点和区间预测Tanjiahe在三峡库区滑坡位移,中国

文摘

准确的滑坡位移预测为减轻地质灾害具有重要的现实意义。传统的确定性预测方法只能提供一个单点值,不能给预测的相关程度的不确定性,从而未能提供预测信息的信心。本研究应用区间预测滑坡位移。三峡库区的Tanjiahe滑坡为例,考虑储层水平的季节性变化和降雨的影响,与滑坡位移预测相关的不确定性量化到预测间隔引导(π)的最小二乘支持向量机(LSSVM)方法(B-LSSVM)。该方法包括三个步骤:首先,LSSVM和引导相结合来估计滑坡位移和真正的回归意味着misspecification方差对模型的不确定性。其次,一个新的LSSVM模型优化的遗传算法(GA)是实现来估计噪声方差。最后,重点预测是源自回归方法,和π是由结合回归的意思是,模型方差和噪声方差。我们应用该方法预测的四个GPS监测的位移点Tanjiahe滑坡,和全面比较了预测准确性和构造π的质量指标的方法。仿真和性能比较表明,该方法是一种很有前途的技术,提供准确、可靠的滑坡位移预测结果。

1。介绍

山体滑坡在中国最常见的地质灾害。这些事件严重威胁人类生活的基础设施和安全,每年造成大量的人员伤亡和财产损失。三峡库区(TGRA)是受灾最严重的地区在中国滑坡灾害(1]。的位移时间序列提供了一个直接表示滑坡演化过程。准确的滑坡位移预测可以帮助人们对未来演化动力学的山体滑坡。

滑坡演化过程的特点是非线性(2]。一系列的原因,如地质因素、气候因素、地震、人类活动,导致山体滑坡的形成,使其难以准确预测滑坡位移(3]。由于滑坡系统的复杂性,很难土壤/岩石力学性能之间建立明确的数学表达式使用物理方法和位移。与物理方法相比,数据驱动的方法只需要可用的监控数据和滑坡的物理参数。这些方法有杰出的能力捕捉输入和输出特性之间的非线性映射。近年来,数据驱动的方法已经广泛应用,在滑坡位移预测正变得越来越有吸引力。杜et al。4)使用反向传播神经网络预测滑坡位移,并验证了该方法的有效性通过研究Baishuihe TGRA Bazimen山体滑坡。曹et al。3),黄等。5,6),和丽安et al。7应用一个ELM-based点滑坡位移预测模型,并提出了模型的性能测试TGRA的水库滑坡。Cai et al。8),曹et al。3),苗族等。9),任et al。10,温家宝et al。11]提出了基于混合模型预测水库滑坡的位移,和数值结果表明,混合法优于人工神经网络方法。在[12,13),提出了一种混合方法基于两步聚类和决策树状滑坡C5.0算法,并探讨了混合方法的有用性TGRA Zhujiadian滑坡。大部分的数据驱动的方法可以预测滑坡位移。然而,大多数预测是确定的(或点)的预测;即。,they can only provide a crisp displacement value and cannot provide the uncertainty associated with the predictions.

在实践中,点估计的准确性会受到不确定性的影响。这些不确定性主要源自两个重要来源:(1)模型不确定性misspecification造成的机器学习技术的结构和参数(例如,隐藏层的节点数量的人工神经网络(ann)在svm hyperparameters,和不合理的部分的输入变量)和(2)噪声的方差测量数据由于随机和滑坡位移的混沌特征。在实际应用中,决策者需要准确的点的预测结果以及固有的不确定性的定量估计预测(14]。因此,提高可靠性和可信度模型的输出,有必要预测不确定性纳入量化预测的不确定性。预测时间间隔(π)是常用的工具来估计可能在确定性预测的不确定性。可靠的π允许决策者有效地感知不确定性的程度和作出更明智的决定15]。由于他们的应用程序在风险管理,π已经成功地应用于概率预测在许多领域,如电力市场价格预测(16],风力发电预测[17),和洪水预测(18]。

