(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210441286.1 (22)申请日 2022.04.25 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 申请人 长沙垚森工程科技有限公司 (72)发明人 汪优　贾茹雪　赵晓薇　陈宝光　 王振宇　肖颜　王瑞　王紫薇　 梁绍华　代芳　 (74)专利代理 机构 长沙七源专利代理事务所 (普通合伙) 43214 专利代理师 李杰强　周晓艳 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01)G06Q 10/04(2012.01) G06Q 50/08(2012.01) G06N 20/10(2019.01) G06N 3/00(2006.01) (54)发明名称 基于EOF-SSA -SVM时空模型的地表沉降预测 方法 (57)摘要 本发明提供一种基于EOF ‑SSA‑SVM时空模型 的地表沉降预测方法： 将各监测点的地表沉降时 间序列构成沉降时空矩阵； 利用经验正交函数将 沉降时空矩阵分解为空间模态和历史 时间序列， 并筛选出地表 沉降的主要沉降特征； 将筛选后的 历史时间序列分为训练集和测试集； 结合训练集 数据， 采用麻雀搜索算法对支持向量机预测模型 的惩罚参数和核函数参数进行优化， 获得优化后 的支持向量机预测模型； 优化后的支持向量机预 测模型根据测试集数据进行预测， 获得预测时间 序列； 运用经验正交函数将筛选后的空间模态和 预测时间序列进行重构和反算， 获得最终的地表 沉降预测结果。 本发明充分考虑时间和空间序列 之间的联系， 预测结果具有较高的准确性和可靠 性。 权利要求书2页 说明书6页 附图2页 CN 114970319 A 2022.08.30 CN 114970319 A 1.一种基于 EOF‑SSA‑SVM时空模型的地表沉降预测方法， 其特 征在于， 包括以下步骤： 步骤S1： 将各监测点的地表沉降时间序列构成沉降时空矩阵； 步骤S2： 利用经验正交函数将沉降时空矩阵分解为空间模态和历史时间序列， 按照方 差贡献率筛选出地表 沉降的主要沉降特征； 并将筛选后的历史时间序列分为训练集和测试 集； 步骤S3： 结合训练集数据， 采用麻雀搜索算法对支持向量机预测模型的惩罚参数和核 函数参数进行优化， 获得优化后的支持向量机预测模型； 步骤S4： 优化后的支持向量机预测模型根据测试集数据进行 预测， 获得 预测时间序列； 步骤S5： 运用经验正交函数将筛选后的空间模态和预测时间序列进行重构和反算， 获 得最终的地表沉降预测结果。 2.根据权利要求1所述的基于EOF ‑SSA‑SVM时空模型的地表沉降预测方法， 其特征在 于， 所述步骤S1具体是： 设置 m个区域沉降监测点， 将各监测点的n个历史 时间数据构成沉降 时空矩阵Dm×n。 3.根据权利要求2所述的基于EOF ‑SSA‑SVM时空模型的地表沉降预测方法， 其特征在 于， 所述步骤S2具体是： 将沉降时空矩阵Dm×n距平化处理后得到数据矩阵Xm×n； 计算数据矩阵Xm×n和其转置矩阵的交叉积， 得到交叉积矩阵Cm×m， 如公式1)： 计算Cm×m的特征值λi和特征值λi所对应的空间特征向量EOFm×m， 其中i＝1、 2 ……m， 且λ1 ＞ λ2＞…＞ λm； 并根据公式2)计算空间特 征向量EOFm×m对应的时间系数PCm×n： PCm×n＝EOFT m×m×Xm×n 2)， 计算各特征值的方差贡献率， 并根据方差贡献率大小筛选出主要沉降特征； 其中方差 贡献率Pi根据公式3)计算： 4.根据权利要求3所述的基于EOF ‑SSA‑SVM时空模型的地表沉降预测方法， 其特征在 于， 保留方差贡献率大于 0.001的为主 要沉降特 征。 5.根据权利要求1所述的基于EOF ‑SSA‑SVM时空模型的地表沉降预测方法， 其特征在 于， 所述步骤S3具体包括： 步骤S3.1： 初始化参数， 包括种群规模、 发现者和警戒者个数比例、 最大迭代次数以及 优化参数目标 上下限； 步骤S3.2： 计算麻雀的适应度值， 并根据适应度值进行排序， 选出当前最优和最劣适应 度值以及两者对应的位置信息； 步骤S3.3： 更新发现者、 加入者和警戒者的位置信息； 步骤S3.4： 对麻雀种群的位置状态进行更新， 并且根据麻雀种群的当前位置状态计算 适应度值； 步骤S3.5： 如果满足停止条件， 则以训练集数据为输入， 输出最优参数 结果；权　利　要　求　书 1/2 页 2 CN 114970319 A 2如果不满足停止条件， 则返回步骤S3.2； 步骤S3.6： 将获得的最优参数结果输入到支持向量机预测模型中， 获得优化后的支持 向量机预测模型。 6.根据权利要求5所述的基于EOF ‑SSA‑SVM时空模型的地表沉降预测方法， 其特征在 于， 所述步骤S3.5中， 若达到优化参数目标上下限或者最大迭代次数， 则输出最优参数结 果。 7.根据权利要求5所述的基于EOF ‑SSA‑SVM时空模型的地表沉降预测方法， 其特征在 于， 所述最优参数 结果为惩罚参数和核函数参数。权　利　要　求　书 2/2 页 3 CN 114970319 A 3