(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 202110130434.3 (22)申请日 2021.01.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 112818597 A (43)申请公布日 2021.05.18 (73)专利权人 中国地质大 学 （武汉） 地址 430000 湖北省武汉市洪山区鲁磨路 388号 (72)发明人 林成远　张俊荣　唐辉明　李长冬　 道恩·田纳特　邹宗兴　王倩芸　 谭钦文　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06Q 10/04(2012.01) G06F 111/06(2020.01) (56)对比文件 WO 201801 1698 A1,2018.01.18CN 112149285 A,2020.12.2 9 Junrong Zhang.A Hybrid Landsl ide Displacement Predicti on Method Based o n CEEMD and DTW-ACO-SVR—Cases Studied i n the Thre e Gorges Reservo ir Area. 《sensors》 .2020, 杨背背等.基于时间序列 与长短时记 忆网络 的滑坡位移动态预测模型. 《岩石力学与工程学 报》 .2018,(第10期), 何少其等.库岸堆积层滑坡位移的分量响应 模式及多因子模型. 《岩土力学》 .2020,(第08 期), 喻孟良等.基 于变系数回归 模型的三峡库区 滑坡位移预测. 《地球科 学》 .2016,(第09期), 刘勇等.滑坡位移非线性时间序列预测模型 研究. 《地质科技情 报》 .2016,(第0 5期), 审查员 李丽萍 (54)发明名称 一种滑坡点位移预测方法、 预测设备及存储 介质 (57)摘要 本发明提供一种滑坡点位移预测方法、 预测 设备及存储介质， 方法包括以下步骤： 重构形成 重构项， 采用结合t检验的CEEMD分解方法， 分解 出高频项、 低频项和趋势项； 将原始项、 重构项、 高频项和低频项作为周期 项输入参数待选项， 将 趋势项作为趋势项输入参数待选项； 使用CEEMD 将滑坡累计位移时间序列数据得到滑坡位移周 期项和滑坡位移趋势项； 将滑坡位移周期项与周 期项输入参数待选项对比进行优选； 将滑坡位移 趋势项与趋势项输入参数待选项对比进行优选； 对群智能优化算法进行优选， 与SVR模型结合， 得 到滑坡累计位移预测结果。 本发 明提出的技术方 案的有益效果是： 对滑坡位移 影响较大的诱发因 素进行优选， 基于多群智能优化算法建立SVR预测模型， 可提高预测精度。 权利要求书2页 说明书8页 附图3页 CN 112818597 B 2022.06.24 CN 112818597 B 1.一种滑坡点 位移预测方法， 其特 征在于， 包括以下步骤： S1对原始降雨、 库水位、 滑坡累计位移时间序列数据 ‑‑诱发因素原始项进行重构形成 诱发因素重构项； S2采用结合t检验 的CEEMD分解方法， 将诱发因素重构项分解出诱发因素高频项、 诱发 因素低频项和趋势项； 将诱 发因素原始项、 诱 发因素重构项、 诱 发因素高频项和诱 发因素低 频项作为周期项输入参数待选项， 将趋势项作为趋势项输入参数待选项； S3使用CEEMD分解方法将滑坡累计位移时间序列数据分解为多个IMF分量和一个残余 项， 将所有的IMF分量累加得到滑坡位移周期项， 残余项为滑坡位移趋势项； S4将滑坡位移周期项与周期项输入参数待选项进行相似度对比， 挑选相似程度最高的 两项作为周期项输入参数； 将滑坡位移趋势项与趋势项输入参数待选项进行相似度对比， 挑选相似程度最高的两项作为趋势项输入参数； S5对群智能优化算法进行优选， 并与SVR模型结合， 对周期项输入参数进行群智能优化 后的SVR预测得到周期项位移SVR预测模 型的最优预测结果， 对趋势项输入参数进 行群智能 优化后的SVR预测得到趋势项位移SVR预测模型的最优预测结果， 将周期项位移SVR预测模 型的最优 预测结果与趋势项位移SVR预测模型的最优预测结果累加得到滑坡累计位移预测 结果。 