然而,目前滑坡位移的概率预测的研究非常有限。丽安et al。19)建立了一个ANN模型与随机隐藏权重区间预测滑坡的位移。此外,丽安et al。20.和马等。21]基于引导使用混合方法,榆树,安建设π滑坡位移预测。王等人。22)提出了一种混合方法,结合双指数平滑法和低和上界估计模型构建滑坡位移的π。所有这些研究构造π滑坡位移的人工神经网络。虽然人工神经网络逼近高度非线性系统的强大工具,他们的缺点包括错误的理论基础上,局部最小值和过度拟合23),这可能会导致较大的预测误差,导致不必要的大π。因此,需要开发更可靠的方法来获得高质量的滑坡位移π。支持向量机被认为是最好的回归方法,因为他们的强大的推理能力,优良的泛化,和准确的预测能力24),他们比许多人工神经网络通过避免过度拟合的问题(25]。此外,支持向量机仍然可以获得令人满意的预测结果从小训练集。然而,支持向量机的训练过程是费时的大型数据集,因为下一个二次规划问题需要解决一个不等式约束。减少支持向量机的计算成本,改进版本,即。,the least-square support vector machine (LSSVM), was proposed by Suykens and Vandewalle [26]。LSSVMs有优良的泛化的优点和支持向量机的预测精度高以及快速计算。考虑他们的优势,LSSVMs已经成功地应用于滑坡位移的确定性预测8,11,27]。

本文结合引导LSSVM模型用于滑坡位移的概率预测。在这种方法中,真正的回归misspecification手段和模型不确定性首先估计使用引导LSSVM (B-LSSVM)模型,然后一个新的LSSVM模型优化的遗传算法(GA)是实现预测噪声方差。经过适当的估计的回归意味着和不确定性,这一点得到了预测结果和π通过回归方法结合,模型方差和噪声方差。混合方法,即B-LSSVM、受雇的点和区间估计Tanjiahe TGRA滑坡的中国,和它的性能比其他几个数据驱动的方法。

2。方法

2.1。π配方

π是一个强大的方法来量化点预测的不确定性。π由未来的未知值之间的上限和下限规定预计将出现的概率称为置信水平( )(通常是95%)(15]。考虑随机时间序列th测量值可以表示如下: 在哪里是输入的向量,表示与零均值噪声是非线性函数表示的真正回归的意思。

点预测的目标是近似真实的回归的意思 。数据驱动的方法通常用于预测模型。然而,预测误差是不可避免的,因为在预测过程中固有的不确定性。这些错误可能是由于结构和参数的misspecification数据驱动的方法。让一个训练数据驱动模型表示一个真正的回归估计的意思 。因此,预测偏差可以表示如下:

π地址左侧的方差方程(2)。置信区间(CIs)管理的方差方程的右边第一项(2)。π应该区别于CIs。独联体地址真实模型的估计的准确性 ,这是估计的概率分布 ,而π解决目标的估计的准确性 ,相关的概率分布是哪一个 。因此,π将更广泛的词。在实际应用中,π比顺式更有用,因为π关心我们可以预测的精度观测目标价值本身,而不是真正的回归估计的准确性(14]。

假设两个组件的右边方程(2)是统计独立的,总方差的预测可以表示如下: 在哪里是模型的方差misspecification数据驱动的模型和相关的不确定性噪声方差。一旦这些值正确估计,( )置信水平π可以定义如下: 在哪里和上下极限的吗thπ,分别表示 标准正态分布的分位数。

2.2。LSSVM回归分析

LSSVM是一种改进的配方的原始SVM基于结构风险最小化(26,28]。在这项研究中,LSSVM的应用进行回归分析影响因素和滑坡位移之间的关系。给定一个训练数据集 ,在哪里 表示影响因素, 滑坡位移测量,制定的LSSVM回归分析可以使用以下约束优化问题: 在哪里是一种正则化参数,表示随机误差,权向量,是内核空间函数,然后呢是阈值。

