(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110133359.6 (22)申请日 2021.02.01 (65)同一申请的已公布的文献号 申请公布号 CN 112926251 A (43)申请公布日 2021.06.08 (73)专利权人 长安大学 地址 710064 陕西省西安市南 二环中段长 安大学本部北院 (72)发明人 瞿伟　程浩祥　陈海禄　高源　 梁世川　张勤　 (74)专利代理 机构 西安渭之蓝知识产权代理有 限公司 61282 专利代理师 刘振 (51)Int.Cl. G06F 30/25(2020.01)G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 20/10(2019.01) G06F 111/08(2020.01) G06F 119/12(2020.01) (56)对比文件 王丽婷等.乌鸦搜索算法在SVM参数优化中 的应用. 《计算机 工程与应用》 .2019, 审查员 俞姝颖 (54)发明名称 一种基于机器学习的滑坡位移高精度预测 方法 (57)摘要 本发明公开了一种基于机器学习的滑坡位 移高精度预测方法， 针对传统乌鸦算法迭代效率 差、 过度拟合导致泛化精度低的问题进行了两点 改进： 1、 乌鸦在没有领导者情况下， 用乌鸦个体 执行莱维飞行来取代随机搜索方式， 有效地降低 了乌鸦个体搜索的盲目性； 2、 为有效避免算法中 存在的过拟合现象， 针对支持向量机模型中的参 数寻优问题， 改变传统搜索算法中选取最优适应 度值的方法， 将常规支持向量机优化算法中以选 取最小适应度值为原则修改为选取最优适应度 值区间所对应的支持向量机最小参数值， 通过基 于改进的乌鸦搜索算法再对支持向量机参数进 行优化。 本发 明方法有效改进高维滑坡位移数据 搜索时的收敛效率， 提高了支持向量机的回归精 度和泛化能力。 权利要求书2页 说明书10页 附图2页 CN 112926251 B 2022.07.05 CN 112926251 B 1.一种基于 机器学习的滑坡位移高精度预测方法， 其特 征在于， 包括如下步骤： 【1】 基于观测得到的滑坡体上监测点的位移序列Xt， 利用移动平均法求得位移序列趋势 项St， 进而依据时间序列加法模型提取位移序列周期项Vt； 【2】 采用基于改进的乌鸦算法优化支持向量机参数的智能组合模型对步骤 【1】 中的位 移序列周期项Vt进行预测： 【2.1】 建立基于改进乌鸦算法ICSA的支持向量机模型， 并对改进乌鸦算法的参数进行 初始化， 包括种群数N， 迭代次数itermax， 飞行长度fl和感知概 率AP； 【2.2】 确定预测步长L， 将步骤 【1】 中提取的位移序列周期项Vt划分为训练集traindata 和测试集testdat a； 将最大降雨、 最小降雨、 平均气温、 温差和灌溉因子五类外部影响因子 进行归一 化处理， 作为支持向量机模型训练的输入向量； 【2.3】 引入莱维飞行因子和参数区间选取准则， 通过改进乌鸦算法迭代确定支持向量 机模型最优参数， 通过最优组合模型对序列周期项 进行预测， 具体步骤为： 【2.3.1】 初始化乌鸦位置和记 忆： 对支持向量机模型中待优化 参数惩罚因子 C和核函数参数g进行参数优化； 【2.3.2】 通过迭代 记录每一次乌鸦位置(C， g)并计算 适应度值； 【2.3.3】 判断改进乌鸦算法迭代值是否达到最大迭代次数： 若小于最大迭代次数重复 步骤 【2.3.1】 ～ 【2.3.2】 ； 若达到最大迭代次数， 得到参数优化后的支持向量机模 型， 并用测 试集来测试优化后的支持向量机模型的预测性能； 在支持向量机模型参数优化过程中， 对拟合误差采取范围选择， 即允许拟合误差在一 定范围内波动情况 下， 选择最小的C所对应的一组参数[C， g]； 其中， 改进的乌鸦算法迭代步骤为： 在迭代过程中， 可能会发生两种状态： 状态1： 乌鸦j不知道乌鸦i 正在跟随它， 乌鸦i将接 近乌鸦j的藏身之处； 状态2： 当rj＜APj， iter， 乌鸦j发现乌鸦i的跟踪行为， 将莱维飞行因子加入到位置更新， 在缺少最优个 体引导的情况 下， 乌鸦个 体将转为莱维飞行来寻找食物源； 其中ri， rj分别是一个在0和1之间均匀分布的随机数， APj， iter表示在迭代第iter次时乌 鸦j的感知概 率， L( β )为莱维 飞行因子； xi， iter+1表示乌鸦i在迭代第iter次时生成的下一代位置； xi， iter表示乌鸦i在迭代第 iter次时生成的位置； mj， iter表示乌鸦j在迭代第iter次时的隐藏位置； fli， iter表示乌鸦i在 迭代第iter次 时的飞行步长； 由改进的乌鸦搜索算法对支持向量机进行参数寻优， 确定最优乌鸦位置， 即支持向量 机的最优参数， 得到最佳拟合的支持向量机模型， 对滑坡位移序列周期项Vt进行拟合和预 测； 其中莱维 飞行因子的计算公式如下： 其中， μ， v是服从如下正态分布的随机数；权　利　要　求　书 1/2 页 2 CN 112926251 B 2δv＝1 其中， β 取常数1.5， δμ取常数0.696 6； 【3】 采用多 项式对步骤 【1】 中的位移序列趋势项St进行预测： 采用最小二乘多项式拟合模型对位移序列趋势项St进行拟合， 确 定拟合最优次数和拟 合参数， 对位移序列趋势项St进行预报； 【4】 根据时间序列加法模型， 将位移序列周期项Vt和位移序列趋势项St预测结果相加， 得到总位移序列Xt的预测值， 通过与测试集计算比较， 评价模型 预测精度。 2.根据权利要求1所述的基于机器学习的滑坡位移高精度 预测方法， 其特征在于： 步骤 【1】 中所述的时间序列加法模型 方程为： Xt＝St+Vt 其中， Xt为位移序列总位移； St为通过移动平均法求得位移序列趋势项； Vt为依据时间 加法模型提取位移序列周期项Vt； 所述的位移序列趋势项St的获得方法为： 根据位移总位移序列Xt， 利用移动 平均法计算获得位移序列趋势项St， 扣除所述的位移 序列趋势项St， 获得位移序列周期项Vt； 其中移动平均法公式如下： 式中Xt为位移序列总位移， St为所求的位移序列趋势项， n 为移动平均步长， n ＝4。 3.根据权利要求1所述的基于机器学习的滑坡位移高精度 预测方法， 其特征在于： 步骤 【3】 中拟合采用的多 项式为三次多项式。 4.根据权利要求1所述的基于机器学习的滑坡位移高精度 预测方法， 其特征在于： 步骤 【4】 中将预测值与测试集进行比较计算得出均方根误差、 相对误差以及相关系数来评价模 型的预测精度。权　利　要　求　书 2/2 页 3 CN 112926251 B 3