的一个复杂的滑坡位移预测三峡库区使用混合计算智能方法(中国)

文摘

位移预测水库滑坡以来仍固有的不确定性的完整理解复杂的非线性、动态滑坡系统仍然缺乏。一个适当的量化预测的不确定性是一个关键的基础水库滑坡的位移预测和缓解。密度预测,提供一个完整的概率密度的估计未来输出,承诺的滑坡位移的不确定性量化。在目前的研究中,提出了一种混合计算智能方法建立滑坡位移的密度预测模型和量化相关预测的不确定性。混合计算智能方法包括两个步骤:首先,通过连系动词选择输入变量分析;其次,基于支持向量机分位数回归(KSVMQR)是用来执行密度预测。copula-KSVMQR方法演示了通过一个复杂的三峡库区的滑坡(TGRA),中国。实验研究表明,该copula-KSVMQR建筑密度预测方法能够通过提供完整的概率密度分布的预测以完美的表现。此外,不同类型的预测,包括区间预测和预测,可以从获得密度预测的性能。结果表明,该方法的平均预测区间宽度ZG287和ZG289 27.30和33.04,分别低于获得大约60%使用传统的bootstrap-extreme学习machine-artificial神经网络(Bootstrap-ELM-ANN)。 Moreover, the obtained point predictions show great consistency with the observations, with correlation coefficients of 0.9998. Given the satisfactory performance, the presented copula-KSVMQR approach shows a great ability to predict landslide displacement.

1。介绍

最容易发生地质灾害和复杂的地区之一,三峡库区水库(TGRA)遭受滑坡灾害。运动和水库滑坡的失败可能会导致重大的经济损失和人员伤亡。位移的预测被证明是最节约成本的风险减少措施(1),已被广泛应用于滑坡预警TGRA和缓解。然而,水库滑坡位移预测仍然是一个关键的根本性挑战。这一挑战时由于固有的地质和机械复杂性(2)具有大量的滑坡系统(高达数百万立方米)的异构材料。人们普遍承认对于研究者和实践者,滑坡的性质材料不同空间展示异构特性(3,4]。此外,先前的研究已经证明,水库滑坡是一个复杂的非线性动态系统(5,运动和失败可能引起的结合和周期性波动强降雨和水库的影响6,7]。

斋藤(开创性工作以来8),大量的模型,包括确定性模型、统计模型,和基于计算智能的模型,提出了建立滑坡位移预测模型(9]。最近,由于速度和精度的优点,计算机智能技术已经广泛应用于滑坡位移预测。基于计算智能的模型包括,但不限于,人工神经网络(ANN) [10),极端的学习机器(ELM) [11)和支持向量机(SVM) [1,12- - - - - -14]。最近,深度学习模型(15,16基于时间序列分解)和混合模型和计算智能技术(11,17在滑坡位移预测)已经成为流行。

虽然适合大量的应用程序,许多研究人员已经表明,建立一个基于计算机智能模型本质上是随机的,结果很难复制相同在不同的场合18- - - - - -21]。这种特征可能严重削弱基于计算机智能模型的可靠性。此外,基于计算机智能的确定性预测是有限的价值当不确定性存在22]。

事实上,一个完整的理解的非线性动态滑坡系统的缺乏,导致重大的不确定性在滑坡位移预测(5,23]。因此,大量的工作需要处理这些预测与计算机智能输出相关的不确定性,因此构建一个可靠的滑坡预测模型。然而,只有少数研究已经报道了滑坡位移预测和量化的不确定性。用随机隐藏的权重,提出了一种新的神经网络,连et al。24)在滑坡位移预测和量化不确定性构建预测区间(PI)在某个名义概率 ,π的名义命名的信心(PINC)。一个混合方法基于回声状态网络和均值-方差估计提出了姚明et al。(25)测量的不确定性在滑坡位移预测和构造一个π在特定的概率。混合智能方法使用双指数平滑法、粒子群优化和极端的机器学习(DES-PSO-ELM)王等人提出的。26构建低和上界估计-π(润滑油)。

然而,我们最好的知识,现有的预测模型不确定性占滑坡位移预测只专注于一个特定的名义概率或信心的水平。不同于上述模型,密度预测传达更多的信息通过构建一个完整的预测位移的概率密度分布,而不是指定的信心水平。在这项研究中,使用介体的混合计算智能方法和基于支持向量机分位数回归(copula-KSVMQR)提出了构建一个密度预测模型和量化相关预测的不确定性。TGRA复杂滑坡已经被选为例探索混合copula-KSVMQR方法的性能。