可以构造产生的LSSVM模型回归分析如下: 在哪里拉格朗日乘子和吗是一个核函数矩阵。在这项研究中,应用径向基本函数(RBF)的核函数LSSVM因为它有更少的参数和非线性映射性能好。RBF可以表示如下: 在哪里RBF的带宽( )。

在这项研究中,实现了LSSVM LS-SVMlab工具箱(29日在MATLAB开发的。正则化参数和内核参数LSSVM算法影响性能。因此,必须优化这两个参数。优化过程中所描述的部分2.4。

2.3。引导

自展(30.)本质上是一个估计的分布统计的重采样技术。在实践中,抽样统计的全球个人往往是困难和不可能实现;因此,一个统计数据的实际分布先验是未知的。常见的替代方法是统计的样本只有一小部分,然后应用引导来推断的近似分布统计。通过均匀重采样样本数据有限次,引导可以近似测量指数分布的统计(如均值和方差)。π,建设的引导是最常用的技术,已经被发现很可靠的与其他方法相比。引导抽样可以基于成对或残差。在这项研究中,使用残差的引导。抽样过程描述如下:(1)使用训练集训练LSSVM模型得到最优hyperparameters (和 )然后应用LSSVM的训练集和测试集获得的预测价值(2)计算训练集的预测残差和重定位(3)均匀样本的断裂使用引导获得残差重采样数据集(4)生成新的目标通过总结预测价值和断裂残差重采样训练集(5)应用LSSVM模型训练步骤(1)中th重采样样本和测试集得到估计值(6)重复步骤3 - 5次获得引导复制

2.4。π建设基于引导和LSSVM

π建设基于引导和LSSVM的流程图如图1。流程图包括六个主要步骤:(1)输入变量的选择,(2)数据分割,(3)引导抽样和LSSVM培训,(4)回归均值和方差估计模型,(5)量化噪声,(6)π建设。每一步的细节描述如下。

2.4.1。输入变量的选择

在这一步中,LSSVM输入变量的选择主要是基于经验的指导方针。总结了这些指导方针从其他TGRA滑坡位移预测的研究。

2.4.2。数据分割

整个数据集分成两组:(a)一个训练集和(b)测试集。训练集用于确定最优结构和hyperparameters LSSVM。测试集是用于验证该方法的性能。

2.4.3。引导采样和LSSVM培训

在引导的过程中,训练数据集来自残留数据集和LSSVM培训执行引导每一代的样本。在这一步中,两个hyperparameters LSSVM优化通过耦合模拟退火(CSA)算法和单纯形法,这是默认的优化算法嵌入到LS-SVMlab工具箱。调优过程由两个步骤组成。首先,CSA应用来确定合适的起始点的两个参数搜索范围内( , )。第二,这些起点都被转移到单纯形法搜索最优值。

为了防止产生额外的不确定性来源的hyperparameters LSSVM和提高计算效率,一旦hyperparameters (和 )LSSVM的步骤(1)中确定的启动过程中,他们是固定的训练和预测所有引导和测试样品。在所有的引导LSSVM已训练样本,一个点的值预测的B-LSSVM模型获得,这些点的分布特征值可以估计使用以下过程。

2.4.4。回归均值和方差估计模型

整体模型由B-LSSVM将产生更少的偏差估计的真正回归的目标。的均值B-LSSVM模型输出代表真正的回归的近似的意思 ,它可以被视为点预测的结果。 在哪里预测价值来源于th LSSVM模型。

回归均值的计算后,B-LSSVM预测的方差可以用来估计的方差模型不确定性:

2.4.5。量化噪声

在π的建设,模型不确定性的方差和噪声方差必须估计。从方程(3),可以得到如下:

根据方程(11),的平方剩余计算如下: 在哪里和可以计算出从方程(9)和(10),分别。

结合残差和相应的输入,一个新的剩余数据集形成如下:

然后,未知的值测试集的估计可以通过实现一个新的LSSVM模型训练剩余数据集 。培训成本函数的定义通常是指使用以下形式:

由于成本函数(14)不是嵌入在LS-SVMlab工具箱,新的LSSVM无法轻易训练用默认算法工具箱。因此,我们应用GA最小化代价函数(14)在这一步。遗传算法是一种模拟自然进化过程的优化算法生物学,和具有优良的找到全局优化的效率。GA的细节可以在戴维斯(31日]。遗传算法的初始种群的发展走向新的人口通过选择、交叉和变异,直到迭代终止条件。最好的个人(最优参数和LSSVM)可以导出。然后,最优参数都被转移到LSSVM模型来预测噪声方差测试设备。确保估计方差是正的,成本函数将无穷一旦估计方差- GA优化的过程中。

2.4.6。π建设

后估计真正的回归的意思 ,模型不确定性的方差 ,和噪声方差 ,预测和π置信水平可以获得使用方程(9),(4)和(5)。

2.5。性能标准

均方根误差( )和平均绝对百分误差( )评价指标通常用于评估点的预测精度。这些指标衡量之间的偏差度预测位移和位移观测,可以表示如下:

预测区间覆盖概率( )是一种常用的指数评估π,它表明了这样一种可能性,即目标值躺在上限和下限。鉴于测试样品,可以表示如下: 在哪里

的的宽度π强烈相关。一个高可以方便地通过扩大π的宽度来实现。然而,这样的π在实践中肯定是毫无意义的。因此,测量称为归一化意味着π宽度( )用于量化π的宽度,并表示如下: 在哪里实际测量值的范围。

一般来说,π高和低被认为是高质量的。然而,这两种措施评估π的质量从一个方面。一个全面的索引相结合和是必需的。在这项研究中,我们使用修改后的覆盖宽度标准( )(19π的综合评估。 在哪里是一个小的积极价值0.1%至0.5%的范围内和是两个hyperparameters。的价值通常是将 ,和将一个小正值小于1。在这项研究中,和分别设置为0.001和0.05。一般来说,设置为1时润滑油的培训,测试,是由阶跃函数如下:

评估的π,构造的目的是要找到一个信息量之间的权衡( )和效度( )π。根据的定义 ,越小价值,π的质量就越高。如果不小于指定的吗 , 等于0。因此,方程的指数项(20.)和消除取决于 。否则,等于1的指数项惩罚违反覆盖概率。

3所示。案例研究:Tanjiahe压倒性的胜利

3.1。地质特征

Tanjiahe滑坡位于秭归县,湖北省,中国长江南岸的上游从三峡大坝(图52公里2)。一个三维地形图的Tanjiahe滑坡图所示3(一个),这表明Tanjiahe滑坡是扇形平面视图。滑坡的纵向维度约1000米,平均宽约400米。滑坡的面积大约是0.4公里²,意思是滑面深度约40米。滑坡的积累估计为1600万米³。滑坡的脚趾的高度是海拔135米(a.s.l),和滑坡的顶部的海拔是432米a.s.l。平均坡脚的滑坡是大约10°,斜率变化从25°30°中间的滑坡。平坦的地形发生脚下的山体滑坡;这种地形的高度从164米至188米a.s.l延伸。,它的面积大约是0.046公里²。

图3 (b)显示了一个示意图截面很的地质剖面图Tanjiahe滑坡。图显示,主滑方向是面向342°。滑坡的材料包括土壤松散碎片。基岩由薄至中厚层石英砂岩和碳质粉砂岩,10°的倾向和倾角36°。滑带土的材料是粉质粘土混合小砾石。的滑动面沿基岩顶面和开发了一个倾角等于的基石,而脚滑面发展的基石。

