以下步骤：
3、步骤一、构建同一区域内的数据集：所述数据集包括滑坡位移监测数据集和滑坡影响因素数据集，并对所述滑坡位移监测数据集和滑坡影响因素数据集进行预处理，得到区域内的滑坡预测数据集；
4、步骤二、变分模态分解：选取所述滑坡预测数据集中的滑坡位移监测数据集，并通过变分模态分解算法分解累计滑坡位移为趋势项位移分量和周期项位移分量；
5、步骤三、趋势项位移分量预测：根据变分模态分解得到趋势项位移分量的趋势特点，构建mamba-趋势项预测模型，其中，所述mamba-趋势项预测模型属于单元预测模型，基于前五天的趋势项位移分量预测未来三天的趋势项预测值，得到趋势项位移分量预测值；
6、步骤四、周期项位移分量预测：选取所述滑坡预测数据集中的滑坡影响因素数据集，通过灰色关联度分析，筛选出影响滑坡位移的最相关因子集，并根据变分模态分解得到周期项位移分量的趋势特点，构建mamba-周期项预测模型；其中，mamba-周期项预测模型属于多元模型，基于前五天的最相关因子集与周期项位移分量，预测未来三天的周期项位移分量，得到周期项位移分量预测值；
7、步骤五、预测分量叠加与预测精度评价：将所述趋势项位移分量预测值与所述周期项位移分量预测值叠加，得到累计滑坡位移预测值，并通过计算均方根误差、平均绝对误差、平均绝对百分比误差和决定系数，对滑坡位移预测模型综合预测能力进行评估，并对预测结果的精度进行分析与评价。
8、作为本专利技术进一步的技术方案：所述步骤一中，所述滑坡位移监测数据集的构建以天为单位，用于滑坡位移预测模型的训练和验证；
9、所述滑坡影响因素数据集为区域内全部相关的诱发因素，包括但不限于地形地貌、水文地质情况、降雨、库水位变化、地表孔隙变化情况和人类工程活动。
10、作为本专利技术进一步的技术方案：所述步骤一中，所述滑坡位移监测数据集进行预处理包括对数据集进行异常值监测与缺失值处理以及对数据集进行归一化，包括以下步骤：
11、a.对数据集进行异常值处理和缺失值填补预处理，然后将其归一化到0-1之间，以此消除不同量纲对模型训练的影响；
12、b.对所述滑坡位移监测数据集按照7：2：1划分，即前70%的数据集作为模型的训练集，后续20%作为模型的验证集，最后保留10%的数据集作为模型的测试集。
13、作为本专利技术进一步的技术方案：所述步骤二中，变分模态分解算法具体包括：
14、1）将滑坡位移时间序列分解为多个imf，每个imf代表不同频率成分的振荡模式，其中，imf为本征模态函数；
15、2）通过递归迭代算法，逐步优化每个imf，实现输入信号分解；
16、3）将分解得到的imf组合，提取出代表趋势位移t和周期性位移p的成分，从而实现数据的降噪和特征提取。
17、作为本专利技术进一步的技术方案：将输入信号分解为若干个imf，每个imf对应一个中心频率；
18、其中，中心频率计算在于每一步迭代中，更新每个imf的中心频率和带宽，使得每个imf在频域上被集中。
19、作为本专利技术进一步的技术方案：步骤三中的mamba-趋势项预测模型和步骤四中的mamba-周期项预测模型共同组成mamba模型，所述mamba模型包括状态空间模型、动态选择机制和硬件感知架构；
20、其中，所述状态空间模型用于捕捉和建模时间序列数据中的长期依赖关系，状态空间模型通过状态转移和观察机制，将时间序列的演变表示为一个隐藏状态的序列；
21、所述动态选择机制通过输入参数化的状态空间模型参数，使状态空间模型能够过滤掉不相关的信息并无限期地记住相关信息，实现选择性复制和感应头合成任务；
22、所述硬件感知架构使用扫描来循环计算模型，但不实现扩展状态，以避免gpu内存层次结构不同级别之间的io访问，由此实现更快速的推理与更长序列长度的线性扩展。
23、作为本专利技术进一步的技术方案：所述步骤四中，灰色关联度分析具体包括：
24、通过灰色关联度分析判本文档来自技高网...
【技术保护点】
1.一种基于VMD-Mamba算法的阶跃型滑坡位移预测方法，其特征在于，所述阶跃型滑坡位移预测方法包括以下步骤：
2.根据权利要求1所述的阶跃型滑坡位移预测方法，其特征在于：所述步骤一中，所述滑坡位移监测数据集的构建以天为单位，用于滑坡位移预测模型的训练和验证；
3.根据权利要求1所述的阶跃型滑坡位移预测方法，其特征在于：所述步骤一中，所述滑坡位移监测数据集进行预处理包括对数据集进行异常值监测与缺失值处理以及对数据集进行归一化，包括以下步骤：
4.根据权利要求1所述的阶跃型滑坡位移预测方法，其特征在于：所述步骤二中，变分模态分解算法具体包括：
5.根据权利要求4所述的阶跃型滑坡位移预测方法，其特征在于：将输入信号分解为若干个IMF，每个IMF对应一个中心频率；
6.根据权利要求1所述的阶跃型滑坡位移预测方法，其特征在于：步骤三中的Mamba-趋势项预测模型和步骤四中的Mamba-周期项预测模型共同组成Mamba模型，所述Mamba模型包括状态空间模型、动态选择机制和硬件感知架构；
7.根据权利要求1所述的阶跃
...【技术特征摘要】
1.一种基于vmd-mamba算法的阶跃型滑坡位移预测方法，其特征在于，所述阶跃型滑坡位移预测方法包括以下步骤：
2.根据权利要求1所述的阶跃型滑坡位移预测方法，其特征在于：所述步骤一中，所述滑坡位移监测数据集的构建以天为单位，用于滑坡位移预测模型的训练和验证；
3.根据权利要求1所述的阶跃型滑坡位移预测方法，其特征在于：所述步骤一中，所述滑坡位移监测数据集进行预处理包括对数据集进行异常值监测与缺失值处理以及对数据集进行归一化，包括以下步骤：
4.根据权利要求1所述的阶跃型滑坡位移预测方法，...
【专利技术属性】
技术研发人员：陈伟涛，朱秦遥，李远耀，秦绪文，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。