2。方法

2.1。密度预测

根据输出类型,滑坡位移预测可分为以下三个类别:点预测区间预测,和密度预测(示意图见图1)。点预测的输出是一个数字。一个好点的预测提供了一种简单的、容易理解的指导未来输出。然而,点预测只能帮助时没有明显的不确定性。这些不可预知的冲击影响所有的预测输出。由于这样的冲击,我们期待一个非零的预测错误,甚至是很好的预测。因此,我们必须确定程度的信心或不确定性关联到一个特定点的预测。与点相关联的不确定性预测显示一个区间预测的有效性。

一个区间预测的输出不是一个数字;相反,区间预测提供了上下之间的界限,预计未来事件属于一个预定义的概率。与点的预测相比,区间预测有几个潜在的好处。首先,构造的宽度π传达信息预测的不确定性;相比之下,这些信息就是无法预测。其次,给出一个区间预测,预测一个点可以使用构造区间的中点。相反,由于只有一个点预测,没有办法推断出一个区间预测。

密度预测提供了一套完整的概率密度的估计未来输出。与区间预测,密度比区间预测预报提供了更多的信息,能够得到一个点从预测中值预测,构造任意置信度。

2.2。连系动词

连系动词(27)是一种统计方法连接多元分布函数的一维边缘分布函数(28]。它被广泛应用于识别能源领域的相关关系,河流径流,原油价格和土工技术(29日- - - - - -34]。

考虑到随机变量和与边际累积分布函数和 ,存在一个独特的相关函数满足的表情 在哪里 是联合累积分布函数,介体参数,随机变量之间的相关性测量吗和 。边际概率密度函数的变量可以获得使用高斯核密度估计(35] 在哪里是带宽和是变量的样本大小 。

高斯相关,学生的t接合部,克莱顿接合部,弗兰克接合部,耿贝尔接合部是常用的连系动词的功能。在这项研究中,学生的t采用介体由于其极值捕捉能力强(36]。肯德尔的τ和枪兵的ρ,−1和+ 1之间的值,被广泛用来测量非线性随机变量之间的相关性。正值表示正相关,而一个负值代表一个反向相关。相关系数的绝对值表示强度的相关性。基于所提供的最常用的解释昆尼皮亚克大学(37,38),相关的强度可以解释如下:绝对值大于0.7演示了一个很强的相关性,绝对价值从0.3到0.7显示了很强的相关性,绝对价值从0.2到0.3代表了一个温和的相关性,绝对值在0.1和0.2之间演示了一个弱相关,和一个绝对值小于0.1意味着一个微不足道的相关性。变量与一个微不足道的相关建模期间可能会被忽略。因此,变量表现出很强的相关性弱,与绝对值大于0.1 (39),在本研究中被选作为输入变量。

2.3。基于支持向量机分位数回归(KSVMQR)

2.3.1。分位数回归(QR)

对于任何实值随机变量,可以由其特征(右连续)分布函数 而对于任何 , 被称为τth分位数的Y。

分位数回归(QR)首次引入Koenker和巴40)来取代传统的回归。它提供了一个完整的图片为整个反应变量的条件分布y当x是一个解释变量,而不是条件意味着只有[41]。考虑一个数据集 ,在哪里是一个向量回归。分位数回归可以表示为 在哪里 , , 分位数,与零期望一个错误。估计参数可以通过减少不对称的和近似加权绝对剩余成本函数,表示为 在哪里是检查函数,也称为弹球损失函数,并定义如下:

中值情况下, ,相当于减少绝对值的总和,通常被称为中位数回归或最小绝对值回归。

2.3.2。基于支持向量机(KSVM)

支持向量机(42)是一个监督学习方法最初设计用于模式识别。最近,支持向量机已经广泛被用于回归(43,44通过应用一个成本函数,例如,ε不敏感损失函数,来测量为了最小化经验风险回归错误。解决回归问题时,支持向量机方法也称为支持向量回归(SVR)。支持向量机的主要特点是使用内核(45),因此专家知识可以通过工程建在内核。另外,支持向量机保留局部最小值的情况下的优势。

给定一个数据集 ,线性回归模型可以表示为 在哪里 , ,和权向量,非线性映射函数,分别和阈值。最优参数 支持向量机的模型可以解决优化得到的方程: 在哪里是惩罚参数和和松弛变量引入评估偏差以外的训练样本ε不敏感区域。

KSVM是一种算法,它适用于内核函数线性支持向量机。KSVM有能力解决非线性回归问题的线性特征空间中的使用方法ε不敏感损失函数(46](示意图见图2)。最受欢迎的内核函数表中列出1。

2.3.3。KSVMQR

KSVMQR模型由KSVM和QR的结合,实现通过替换的罚函数方程(9在方程()和QR检查函数6),表示如下:

上述方程可以写成一个二次规划问题如下:

KSVMQR的估计可以通过引入松弛变量和解决施工的拉格朗日函数如下: 在哪里是样品的尺寸,和表示最佳的拉格朗日乘子,是内核矩阵,然后呢是t内核矩阵的数组。

2.4。基于Copula-KSVMQR滑坡位移预测

滑坡位移预测的总体框架使用copula-KSVMQR方法如图3。它主要由以下阶段:(1)相关性评估,(2)KSVMQR建模、(3)间隔和点估计。

2.4.1。相关性评估

输入变量的选择是至关重要的准确预测滑坡位移。然而,随着列在表中2在大多数情况下,选择输入变量是基于经验,定性分析、文献综述,从而导致说服力不足。理性和有意义使用定量方法选择输入变量对滑坡位移预测。很少有研究试图选择基于灰色关联分析的输入变量(GRA)。然而,草遭受强烈的主观性和无法衡量的局限性负相关性(49,50]。有效提高滑坡位移预测输入的选择,在这项研究中,介绍了介体来估计因果因素和滑坡位移之间的相关关系,从而帮助输入变量的选择。

2.4.2。KSVMQR建模

假设分位数是分位数的估计预测吗在时间t。非参数密度预测可以近似的共同考虑有限数量的有条件的数量吗(51,52]:

2.4.3。间隔、点估计

π给出一个区间,组成的上界和下界,在我们期望说谎与指定的概率。一旦生成的分位数的预测和预测密度,π,允许直接可视化与滑坡位移预测相关的不确定性,是一个自然的副产品。中央π名义覆盖率可以从分位数获得预测和 在时间作为 在哪里 ,也表示显著性水平,指miss-capturing的概率参数的值和对应于时间的上界和下界 ,分别。例如,可以获得90%的中央π的0.05和0.95分位数的预测(53]。

π提供直接相关的不确定性的可视化;然而,定量预测仍然需要在滑坡预警和减灾决策。在这项研究中,中值预测测量的平均估计用于生成一个定量的输入对于某些场景。

2.5。评价指标

在这项研究中,π覆盖概率(PICP)和平均报道错误(ACE)被用来评估copula-KSVMQR方法的性能。PICP反映了目标的概率位于构造π,定义如下: 在哪里是样本容量。定义如下:

从PINC ACE代表PICP的偏差,定义如下:

平均预测区间宽度(MPIW)措施π的平均宽度,推导如下:

π的比较使用不同的方法,开发了MPIW可以通过一系列相应的归一化数据集 。规范化MPIW (NMPIW)测量宽度的π和派生构造如下:

从实用的角度来看,重要的是有狭窄的π(小MPIW NMPIW)和高覆盖率的概率(大PICP) [54]。

在这项研究中,三个指标包括平均绝对误差(MAE)、平均绝对百分比误差(日军),均方根误差(RMSE),和确定系数(R²)是用来评估点预测的性能。 , ,和定义如下: 在哪里和表示tth预测值和观测,分别和表示的意思是观察和预测价值。

3所示。Tanjiahe滑坡

3.1。地质背景

Tanjiahe滑坡(图4(一)),一个复杂的滑坡TGRA,位于Shazhenxi镇,湖北省秭归县,。滑坡地点位于右岸的长江,三峡水库大坝的西北大约56公里(纬度和经度坐标:N31°01′53.9”, E110°30′26.9”,见图4 (b))。滑坡的长度为1000米,宽400米,平均40米,厚度和体积的1600万米³。滑坡脚趾位于135米,位于432米(图4 (c))。边坡表面由一个温和的地形在下部和上部相对陡峭的地形。的平均倾向的上、下部分滑坡表面25°,不到10°,分别。主要滑坡的滑动方向是345°。

根据现场调查和钻孔分析,滑坡群众被安排在两个不同的层(塌积砾石土壤存款和碎裂的岩石)(图5)。塌积砾石土壤存款是粉质粘土和碎石组成的碎屑。砾石碎屑直径从0.2到10厘米代表大约60%的存款按重量。塌积砾石土壤存款被碎裂置于下面的砂岩。滑带土的厚度从1.0到1.2 m是由红色的粉质粘土(占重量的70%)和砾石碎屑(占重量的30%)。碎裂砂岩是置于下面的侏罗纪湘西的碳质砂岩和石英砂岩形成(J1x)。砂岩的倾斜方向和倾角10°和36°,分别。站点特定的调查表明,砂岩包含两个不连续集(215°∠73°和110°∠86°)。软煤分层中普遍J1x形成,沿软煤和许多滑坡变形层。Tanjiahe滑坡质量也沿着一层软煤幻灯片。

3.2。变形特性

2006年9月前Tanjiahe滑坡被停职。储层水平达到156时,山体滑坡被当地人发现重新激活和裂缝观察皇冠的压倒性的胜利。2007年7月,崩溃的材料卷300米²发生在海拔350米。30米的长度和宽度的裂缝观察20厘米的当地人海拔350米2007年8月。2007年9月,观察裂缝在海拔400至420米,主要的裂纹达到大约150米长。