3.2。变形特性

2006年10月,储层水平从135增加到156 m a.s.l。在此期间,Tanjiahe滑坡成为显著的变形。2007年7月,崩溃的体积大约300米³发生在海拔350米海拔的压倒性的胜利。许多表面裂缝平均长度约30米,宽约0.2米,和相对位移范围从0.15到0.25 m先后出现在中间和滑坡期间从2007年7月到9月。此外,一些小型崩塌的容积约为3米³附近出现裂缝。监控滑坡的变形过程,四个GPS监测站(ZG287, ZG288、ZG289 ZG290)被安装在主滑坡的滑动方向。监测的频率是每月一次。

图4显示水位的监测结果,降雨,累积位移,位移速度长达十年时间从2006年10月到2015年6月32]。监测数据的分析从四个永久的GPS站表示类似的模式(状和稳定增长趋势)的滑坡运动但不同的变形大小。站ZG289,位于中间的主体,测量的最大位移,和电台ZG287累积位移,ZG288, ZG289,是位于主体的头和脚,明显大于ZG290额站。

图5显示位移速度之间的相关分析和储层水平和降雨和表明,变形速度表现出波动由于降雨和水库水位周期性波动。旱季的阴影区域表示在一个特定的一年。旱季通常发生在今年10月和次年4月,在此期间,水库水位很高,剩下的大约160米和175米之间。几乎所有时期的快速运动发生在旱季。考虑滞后效应的增加储层水平滑坡位移变形,它可以推断储层水平显著上升的影响下滑坡变形。相比,在旱季雨季的滑坡变形速度是相对较低的,除了在2007年,当变形速度测量ZG288监测站达到最大值的51.3毫米/月。这一发现可能归因于水库初期蓄水的从135到156在2006年9月至11月,导致更长一段滑坡的应力调整,加上暴雨从4月到2007年9月,导致严重的滑坡变形。基于这些发现,它可以表示,储层级别和暴雨是至关重要的触发因素影响Tanjiahe滑坡的变形和储层水平的增加显著增加变形的主要影响因素。材料的水位波动带内的滑动质量由块状岩石渗透率高,这使得地下水水库滑坡放电的时间波动水平。与此同时,滑动面陡峭的上部和下部温柔; the gentle sliding surface is more conducive to resist sliding. The rising reservoir water level increases the positive pore water pressures, which induces a decrease of the effect stress and resistance force in the sliding surface, thereby accelerating the deformation of the landslide.

3.3。概率预测滑坡的位移

拟议中的B-LSSVM方法被应用于预测四个监视点的位移(ZG287, ZG288 ZG289, ZG290) Tanjiahe滑坡。的主要触发因素,如储层水平和降雨,也被认为是在预测。这两个点的预测结果和π被B-LSSVM方法获得。预测的过程描述如下。

(1)输入变量的选择。滑坡位移的演变过程是由内部因素(如地质条件)和触发因素(例如,水库水位波动和降水)。基于先前的研究滑坡位移预测进行TGRA [3,9,12,21,23],位移前一个,两个,三个月被选为输入变量与内部因素有关。水库水位的平均海拔在当前月,降雨在过去一两个月,和储层水平的变化在过去的一个月被选为输入变量相关的触发因素。在这项研究中,这七个因素也被选为领先一步的输入变量进行滑坡位移预测。

(2)数据分割。在这一步中,70%的监测数据(从2006年10月到2012年12月)被视为训练数据集,剩下的30%(从2013年1月至2015年6月)被选为测试数据集。减少的空间效应上的数据预测性能、训练和测试数据集是标准化的范围内(1,1)。规范化数据集被应用于LSSVM模型进行训练和预测。

(3)引导采样和LSSVM培训。引导复制的数量可能会影响π的质量。确定适当数量的引导复制,50岁,100年,200年,500年,1000年、2000年和5000年引导复制每个监控实施情况。因此,不同的整体数量的LSSVM模型组成,它们被用于预测训练集和测试集。

