针对滑坡位移难以预测、影响因素难以选择等问题,提出一种结合了二次移动平均(DMA)法、变分模态分解(VMD)、改进灰狼优化(IGWO)算法与支持向量回归(SVR)的模型进行滑坡位移预测。首先,利用DMA提取滑坡位移趋势项和周期项,采用多项式拟...针对滑坡位移难以预测、影响因素难以选择等问题,提出一种结合了二次移动平均(DMA)法、变分模态分解(VMD)、改进灰狼优化(IGWO)算法与支持向量回归(SVR)的模型进行滑坡位移预测。首先,利用DMA提取滑坡位移趋势项和周期项,采用多项式拟合对趋势项进行预测;其次,对滑坡周期项的影响因素进行分类,采用VMD对原始影响因子序列进行分解获得最优序列;再次,提出一种结合SVR与基于改进Circle多策略的灰狼优化算法CTGWO-SVR(Circle Tactics Grey Wolf Optimizer with SVR)对滑坡周期项进行预测;最后采用时间序列加法模型求出累计位移预测序列,并采用灰色预测的后验证差校验和小概率误差对模型进行评价。实验结果表明,与GA-SVR和GWO-SVR模型相比,CTGWO-SVR的预测精度更高,拟合度达到0.979,均方根误差分别减小了51.47%与59.25%,预测精度等级为一级,可满足滑坡预测的实时性和准确性要求。展开更多
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
文摘针对滑坡位移难以预测、影响因素难以选择等问题,提出一种结合了二次移动平均(DMA)法、变分模态分解(VMD)、改进灰狼优化(IGWO)算法与支持向量回归(SVR)的模型进行滑坡位移预测。首先,利用DMA提取滑坡位移趋势项和周期项,采用多项式拟合对趋势项进行预测;其次,对滑坡周期项的影响因素进行分类,采用VMD对原始影响因子序列进行分解获得最优序列;再次,提出一种结合SVR与基于改进Circle多策略的灰狼优化算法CTGWO-SVR(Circle Tactics Grey Wolf Optimizer with SVR)对滑坡周期项进行预测;最后采用时间序列加法模型求出累计位移预测序列,并采用灰色预测的后验证差校验和小概率误差对模型进行评价。实验结果表明,与GA-SVR和GWO-SVR模型相比,CTGWO-SVR的预测精度更高,拟合度达到0.979,均方根误差分别减小了51.47%与59.25%,预测精度等级为一级,可满足滑坡预测的实时性和准确性要求。
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。