四个GPS建立了纪念碑的滑坡质量定期监测滑坡变形(见图5位置)。GPS纪念碑都是每月调查。图6显示了降雨强度,水库,水库的波动,位移和速度在十年期间2006年10月和2015年6月之间。可用的数据表示以下趋势。

Tanjiahe滑坡是连续变形下水库水位波动和降雨量的影响。的监测期(2015年6月),最大位移ZG289, ZG288, ZG287,和ZG290值1775毫米,1727毫米,1692毫米和1163毫米。位移表明,大变形发生在中间(ZG289和ZG288)比皇冠(ZG287)比脚趾(ZG290)。

当储层水平第一次达到了一个新的高度175米,变形速度测量ZG287达成了一项价值约40毫米/月。此外,山体滑坡被最初灌装156重新激活。以上分析的结果表明,储层水平之间的相关性和滑坡位移是十分重要的。

在旱季,从今年10月到次年4月,当滑坡地区经历了小降雨和水库略有下降,速度在ZG287显示日益下降的趋势。例如,这种情况下发生在旱季数月的2009年,2010年和2011年。然而,在下雨的季节,从5月到9月,速度在ZG287显示一个下降的趋势。这些研究结果表明,降雨和滑坡位移之间的相关性是有限的。此外,一个更强大的波动和水库滑坡位移之间存在相关性。

3.3。基于Copula-KSVMQR位移预测方法

3.3.1。相关分析

上述变形分析表明,重要的运动发生在中间和后面的质量滑坡。因此,GPS纪念碑安装在中间偏上部分,ZG289 ZG287,选择建立Tanjiahe滑坡位移预测模式,并测量位移ZG289被选作相关分析。

基于先前的研究水库滑坡位移预测的(1,48),7个变量包括四个触发变量和三个状态变量视为可选的输入 ,当前月和位移被选为输出。降雨强度的四个触发变量由过去一个月 ,降雨强度在过去的两个月 ,当前月份的平均储层水平 ,和储层的变化水平在当前的月 。的三个状态变量由位移在过去的一个月 ,位移在过去的两个月 ,在过去的三个月和位移 。

可选的输入和输出变量之间的相关关系进行评估使用的相关分析。首次应用于高斯核密度估计获得边际概率密度函数。高斯核密度估计为变量的带宽与降雨、水库,和位移被设置为0.05,0.05,和0.5,分别。学生的t接合部被选为确定输入变量之间的二元关系和滑坡位移。获得的可选的输入变量之间的相关系数和输出位移表中列出3,联合t-copula密度函数之间的降雨,储层级别、储层波动和位移图所示7。连系动词的分析清楚地显示了相关输入变量和输出位移之间的关系。很强的正相关性系数大于0.95三个状态因素之间的观察 滑坡位移,强烈的正相关系数为0.4055和0.5767之间指出储层水平和滑坡位移。关节的截面t-copula密度函数之间的储层水平和滑坡位移(图7)显示了一个沉重的对称尾字符表明之间存在很强的相关性较低的尾部(0,0)和上尾巴(1,1)。换句话说,大位移的可能性相对较高时,水库达到高水平。此外,一个温和的负相关(Kendallτ=−0.2821,斯皮尔曼的ρ=−0.3230)被发现储层之间的波动滑坡位移,表明负面波动,指水库的下降,更有可能导致积极的滑坡运动。横截面的水库之间的联合t-copula密度波动和位移(图7)意味着一个温和点之间存在相关性(0,1)和(1,0)。此外,相关系数大于0.1表明弱降水变量之间的正相关性和滑坡位移。横截面的降雨和位移之间的联合t-copula密度(图7)意味着更薄的尾巴比储层水平。上述结果表明,弱到强相关性被发现之间的选择可选的输入变量和输出位移,因此,七个可选的输入采用在接下来的过程。这些结果与现场观测的结果一致。

3.3.2。KSVMQR建模

滑坡监测数据是标准化在0到1的基于统一的标准化(或min-max特性的扩展)。滑坡位移预测后得到renormalizing KSVMQR的输出的方法。监控数据从2006年10月到2014年12月被视为训练数据,和其余的监测数据作为测试数据。六个KSVMQR模型与不同的内核一个时间间隔为0.01是GPS纪念碑ZG287和ZG289训练。参数用来训练KSVMQR模型与不同的内核表中列出4。这些模拟进行RStudio版本1.1.383英特尔(R)上运行至强(R) e - 2176 m @ 2.70 GHz CPU和64 GB RAM。

3.4。结果

KSVMQR模型与不同内核的性能指标表中列出5。结果表明,该方法是敏感的选择内核类型。点预测评价指标(MAE,日军,RMSE)和区间预测(PICP, ACE、MPIW NMPIW)表明,多项式KSVMQR模型提供了最好的结果与KSVMQR模型与线性相比,双曲正切,高斯,方差分析,贝塞尔内核。因此,选择多项式KSVMQR模型构造密度Tanjiahe滑坡的预测。