(4)回归方法和模型方差估计。根据预测结果的合奏LSSVM模型,回归手段和模型方差的训练集和测试集可以估计方程(9)和(10)。

(5)噪声量化。在训练集的回归方法和模型方差计算,剩余可以构建。新的LSSVM模型优化的遗传算法用于训练中残留的集合。遗传算法,搜索的范围和是和 ,和迭代的数量,人口规模,交叉分数,和迁移分数被设置为200,50岁,0.8,和0.2,分别。通过最小化代价函数(14)在GA的优化hyperparameters LSSVM可以获得。然后,测试集的噪声方差预测的优化LSSVM。

(6)π建设。信心水平设置为95% (等于0.05)。一旦训练和测试过程完成后,预测位移后被派生unnormalizing预测数据。然后点预测,π置信水平为95%。

3.4。结果和分析

本文的目的是准确预测Tanjiahe滑坡的位移使用B-LSSVM方法和量化预测的不确定性进一步建立一个高质量的π滑坡位移。验证B-LSSVM方法的有效性和优越性,多个方法,包括英国石油(BP)、榆树、和LSSVM优化默认LS-SVMlab工具箱的优化算法,在申请点预测比较,和ANN-basedπ的混合模型,即B-ELM [16),用于概率预测比较。B-ELM相结合的混合方法引导,榆树,ANN方法。马等。21)应用B-ELM区间预测滑坡位移的方法。在B-ELM,引导残差和引导执行复制号码设置为200。隐藏节点的数量在榆树是由10倍交叉验证方法只使用训练集。该节点数量确定为29日31日30日和31日,ZG287 ZG288, ZG289和ZG290分别。榆树申请200引导程序训练样本来估计回归模型不确定性的均值和方差,和一个ANN模型被用来估计噪声方差。该方法的预测结果和其他方法提出了表1- - - - - -5和数字6和7。

表1- - - - - -4显示B-ELM之间的π性能的比较方法和B-LSSVM方法。不同引导复制每个监测实施点。的 , ,和是计算π的质量进行评估。如表所示1- - - - - -4,这两种方法是可靠的和可以提供令人满意的测试样本的预测。的B-LSSVM和B-ELM都非常接近95%置信水平,和B-ELM甚至高于95%置信水平。例如,在表B-ELM几乎达到100%1- - - - - -3。这一结果似乎表明,B-ELM方法比B-LSSVM更可靠的方法。然而,与B-LSSVM方法相比,B-ELM方法对表现不佳 。在表中1- - - - - -4,意思是B-ELM大约是2 ~ 5倍B-LSSVM。这个结果表明,B-ELM方法倾向于构建广泛的π实现高相比之下,B-LSSVM方法。可能出现过度拟合训练阶段的榆树模型,从而导致较低的泛化能力和大型测试阶段的预测误差。因此,模型不确定性的方差,即,在方程(10),是一座很大,导致大π。相比之下,B-LSSVM不仅可以提供一个令人满意的方法但也产生一个窄 。从表1- - - - - -4所有的引导下,复制,B-LSSVM总是显著低于B-ELM在不同引导复制。自是一个全面的索引平衡和 ,它可以表示B-LSSVM方法优于B-ELM模型和能产生更高质量的πTanjiahe滑坡位移预测。

此外,显著改善质量的π与引导复制没有被观察到。B-LSSVM 200引导程序复制可以获得令人满意的预测性能,表明引导复制数量的选择是合理的。在每个监测点,B-LSSVM和B-ELM方法表现出没有主要振动在不同引导复制。最低的获得小于或等于1000引导程序复制。ZG287 B-LSSVM方法构造最优π,ZG288, ZG289, ZG290 1000, 50岁,100,和1000引导程序复制,分别。B-ELM方法构造最优ZG287π,ZG288, ZG289,和ZG290 50岁,200年,1000年,分别和500引导程序复制。图6描述了最优pi使用两种方法以95%的置信度。图所示,四个构造π主要涉及实际的位移,而π_B-LSSVM比π值窄得多_B-ELM值。π的图清晰地显示_B-LSSVMπ环绕的价值观_B-ELM值。