2.如权利要求1所述的滑坡点 位移预测方法， 其特 征在于， 步骤S1具体为： 将降雨时间序列数据重构为当月降雨量时间序列、 前两月累计降雨量时间序列、 当月 与前一个月累计降雨量时间序列、 当月与前两个月累计降雨量时间序列； 将库水位时间序 列数据重构为当月库水位时间序列、 库水位月间变化时间序列、 库水位两月间变化时间序 列； 将滑坡累计位移 时间序列数据重构为前一个月位移 时间序列， 当月与前一个月位移 时 间序列。 3.如权利要求1所述的滑坡点 位移预测方法， 其特 征在于， 步骤S2包括： S21采用CEEMD分解方法将S1中重构的各种时间序列分别分解为n个IMF分量和一个残 余项： IMF1、 IMF2...IMFn、 Residue； S22将第m个IMF分量IMFm与第一个IMF分量IMF1进行t检验， 若IMFm均值与IMF1均值的差 异显著性小于阈值， 则 IMF1‑IMFm‑1的叠加结果为诱发因素高频序列， IMFm‑IMFn的叠加结果 为诱发因素低频序列， Residue为 诱发因素趋势项， 其中， 1<m≦n。 4.如权利要求1所述的滑坡点 位移预测方法， 其特 征在于， 步骤S4中： 将滑坡位移周期项与周期项输入参数待选项进行归一化处理， 通过EDR计算各周期项 输入参数待选项与滑坡位移周期项的相似程度； 将滑坡位移趋势项与趋势项输入参数待选项进行归一化处理， 通过EDR计算各趋势项 输入参数待选项与滑坡位移趋势项的相似程度。 5.如权利要求1所述的滑坡点 位移预测方法， 其特 征在于， 步骤S5中： 选取了麻雀优化、 蜻蜓优化、 鲸鱼优化、 灰狼优化、 蝙蝠优化、 蝗虫优化六个群智能优化 算法， 对周期项位移SVR预测模型与 趋势项位移SVR预测模型分别优化， 以R2为评价指 标， 对 优化算法进行优选 。 6.如权利要求5所述的滑坡点位移预测方法， 其特征在于， 对于麻雀优化算法， 发现者 数量20％， 预测到危险麻雀数10％， 安全阈值0.8；权　利　要　求　书 1/2 页 2 CN 112818597 B 2对于蜻蜓优化算法， 惯性权重0.9～0.2， 分离、 列队、 聚集、 捕食、 天敌权重分别为0.1、 0.1、 0.7、 1、 1； 对于鲸鱼优化 算法， a取值范围为0～ 2， b取值1； 对于灰狼优化算法， 最优解 a取2线性递减到0， 协同系数向量[ ‑a， a]， 协同系数向量[0， 2]中的随机值； 对于蝙蝠优化算法， 虚拟蝙蝠数量25～50个， 频率最小和最大分别为0和2， 响度为 0.35， 脉冲率 为0.5； 对于蝗虫优化算法， 缩小系数最小最大分别取1与0.00004， 吸引力长度标度和吸引力 强度分别为1.5和0.5 。 7.如权利要求6所述的滑坡点位移预测方法， 其特征在于， 优选蜻蜓优化算法， 对滑坡 位移周期项 进行预测。 8.如权利要求6所述的滑坡点位移预测方法， 其特征在于， 优选灰狼优化算法， 对滑坡 位移趋势项 进行预测。 9.一种滑坡点位移预测设备， 其特征在于， 所述滑坡点位移预测设备包括： 存储器、 处 理器及存储在所述存储器上并可在所述处理器上运行的滑坡点位移预测程序， 所述滑坡点 位移预测 程序被所述处理器执行时实现如权利要求1至8 中任一项所述的滑坡点位移预测 方法的步骤。 10.一种存储介质， 其特征在于， 所述存储介质上存储有滑坡点位移预测程序， 所述滑 坡点位移预测 程序被处理器执行时实现如权利要求1至8 中任一项所述的滑坡点位移预测 方法的步骤。权　利　要　求　书 2/2 页 3 CN 112818597 B 3