3.4.1。密度预测

完整的概率密度分布的滑坡预测基于多项式KSVMQR ZG287和ZG289跨越2015年1月至2015年6月期间的数据所示8和9。密度分布分布看起来完全不同于一个均匀分布。我们可以看到,几乎所有的观察都是位于中间的密度分布,尤其是2月的预测,3月和4月在ZG287 ZG289。同时,可以看出,观察主要位于高概率的预测分布,预计6月的观察。的一小部分落入尾概率密度曲线与预测期的延长,是因为有更多的不确定性与滑坡预测。

3.4.2。区间预测

所构造的π的PINC获得的90%和分位数的预测图所示10。相应的评估指标包括PICP王牌,MPIW, NMPIW表中列出5。如图所示,狭窄的π(小MPIW NMPIW),和π基于多项式构造KSVMQR完全覆盖观测,比例为100%。这些结果表明,可靠的π建立了令人满意的性能。

3.4.3。点预测

图11显示了获得点预测生成的预测中值 。可以看出,获得点预测显示伟大的一致性与观察,相关系数为0.9998。例如,生成的监测预测点ZG289美,日军,RMSE,R²值的6.39、2.27、8.70和0.9998,分别。因此,多项式KSVMQR模型提供了很好的点Tanjiahe滑坡的预测。进一步评估copula-KSVMQR的性能,与传统算法进行了比较分析包括Bootstrap-ELM-ANN、英国石油公司、径向基函数(RBF),榆树和支持向量机。

从区间预测的角度,构建基于多项式πKSVMQR方法MPIW较小和NMPIW与Bootstrap-ELM-ANN相比。上述结果表明,多项式KSVMQR方法优于持久性Bootstrap-ELM-ANN区间预测的方法。例如,90%πZG289 MPIW为33.04,这是大约60%低于使用传统的Bootstrap-ELM-ANN获得。此外,任何想要的置信水平(例如,90%,80%,或50%)可以从使用copula-KSVMQR密度预测的方法。相反,只有90%的区间预测,没有办法推断出密度预测。

从点的角度预测,点预测的评价指标包括美,日军,RMSE表明预测中值的多项式KSVMQR方法提供了预测的支持向量机。预测中值的多项式KSVMQR方法仅优于SVM ZG289。虽然预测中值的多项式KSVMQR提供较低的性能比支持向量机在ZG289,梅,日军,RMSE,它优于传统的BP、RBF,和榆树ZG287和ZG289。这些性能的差异主要是因为相同KSVMQ模型参数列在表中4是申请ZG287和ZG289。然而,不同的优化模型参数获得粒子群优化申请ZG287 ZG289。这些结果间接表明,文中提出的方法不太敏感的模型参数与支持向量机相比。

此外,几个多项式KSVMQR模型与不同数量的分位数被训练,进一步验证该方法的鲁棒性。90%的区间性能指标MPIWsπ越来越多的分位数的ZG289 KSVMQR图所示12。获得性能指标明显表明,MPIWs 90%πZG289保持稳定与越来越多的分位数这表明稳定π即使实现了不同分位数的间隔。因此,copula-KSVMQR方法被认为是健壮的。

一般来说,该混合方法需要多个分位数的火车模型,构建完整的概率分布。计算时间是应该考虑的一个重要问题。图12显示所需的计算时间与越来越多的分位数在KSVMQR ZG289监测点。模拟进行RStudio版本1.1.383英特尔(R)上运行至强(R) e - 2176 m @ 2.70 GHz CPU和64 GB RAM。可以看出,所需的计算时间是高度相关的分位点的数量。此外,即使训练9999分位数预测,所需的计算时间是大约69.17 s。因此,方法是计算效率。

4所示。讨论

在目前的研究中,密度回归函数之间的因果因素,包括四个触发变量和三个状态变量,滑坡位移被训练使用copula-KSVMQR基于历史监控数据的方法。训练密度模型可以很容易地更新基于新和最近的数据预测进一步的滑坡位移。copula-KSVMQ-based密度预测的优点在于它传达更多信息和提供了一个估计未来的滑坡位移的概率分布,有条件的可用信息的预测。这可能表明,密度预测者优先。然而,由于所需的更高级和密集的计算方法,密度预测仍处于初级阶段。

总而言之,概率密度预测的优点基于copula-KSVMQR方法概述如下:

提供完整的概率分布预测。同时,滑坡观察躺在有高概率的预测分布。此外,广泛的准确预测,包括间隔和确定性点预测,可以从完整的预测分布。似乎混合方法计算效率和鲁棒性。parameter-sensitive也低于传统的支持向量机算法;因此,它更容易申请。

