基于变分模态分解和双向长短时记忆神经网络模型的滑坡位移预测

摘要

滑坡变形的定量预测是滑坡预警系统中的重要组成部分,滑坡变形受其自身地质条件和众多环境因素共同影响,具有动态、复杂和非线性等特点。针对目前滑坡累积位移—时间序列分析研究中随机性位移无法分解与预测、传统预测模型难以模拟滑坡动态演化特性等问题,本文建立了一种基于组合变分模态分解(Variational Mode Decomposition,VMD)和双向长短时记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)神经网络的复合性滑坡位移动态预测模型。该模型首先利用时间序列分析和VMD将滑坡累积位移分解为趋势项、周期项和随机项位移分量,通过分析滑坡的演化特征和诱发滑坡的关键因素,为各位移分量选择合适的影响因素;然后采用多项式拟合预测趋势项位移、Bi-LSTM神经网络对周期项位移和随机项位移进行多数据驱动的动态预测;最后将各位移分量叠加得到累积位移预测值。以新滩滑坡和八字门滑坡为样本,利用实地观测数据,对本模型的预测精度与工程实用性进行对比评估。实验结果表明,本文提出的模型能较好地表征位移“阶跃式”的变形特征。在预测周期项位移时,Bi-LSTM网络相较于长短时记忆神经网络(Long Short-Term Memory,LSTM)和支持向量机(Support Vector Machine,SVM)具有更高的预测精度,平均相对误差(Mean Relative Error,MRE)分别降低了1.339%和7.817%,均方根误差(Root Mean Square Error,RMSE)分别降低了6.761 mm和27.163 mm。说明该模型不仅预测精度高,且更稳定,可以为滑坡防灾减灾工程的实际应用提供新的思路。