(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 202111172467.0 (22)申请日 2021.10.08 (71)申请人 成都理工大 学 地址 610000 四川省成 都市二仙桥 东三路1 号 (72)发明人 李龙起　姚忠劭　黄杨　王梦云　 徐雷　胡忠良　 (74)专利代理 机构 成都创新引擎知识产权代理 有限公司 51249 专利代理师 莫帅 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于机器学习和概率理论的滑坡区间 预测方法 (57)摘要 本发明涉及一种基于机器学习和概率理论 的滑坡区间预测方法， 包括以下步骤， 使用V MD分 解技术将滑坡累计监测位移时间序列数据分解 为多个IMF分项和一个残余项R， 将各IMF分项叠 加得到位移波动项， R视为位移 趋势项； 对位移 趋 势项进行多项式拟合， 并采用最小二乘法对其进 行预测； 根据Copula模型选取位移波动项的有效 影响因子， 所得有效影响因子作输入参数， 所得 位移波动项作输出参数， 建立KELM模型， 对位移 波动项进行预测； 分别计算位移趋势项与位移波 动项的滑坡位移预测误差； 确立各位移项最符合 其真实分布的先验分布概率密度函数， 根据确定 的先验分布概率密度函数求取对应的累积概率 分布函数， 以此计算得到各位移项被预测时刻对 应的参数法预测区间。 权利要求书2页 说明书10页 附图8页 CN 114580260 A 2022.06.03 CN 114580260 A 1.一种基于机器学习和概率理论的滑坡区间预测方法， 其特征在于： 包括以下步骤， S001、 使用VMD分解技术将滑坡累计监测位移时间序列数据分解为多个IMF分项和一个残 余 项R， 将各IMF分项叠加得到位移波动项， R视为 位移趋势项； S002、 对位移趋势项 进行多项式拟合， 并采用最小二乘法对其进行 预测； S003、 根据Copula模型选取位移波动项的有效影响因子， 所得有效影响因子作输入参 数， 所得位移波动项作输出参数， 建立KELM模型， 对位移波动项 进行预测； S004、 根据S002以及S003 的预测结果， 分别计算位移趋势项与位移波动项的滑坡位移 预测误差； S005、 确立各位移项最符合其真实分布的先验分布概率密度函数， 根据确定的先验分 布概率密度函数求取对应的累积概率分布函数， 以此计算得到各位移项被预测时刻对应的 参数法预测区间； S006、 根据趋势项和波动项误差数据拟合真实概率分布， 以真实概率密度函数求取对 应的累积分布函数， 以此计算各分项位移被预测时刻对应的非参数法预测区间； S007、 将S005与S006得到 的各位移项预测区间利用差分进化算法进行组合， 以此得到 趋势项和波动项各项最终预测区间， 将趋势项最终预测区间与波动项最终预测区间叠加， 得到累计位移预测区间。 2.根据权利要求所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征在 于： S001中对滑坡累计位移时间序列进行VMD分解时， 分解过程中所涉及的参数模态数K， 首先从小到大预设其取值， 重复实验， 当最后一层IMF分项的中心频率保持相对稳定时， 此 时K值最佳； 惩罚因子α 可根据样本熵值 最小原则进行选择。 3.根据权利要求1所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征 在于： S002中按8:4的比例将 趋势项位移时间序列数据划分为训练样 本集和备用样 本集， 将 备用集最后12组样本视为测试集， 其余数据皆为误差生成集， 利用多项式对训练集样本进 行拟合， 然后利用最小二乘法对备用集样本进行 预测。 4.根据权利要求1所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征 在于： S003中收集滑坡位移 监测期对应的降雨与库水位高程数据， 首先对数据进 行预处理， 通过计算得到前两个月降雨量J1， 前一个月降雨量 J2， 当前月降雨量 J3； 前两个月库水位变 化值K1， 前一个库水位变化值K2， 当月库水位变化值K3， 将以上六个影响因子作为初选因子 分别与对应的位移波动项建立不同的Copula模型，  Copula函数包括正态Copula和t ‑ Copula； Gumbel  Copula、 Clayton Copula和Frank  Copula函数， 采用AIC信息准则法和BIC 信息准则法分别为各因子与波动项选择最优的Copula函数。 5.根据权利要求1所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征 在于： S003中选择Gumbel  Copula作为相关性分析的模型函数。 6.根据权利要求1所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征 在于： S003中按8:4的比例将波动项位移时间序列数据划分为训练样本集和误差生成样本 集， 再将备用样 本集中最后12组样本作为测试集， 其他样本作为误差生 成集， 首先利用训练 样本集建立KELM模型， 采用径向基函数作为本实施例的核函数， 将误差生成集中各样本的 影响因子数据输入经 过训练后的KELM模型对其进行 预测。 7.根据权利要求1所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征权　利　要　求　书 1/2 页 2 CN 114580260 A 2在于： S005中假设趋势项和波动项误差均符合混合高斯 ‑t分布， 采用最小二乘法拟合各分 项位移预测误差的混合概率密度函数， 以拟合的概率密度函数与真实分布概率密度直方图 间残差最小为原则， 确定各分项位移误差对应的最优混合分布模型参数， 以此确 立最符合 其真实分布的先验分布概 率密度函数。 8.根据权利要求1所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征 在于： S007中以能够使预测区间同时达到最高的覆盖率和最窄的带宽为原则， 分别为各位 移项寻找确定其 最优的组合区间参数。 9.根据权利要求8所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征 在于： S007中以区间评价 综合指标CWC作为适应度对组合区间参数进行寻优， 确定能够最大 化区间预测性能的权 重取值。 10.根据权利要求1所述的一种基于机器学习和概率理论的滑坡区间预测方法， 其特征 在于： 采用工程类比法对S0 04中预测误差进行补充。权　利　要　求　书 2/2 页 3 CN 114580260 A 3