然而,概率密度预测基于copula-KSVMQR也有一些缺点,主要是缺乏透明度的训练模式。该方法的行为作为一个黑盒,因此,模型的解释几乎是不可能的。此外,选择合适的核函数,训练模型的质量具有重要意义,是一个反复试验的过程。此外,高水平的先进知识和密集的计算方法需要多个分位数模型训练。

5。结论

密度预测提供一个完整的滑坡位移的概率密度分布是有前途的滑坡预警和减灾。混合计算智能方法使用copula-KSVMQR方法提出了在目前的研究,建立滑坡位移预测模型,构建滑坡位移预测的密度分布。混合copula-KSVMQR方法成功地应用于复杂TGRA滑坡。实验研究表明,该copula-KSVMQR方法达到完美的表现。全概率密度分布的密度预测滑坡位移可以由copula-KSVMQR方法。滑坡的观察发现在高概率的概率密度分布。此外,不同类型的预测,包括区间预测和预测,可以从获得密度预测以完美的表现。所构造的π完全覆盖的观察,适当地解释所有的不确定性。该方法的平均预测区间宽度ZG 289是33.04,这是大约60%低于传统Bootstrap-ELM-ANN获得使用。确定性点预测和观察显示一致性好,相关系数为0.9998。 The results obtained for the Tanjiahe landslide indicate that the copula-KSVMQR approach is effective and efficient in landslide displacement prediction.

数据可用性

在这项研究中使用的数据可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

本研究在经济上支持中国国家重点研发项目(批准号2018 yfc1507200),中国国家自然科学基金(批准号41702328和41702328),湖北省自然科学基金(批准号2019 cfb585),基础研究基金为中央大学、中国地质大学(武汉)(批准号,CUGL170813和CUGQYZX1747)。所有的支持。

