【技术实现步骤摘要】
本专利技术涉及库岸边坡变形预测，特别是考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法。
技术介绍
1、水库区域边坡失稳诱发的滑坡现象常见的地质灾害之一，滑坡发生前边坡的变形通常是缓慢递变的过程，其一些破坏特征如变形速率、变形幅度是可以通过现有监测技术手段掌握的。因此，边坡位移预测已成为一种经济有效的降低风险的方法。
2、库岸边坡的变形位移预测在库岸滑坡灾害的早期预警意义重大。深度学习作为一种非线性预测方法，可以对历史变形序列进行处理，以历史位移监测结果为基础，通过学习变形监测数据在多致变因子耦合作用下的特征，对未来边坡的变形趋势进行预测。然而，长期的监测不可避免的产生海量的监测数据，其中包括各种致变因子作用下的变形监测结果，以及监测仪器老化、失灵等情况下的异常值。如何在海量监测数据的背景下，有效处理长时间变形序列，利用深度学习方法对库岸边坡的短期变形趋势进行预测是本专利技术所要解决的问题。目前，公开发表的文献及专利中尚未见有将考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法应用于库岸边坡变形预测
的研究。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法，有效处理库岸边坡长时间变形序列，利用深度学习方法对于不同预测区间的库岸边坡短期变形趋势进行预测的问题，提出一种考虑预测区间水文气象
2、为实现上述目的，本专利技术采用如下技术方案：考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法，包括以下步骤：
3、步骤1：采集时间维度为t，库岸边坡致变因子m个的库岸边坡历史变形序列，对历史变形序列进行聚类区分，设置聚类上限数uln_cluster等于库岸边坡致变因子个数m，计算预测准确度综合评价函数mf(mae,mse,r2)确定最佳聚类数best_num_cluster；
4、步骤2：初始化ikhm算法并对特征相似的库岸边坡致变因子序列进行聚类，设置聚类中心个数n等于最佳聚类数best_num_cluster，确定聚类中心；
5、步骤3：根据聚类中心，构建n个维度为(t×(m+1))致变因子序列聚类特征分析矩阵；
6、步骤4：将n个致变因子序列聚类特征分析矩阵的位移序列分别进行剔噪处理，首先对其进行ewt分解，设置序列分解个数等于库岸边坡致变因子个数m，每一组特征分析矩阵的位移序列通过分解对应得到1个位移序列分解矩阵，其中含m个分解序列mra，并计算各分解序列mra的模糊熵值与smse值，将各分解序列mra中模糊熵值较高smse值较低的mra分解序列判定噪声序列予以剔除，重构每一组特征分析矩阵的位移序列；
7、步骤5：基于每一组致变因子序列聚类特征分析矩阵的位移序列并考虑预测区间水文气象变化建立多输入变形预测数据集，构建库岸边坡短期变形的多步预测模型，应用timemixer模型预测的库岸边坡短期未来任意步长天数的变形幅度。
8、在一较佳的实施例中，步骤1所述的采集时间维度为t，库岸边坡致变因子m个的库岸边坡历史变形序列data[:,:](t×(m+1))，首先对其进行切片设置，切片比例slice范围设置为(0，1)，获取历史变形序列训练集data_train[:,:]以及历史变形序列测试集data_test[:,:]：
9、data_train[: , :]＝data[: , :]*slice (1)
10、data_test[: , :]＝data[data[: , :]*slice.shape[0]: , :] (2)
11、再对历史变形序列进行聚类区分，设置聚类上限数uln_cluster等于库岸边坡致变因子个数m：
12、uln_cluster＝data_train[: , :].shape[1]-1 (3)
13、遍历分析历史变形序列在不同聚类数(i，1至聚类上限数uln_cluster)下的性能结果，其中包括历史变形序列与预测变形序列的各个平均绝对误差mae及其最大值mae.max、均方误差mse及其最大值mse.max、绝对系数r2及其最大值r2.max，以计算预测准确度综合评价函数mf(mae,mse,r2)确定最佳聚类数best_num_cluster，其评价函数具体表达如下：
14、
15、在一较佳的实施例中，步骤2初始化ikhm算法并对特征相似的库岸边坡致变因子序列进行聚类，设置聚类中心个数n等于最佳聚类数best_num_cluster，确定n个聚类中心cluster_center[1,：m+1]，包含以下步骤：
16、步骤21：设置最大迭代次数itermax，初始化ikhm算法参数，初始化循环更新指令符g1＝0；
17、步骤22：设置循环更新指令符g2＝g3＝0；
18、步骤23：进行ikhm聚类：
19、步骤24：g1＝g1+1.if g1＜itermax，则返回步骤24；
20、步骤25：得到n个聚类中心cluster_center[1,：m+1]。
21、在一较佳的实施例中，所述步骤23具体包括：
22、步骤231：运用sobol-aoa算法更新聚类中心，以sobol序列初始化j＝best_num_cluster个初始聚类中心作为aoa初始种群，计算种群内所有初始聚类中心的适应度值并排序，通过数学优化器加速函数选择进入探索或者开发阶段，展开全局与局部寻最优聚类中心；