表5显示的总结点位移的预测结果的四个GPS监测点通过BP,榆树,单一的LSSVM, B-LSSVM方法。的和计算的定量评估和比较不同方法的性能。如表所示5B-LSSVM方法生成最高点的预测精度。的和B-LSSVM方法的最小的四个GPS监视点,表明该方法执行中最好的方法相比,能够提供精确的点预测滑坡位移。的ZG287、ZG288 ZG289, ZG290 B-LSSVM方法获得的0.425,0.555,0.547,和0.868,分别分别为8.162、10.910、10.697和10.508,分别。这些值略低于那些获得使用原始的LSSVM模型,表明这个乐团LSSVM预测方法可以改善单一LSSVM的性能的方法。基于svm方法的预测精度(即。,LSSVM和B-LSSVM)was obviously higher than that of the ANN-based methods (i.e., BP and ELM). For instance, the和小ZG289 B-LSSVM的大约三倍比BP和榆树。基于svm方法的良好性能上可以归因于良好的泛化与小样本数据集和预测能力,这是不太可能导致过度拟合与ANN-based方法相比。图7显示了一个比较点B-LSSVM方法的预测结果和测量值,和B-LSSVM预测曲线的方法是在良好的协议与现实在训练集和测试集。基于上述结果和分析,它可以表示,B-LSSVM方法提供了准确的点预测和产量可靠和高质量的π在滑坡位移预测。

4所示。结论

本文混合方法提供精确的点和可靠的滑坡位移π估计相结合的基础上,提出了引导和LSSVM。通过这种方法,与传统的确定性预测相关的不确定性可以量化。Tanjiahe滑坡是用来测试该方法的性能。结果表明,B-LSSVM稳定和引导复制的数量更少的影响由B-LSSVM构造π的质量。B-LSSVM方法执行比BP,榆树,和LSSVM方法点位移预测,也优于B-ELM方法区间预测滑坡的位移。因此,B-LSSVM方法是一种很有前途的工具,提供更多有价值的信息,进一步缓解的决策者决策的信心。

应该注意的是,所获得的结论是基于特定站点Tanjiahe压倒性的胜利。B-LSSVM方法的适用性与其他滑坡需要在将来的研究中得到证实。此外,B-LSSVM的预测性能可以通过选定的输入因素的影响。未来的研究应充分调查的效果影响因素对滑坡位移预测。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

信息披露

作者感谢2018年欧洲地球科学联盟大会发布本文的摘要,可以在以下链接中找到:https://meetingorganizer.copernicus.org/egu2018/egu2018 - 3600. - pdf。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家重点研发项目(2017 yfc1501305),中国国家自然科学基金(批准号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),中国地质调查局西安地质调查中心(批准号DD20190714),湖北教育部科学技术研究项目(D2019038)和开放的基础上在长江大学学科。