引用

1. c .周k .阴,曹y, b·艾哈迈德”的应用时间序列分析和PSO-SVM模型在预测三峡水库Bazimen滑坡的中国,“工程地质卷,204年,第120 - 108页,2016年。视图:出版商的网站|谷歌学术搜索
2. 曾w .姚明,z, c .丽安和h . Tang”训练增强水库滑坡位移计算预测,”工程地质,卷188,不。0,101 - 109年,2015页。视图:出版商的网站|谷歌学术搜索
3. 工程学系。江,j .黄姚,j .杨”定量风险评估在二维空间变量土壤边坡破坏的极限平衡方法,”应用数学建模47卷,第725 - 710页,2017年。视图:出版商的网站|谷歌学术搜索
4. 工程学系。江和js。黄”,有效的边坡可靠性分析在土壤空间变量,低概率水平”电脑和土工技术卷。75年,18-27,2016页。视图:出版商的网站|谷歌学术搜索
5. 江,m . j .连c·w·鲁问:h . Gu s . l .阮和x c .谢”整体预测算法基于大数据的异常监测分析露天矿边坡的平台,”复杂性ID 1048756条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
6. j . Ma h . Tang x胡锦涛et al .,“因果因素的识别马家沟滑坡采用现代数据挖掘方法,”山体滑坡,14卷,不。1,第322 - 311页,2017。视图:出版商的网站|谷歌学术搜索
7. d . Tang D.-Q。李,Z.-J。曹”,在三峡库区边坡稳定性分析考虑前期降雨的影响,“Georisk:风险评估和管理工程系统和地质灾害,11卷,不。2、161 - 172年,2017页。视图:出版商的网站|谷歌学术搜索
8. m .斋藤”,预测滑坡的发生时间,”6日学报》国际土力学和基础工程的国会加拿大蒙特利尔,页537 - 541,,1965。视图:谷歌学术搜索
9. j . Ma h . Tang x, x, m .太阳和y的歌,“梯状滑坡的变形预测模型的建立基于决策树C5.0和两步聚类算法:一个案例研究在三峡库区,中国,“山体滑坡,14卷,不。3、1275 - 1281年,2017页。视图:出版商的网站|谷歌学术搜索
10. 曾晶h·陈和z,“滑坡的变形预测基于改进bp神经网络,”认知计算,5卷,不。1,56 - 62,2012页。视图:出版商的网站|谷歌学术搜索
11. 黄黄f . j . s .江,c .周”滑坡位移预测基于多变量混沌模型和极端的学习机器,”工程地质卷,218年,第186 - 173页,2017年。视图:出版商的网站|谷歌学术搜索
12. 李x z和j . m .香港”的应用GA-SVM方法与参数优化滑坡发展预测,“自然灾害和地球系统科学,14卷,不。3、525 - 533年,2014页。视图:出版商的网站|谷歌学术搜索
13. f . Ren,吴x,张k和r .妞妞,“粒子swarm-optimized应用小波分析和支持向量机来预测不要说滑坡的位移在三峡,中国,“环境地球科学,卷73,不。8,4791 - 4804年,2014页。视图:出版商的网站|谷歌学术搜索
14. 马萨诸塞州理工学院,h·唐、y . Wang c·林和c熊,“使用GA-LSSVM滑坡位移预测模型和时间序列分析:一个案例研究三峡水库的中国,“自然灾害和地球系统科学,17卷,不。12日,第2198 - 2181页,2017年。视图:出版商的网站|谷歌学术搜索
15. 徐和r .妞妞,“Baijiabao滑坡的位移预测基于经验模态分解和长期短期记忆神经网络在三峡地区,中国,“电脑与地球科学卷,111年,第96 - 87页,2018年。视图:出版商的网站|谷歌学术搜索
16. h·李,问:徐,y,他x的粉丝,和美国,“建模和预测水库滑坡位移与深层信念网络和EWMA控制图:一个案例研究在三峡水库,”山体滑坡,2019年1 - 15页。视图:出版商的网站|谷歌学术搜索
17. f·m·黄k . l .阴g·r·张l . Gui,比比,和l .刘”滑坡位移预测使用离散小波变换和极端的基于混沌理论的学习机器,”环境地球科学,卷75,不。20,1376年,页2016。视图:出版商的网站|谷歌学术搜索
18. a . Elshorbagy g .科尔索s Srinivasulu, d . p . Solomatine”预测能力的试验研究数据驱动建模技术在水文-第1部分:概念和方法,“水文和地球系统科学,14卷,不。10日,1931 - 1941年,2010页。视图:出版商的网站|谷歌学术搜索
19. a . Elshorbagy g .科尔索s Srinivasulu, d . p . Solomatine”预测能力的试验研究数据驱动建模技术在hydrology-part 2:应用程序中,“水文和地球系统科学,14卷,不。10日,1943 - 1961年,2010页。视图:出版商的网站|谷歌学术搜索
20. k . s . Kasiviswanathan k . p . Sudheer, j .他“量化预测的人工神经网络模型的不确定性,”人工神经网络建模施普林格,页145 - 159年,柏林,德国,2016年。视图:谷歌学术搜索
21. k . s . Kasiviswanathan j .他k . p . Sudheer黄永发。茶,“潜在的应用小波神经网络集成预测河流洪水管理,“《水文卷,536年,第173 - 161页,2016年。视图:出版商的网站|谷歌学术搜索
22. k . s . Kasiviswanathan和k . p . Sudheer量化基于人工神经网络的预测不确定性的河流量预测模型,”随机环境研究和风险评估,27卷,不。1,第146 - 137页,2013。视图:出版商的网站|谷歌学术搜索
23. j . Ma h . Tang x刘et al .,“概率预测滑坡位移占认知的不确定性:一个案例研究在三峡库区,中国,“山体滑坡,15卷,不。6,1145 - 1153年,2018页。视图:出版商的网站|谷歌学术搜索
24. c .连z曾庆红,w .姚明,h . Tang和c·l·p·陈,“滑坡位移预测与基于神经网络的不确定性与随机隐藏的重量,”IEEE神经网络和学习系统,27卷,不。12日,第2695 - 2683页,2016年。视图:出版商的网站|谷歌学术搜索
25. 曾w .姚明,z, c .丽安”生成概率预测使用均值-方差估计和回声状态网络,”Neurocomputing卷,219年,第547 - 536页,2017年。视图:出版商的网站|谷歌学术搜索
26. h . y . Wang, t·温,j .马”混合智能方法建立滑坡位移预测间隔,”应用软计算,第81卷,第105506页,2019年。视图:出版商的网站|谷歌学术搜索