23、步骤232：g2＝g2+1；if g2＜3；则返回步骤231；
24、步骤233：将粒子当前所处的位置作为初始聚类中心并运用khm算法进行更新，其特征在于，使用步骤231-步骤232得到的所有聚类中心，计算每一个数据点与其的隶属关系与对应的权重，对各个聚类中心通过其包括的隶属关系、权重、数据点进行更新，重复更新直至达到ikhm算法参数设置的khm迭代次数或聚类中心无变化；
25、步骤234：g3＝g3+1；if g3＜7，则返回步骤233。
26、在一较佳的实施例中，步骤3根据n个聚类中心cluster_center[1,：m+1]，构建n个维度为((t/n)×(m+1))致变因子序列聚类特征分析矩阵i_cluster_mat[:t/n,:m+1]，i＝{0,1,2,...,n}。
27、6.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法，其特征在于，步骤4所述的将n个致变因子序列聚类特征分析矩阵的位移序列分别进行剔噪处理，第i组位移序列表示为：
2本文档来自技高网...
【技术保护点】
1.考虑预测区间水文气象变化的库岸边坡短期变形趋势IKHM-EFS-TimeMixer预测方法，其特征在于，包括以下步骤：
2.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势IKHM-EFS-TimeMixer预测方法，其特征在于，步骤1所述的采集时间维度为T，库岸边坡致变因子m个的库岸边坡历史变形序列data[:,:](T×(m+1))，首先对其进行切片设置，切片比例slice范围设置为(0，1)，获取历史变形序列训练集data_train[:,:]以及历史变形序列测试集data_test[:,:]：
3.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势IKHM-EFS-TimeMixer预测方法，其特征在于，步骤2初始化IKHM算法并对特征相似的库岸边坡致变因子序列进行聚类，设置聚类中心个数n等于最佳聚类数best_num_cluster，确定n个聚类中心cluster_center[1,：m+1]，包含以下步骤：
4.根据权利3所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势IKHM-EFS-TimeMi
5.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势IKHM-EFS-TimeMixer预测方法，其特征在于，步骤3根据n个聚类中心cluster_center[1,：m+1]，构建n个维度为((T/n)×(m+1))致变因子序列聚类特征分析矩阵i_cluster_mat[:T/n,:m+1]，i＝{0,1,2,...,n}。
6.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势IKHM-EFS-TimeMixer预测方法，其特征在于，步骤4所述的将n个致变因子序列聚类特征分析矩阵的位移序列分别进行剔噪处理，第i组位移序列表示为：
7.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势IKHM-EFS-TimeMixer预测方法，其特征在于，步骤5基于每一组致变因子序列聚类特征分析矩阵并考虑预测区间水文气象特征变化建立包括实测水位实测降雨实测温度实测时效(δθ)因子及位移序列δ位移序列[t,t+a]，以及水文气象预报得到的预报水位(δHP)、预报降雨(δRP)、预报温度(δTP)的多输入变形预测数据集data_predict[：T/n，：m+3a+1+a]，包含以下步骤：
...【技术特征摘要】
1.考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法，其特征在于，包括以下步骤：
2.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法，其特征在于，步骤1所述的采集时间维度为t，库岸边坡致变因子m个的库岸边坡历史变形序列data[:,:](t×(m+1))，首先对其进行切片设置，切片比例slice范围设置为(0，1)，获取历史变形序列训练集data_train[:,:]以及历史变形序列测试集data_test[:,:]：
3.根据权利1所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法，其特征在于，步骤2初始化ikhm算法并对特征相似的库岸边坡致变因子序列进行聚类，设置聚类中心个数n等于最佳聚类数best_num_cluster，确定n个聚类中心cluster_center[1,：m+1]，包含以下步骤：
4.根据权利3所述的考虑预测区间水文气象变化的库岸边坡短期变形趋势ikhm-efs-timemixer预测方法，其特征在于，所述步骤23具体包括：
<...【专利技术属性】
技术研发人员：林川，刘荣锋，黄学钊，邹云，魏旭琦，苏燕，赖晓鹤，
申请(专利权)人：福州大学，
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。