针对滑坡位移具有高度非线性和复杂性,难以利用传统优化算法结合人工智能方法进行更合理、准确的预测建模的问题,本文提出一种Lévy飞行策略的混沌麻雀优化算法(CLSSA)-变分模态分解(VMD)-支持向量回归(SVR)的滑坡位移预测模型。首...针对滑坡位移具有高度非线性和复杂性,难以利用传统优化算法结合人工智能方法进行更合理、准确的预测建模的问题,本文提出一种Lévy飞行策略的混沌麻雀优化算法(CLSSA)-变分模态分解(VMD)-支持向量回归(SVR)的滑坡位移预测模型。首先利用CLSSA优化VMD分解参数对滑坡位移时间序列进行分解,其次采用CLSSA-SVR模型对VMD分解子序列进行预测,最后通过叠加子序列预测数据求出累计位移预测。以白水河滑坡为例,对该模型进行验证,实验结果表明,所提方法在最终累计位移预测结果中MAE为2.24 mm, RMSE为3.37 mm, R^(2)为0.995,相对于麻雀优化算法-变分模态分解-支持向量回归(SSA-VMD-SVR),所改进的优化算法增加了VMD的自适应能力,提高滑坡位移各分量预测效率。展开更多
文摘针对滑坡位移具有高度非线性和复杂性,难以利用传统优化算法结合人工智能方法进行更合理、准确的预测建模的问题,本文提出一种Lévy飞行策略的混沌麻雀优化算法(CLSSA)-变分模态分解(VMD)-支持向量回归(SVR)的滑坡位移预测模型。首先利用CLSSA优化VMD分解参数对滑坡位移时间序列进行分解,其次采用CLSSA-SVR模型对VMD分解子序列进行预测,最后通过叠加子序列预测数据求出累计位移预测。以白水河滑坡为例,对该模型进行验证,实验结果表明,所提方法在最终累计位移预测结果中MAE为2.24 mm, RMSE为3.37 mm, R^(2)为0.995,相对于麻雀优化算法-变分模态分解-支持向量回归(SSA-VMD-SVR),所改进的优化算法增加了VMD的自适应能力,提高滑坡位移各分量预测效率。