引用

1. j . h . Tang瓦索斯基和c·h·Juang“三峡库区地质灾害,中国几十年的经验教训的研究,“工程地质,第261卷,第105267页,2019年。视图:出版商的网站|谷歌学术搜索
2. 美国秦、焦j。j和王,“滑坡演化的非线性动力学模型,地貌学,43卷,不。1 - 2、77 - 85年,2002页。视图:出版商的网站|谷歌学术搜索
3. 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
4. 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
5. 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
6. 张黄f . k .阴g . l . Gui b·杨和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,”环境与地球科学,卷75,不。20日,队,2016页。视图:出版商的网站|谷歌学术搜索
7. c·丽安,曾庆红z, w .姚明,h .唐“极端学习机的位移预测滑坡在降雨和储层水平,”随机环境研究和风险评估,28卷,不。8,1957 - 1972年,2014页。视图:出版商的网站|谷歌学术搜索
8. 孟z Cai, w .徐,y, c .史和r·王”预测滑坡位移与多个因素,基于GA-LSSVM”《工程地质和环境,卷75,不。2、637 - 646年,2016页。视图:出版商的网站|谷歌学术搜索
9. 谢苗,y, y, y,“预测滑坡位移与状行为基于multialgorithm优化支持向量回归模型,”山体滑坡,15卷,不。3、475 - 488年,2018页。视图:出版商的网站|谷歌学术搜索
10. 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,2015页。视图:出版商的网站|谷歌学术搜索
11. 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
12. 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
13. 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
14. d . l . Shrestha和d . p . Solomatine”,机器学习方法估计模型输出的预测区间,”神经网络,19卷,不。2、225 - 235年,2006页。视图:出版商的网站|谷歌学术搜索
15. a . Khosravi s Nahavandi d·克莱顿,a . f . Atiya“全面审查的神经网络预测区间和新进展,”神经网络,22卷,不。9日,第1356 - 1341页,2011年。视图:出版商的网站|谷歌学术搜索
16. c .广域网,z, y, z . y .董,和k . p . Wong“电价的概率预测的混合方法,”IEEE智能电网,5卷,不。1,第470 - 463页,2014。视图:出版商的网站|谷歌学术搜索
17. h .全、d . Srinivasan和a . Khosravi“短期负荷和风能预测使用神经网络预测间隔,”IEEE神经网络和学习系统,25卷,不。2、303 - 315年,2014页。视图:出版商的网站|谷歌学术搜索
18. 张h . j .周l .你们曾x, y陈,“较低的上界估计方法考虑对称施工洪水预报的预测区间”水资源管理卷,29号15日,第5519 - 5505页,2015年。视图:出版商的网站|谷歌学术搜索
19. 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
20. 丽安,c·l·p·陈,曾庆红z, w .姚明,和h . Tang”对滑坡位移预测区间切换神经网络基础上,“IEEE可靠性,卷65,不。3、1483 - 1495年,2016页。视图:出版商的网站|谷歌学术搜索
21. 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
22. 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
23. 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
24. M.-Y。程和N.-D。黄平君”,区间估计工程造价在使用最小二乘支持向量机完成,”土木工程和管理杂志》上,20卷,不。2、223 - 236年,2014页。视图:出版商的网站|谷歌学术搜索
25. j . h .赵z . y .咚,z,和k . p . Wong“电力价格的区间预测的统计方法,”IEEE电力设备和系统,23卷,不。2、267 - 276年,2008页。视图:出版商的网站|谷歌学术搜索
26. 范德维尔j . k . Suykens和j .最小二乘支持向量机分类器”,神经处理信件,9卷,不。3、293 - 300年,1999页。视图:出版商的网站|谷歌学术搜索
27. x朱问:徐,m . Tang w·聂,s . Ma和z,“比较两个优化的机器学习模型预测rainfall-induced滑坡的位移:一个案例研究在四川,中国,“工程地质卷,218年,第222 - 213页,2017年。视图:出版商的网站|谷歌学术搜索
28. 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
29. k .布拉班特·Karsmakers f·奥赫达et al .,LS-SVMlab工具箱用户指南:1.8版鲁汶,Katholieke项目,比利时的鲁汶,2010。
30. b·埃夫隆和r . j . Tibshirani介绍了引导,CRC出版社,1994年。
31. l·戴维斯手册的遗传算法,Van Nostrand Reinhold,纽约,1991年。
32. p .黄故障特征的岩石Shazhenxi的床上用品在三峡库区滑坡中国三峡大学,中国,2016。

版权

版权©2019王Yankun et al。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。