27. 答:Sklar,等他们的玛姬函数de重新分配一个维度,8卷,巴黎研究所的统计,巴黎,法国,1959年。
28. r·b·尼尔森介绍介体施普林格科学与商业媒体,柏林,德国,2007年。
29. X.-S。唐,D.-Q。李,g .荣K.-K。Phoon, C.-B。周”,连系动词的选择对岩土工程可靠性的影响下不完整的概率信息,“电脑和土工技术49卷,第278 - 264页,2013年。视图:出版商的网站|谷歌学术搜索
30. X.-S。唐,D.-Q。李,C.-B。周,K.-K。Phoon”Copula-based方法评价边坡可靠性概率下不完整的信息,“结构安全52卷,第99 - 90页,2015年。视图:出版商的网站|谷歌学术搜索
31. 黄黄,p, q, g .愣,“Copula-based识别non-stationarity的径流和输沙量之间的关系,“国际泥沙研究杂志》上,32卷,不。2、221 - 230年,2017页。视图:出版商的网站|谷歌学术搜索
32. d . e . Kayalar、c . c . Kucukozmen和a . s . Selcuk-Kestel“原油价格对金融市场的影响指标:连系动词的方法,”能源经济卷,61年,第173 - 162页,2017年。视图:出版商的网站|谷歌学术搜索
33. j . timbro j .扩大和l . m . Hinkelman表示,“介体方法模拟相关瞬时太阳能辐照度空间网络,”太阳能卷。143年,10-21,2017页。视图:出版商的网站|谷歌学术搜索
34. h·朱l . m . Zhang t·肖和李x y代多元随机地阐述岩土领域,“电脑和土工技术卷,86年,第107 - 95页,2017年。视图:出版商的网站|谷歌学术搜索
35. x z秦、w·李和熊,“估计风速概率分布使用核密度方法,”电力系统研究,卷81,不。12日,第2146 - 2139页,2011年。视图:出版商的网站|谷歌学术搜索
36. Demarta和a·j·麦克尼尔公司“t接合部和相关的接合部,”在统计学第一节国际统计审查/ Revue国际歌,卷73,不。1,第129 - 111页,2005。视图:谷歌学术搜索
37. h . Akoglu“用户指南相关系数,土耳其急诊医学杂志》上,18卷,不。3、91 - 93年,2018页。视图:出版商的网站|谷歌学术搜索
38. p . Schober、c·布尔和洛杉矶Schwarte,相关系数:适当使用和解释,“麻醉与镇痛,卷126,不。5,2018。视图:出版商的网站|谷歌学术搜索
39. f . Lu, z, w . Liu和h .邵”建模叶绿素a浓度使用的人工神经网络精确eco-restoring盆地湖”生态工程卷,95年,第429 - 422页,2016年。视图:出版商的网站|谷歌学术搜索
40. r . Koenker g·巴塞特,“回归分位数。”费雪,46卷,不。1,33-50,1978页。视图:出版商的网站|谷歌学术搜索
41. h·朱、郭y、w .你和y,”之间的异质性依赖原油价格变化和行业在中国股市回报:证据从分位数回归方法,”能源经济,55卷,不。补充C, 30-41, 2016页。视图:出版商的网站|谷歌学术搜索
42. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
43. h·杨,l·陈,即国王,“支持向量机回归股市波动预测,”智能数据工程与自动化Learning-IDEAL 2002h .阴,n . Allinson r·弗里曼et al .,。,pp. 391–396, Springer Berlin Heidelberg, Berlin, Heidelberg, 2002.视图:谷歌学术搜索
44. c c。壮族,S.-F。苏,J.-T。刘正,c c。萧,”强大的支持向量回归网络对于异常值的函数近似,”IEEE神经网络,13卷,不。6,1322 - 1330年,2002页。视图:出版商的网站|谷歌学术搜索
45. y黄和l .赵”回顾滑坡敏感性映射使用支持向量机,”系列卷,165年,第529 - 520页,2018年。视图:出版商的网站|谷歌学术搜索
46. b . y . h, m . m . Wang歌,x,和d·l·陈,“研究基于支持向量机的reservoir-triggered级地震,”复杂性卷,2018篇文章ID 2830690, 10页,2018。视图:出版商的网站|谷歌学术搜索
47. j·杜、k .阴和s . Lacasse“塌积滑坡位移预测,三峡水库,中国,“山体滑坡,10卷,不。2、203 - 218年,2013页。视图:出版商的网站|谷歌学术搜索
48. 曹y, k .阴d·e·亚历山大和c .周”用一个极端的学习机器预测状滑坡的位移与控制因素,”山体滑坡,13卷,不。4、725 - 736年,2016页。视图:出版商的网站|谷歌学术搜索
49. y .问:张提出了完井优化系统应用模糊指标阿尔伯塔大学,阿尔伯塔,加拿大,2018。
50. f . j .周y y . Wang, y y . Wang和l . j .太阳,“基于干扰素释放和LSTM水质预测方法,”水,10卷,不。9日,2018年。视图:出版商的网站|谷歌学术搜索
51. f . Golestaneh、p . mike vanderboegh和h . b . Gooi”非常短期的非参数概率预测的可再生能源发电,太阳能应用,”IEEE电力系统没有,卷。31日。5,3850 - 3863年,2016页。视图:出版商的网站|谷歌学术搜索
52. c . Wan j .林j . Wang y的歌,y和z咚,”直接分位数回归的非参数概率预测风力发电,”IEEE电力系统,32卷,不。4、2767 - 2778年,2017页。视图:出版商的网站|谷歌学术搜索
53. b . d . Liu j . Nowotarski t .香港和r . Weron”概率负荷预测通过分位数回归平均预测姐姐,”IEEE智能电网,8卷,不。2、730 - 737年,2017页。视图:谷歌学术搜索
54. c .广域网,z, p . mike vanderboegh z . y .董,和k . p . Wong“概率预测风力发电用极端的学习机器,”IEEE电力系统卷,29号3、1033 - 1044年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020俊威马等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。