(19)中华 人民共和国 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 202111521076.5 (22)申请日 2021.12.13 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 冉鹏　罗于涵　邵康树　孟驰力　 赵肖　刘志超　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 代理人 廖曦 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G01B 21/02(2006.01) (54)发明名称 一种基于WOA-LSTM模型的滑坡位移预测方 法 (57)摘要 本发明涉及一种基于WOA ‑LSTM模型的滑坡 位移预测方法， 属于滑坡位移预测领域。 步骤1： 对滑坡位移数据进行EEMD分解得到若干个频率 不一的IM F分量和一个趋势项； 步骤2： 得到的IM F 分量和趋势项进行重构并记录系数； 步骤3： 取各 个IMF分量和趋势项70％ ‑80％数据进入优化的 WOA‑LSTM模型进行训练； 步骤4： 取剩下20％ ‑ 30％数据分别进行预测， 输出预测结果； 步骤5： 各个分量的预测结果按步骤2系数重构得到最终 总位移预测结果。 本方法对LSTM网络进行优化， 使得对山体滑坡位移预测精确度和稳定性大大 提高， 实现滑坡位移短期预测。 权利要求书2页 说明书5页 附图4页 CN 114330839 A 2022.04.12 CN 114330839 A 1.一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特 征在于： 该 方法包括以下步骤： S1： 采集滑坡数据， 包括： 累计位移数据、 东西朝向风速、 南北朝向风速、 降水强度和气 温， 后四个作为影响因子； 用E EMD将累计位移数据分解 为若干IMF分量和一个趋势项； S2： 对S1得到的IMF分量和趋势项同原始累计位移数据进行拟合重构并记录每个分量 所对应系数； S3： 将S1的4个影响因子作 为输入量， 得到的IMF分量和趋势项分别作 为输入量， 取对应 数据前70％～80％数据作为训练集分别带入对应WOA ‑LSTM模型进行训练； 将余下20％～ 30％数据输入 对应训练好的WOA ‑LSTM模型， S4： 将S3预测得到的IMF分量和趋势项用分别同S2中对应系数相乘， 乘积相加后 便是滑 坡累计位移预测结果。 2.根据权利 要求1所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述S1中， E EMD分解包括以下步骤： S11： 在原始位移序列x(t)加入白噪声xi(t)＝x(t)+zi(t)， zi(t)是产生的随机白噪声， i＝1,2,...,n， n为原始滑坡累计序列长度， 通过EMD将滑坡位移数据分解为IMF分量和趋势 项； S12： 得到的IMF重 复S11步骤， 即每次添加新的白噪声， 将每次得到的IMF做集成平均处 理作为最后的分解结果， 抵消噪声； 其中， zi(t)表示符合正态分布添加的白噪声信号， N是添加的白噪声个数， Cij(t)为添 加的第j个白噪声后的第i个IMF。 3.根据权利 要求2所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述S3中， WOA ‑LSTM模型是使用WOA算法对LSTM的隐藏层神经元数量和时间步长两个参数进 行优化， 提高LSTM模型 预测精度。 4.根据权利 要求3所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述S3中， WOA ‑LSTM模型建立包括以下步骤： S31： 参数初始化， 生成初始鲸鱼群 S32： 输入LSTM网络模型 S33： 计算鲸鱼个体适应度值， 若值大于或等于0.5， 鲸鱼个体位置螺旋更新； 若值小于 0.5， 鲸鱼个 体收缩包围方式并更新 位置； S34： 判断迭代次数是否为最大迭代次数， 若不是， 则重 复步骤S33； 若是最大迭代次数， 则结束循环， 输出最优隐藏层神经 元数量和时间步长； S35： 根据得到的参数， 建立 WOA优化的LSTM模型。 5.根据权利 要求4所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述S31中， 参数初始化包括种群数量、 种群位置上 下界、 鲸鱼个 体空间维度和最大迭代次数。 6.根据权利 要求5所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述S33中， 是选择螺 旋更新还是收缩 包围的捕 猎方式的公式如下：权　利　要　求　书 1/2 页 2 CN 114330839 A 2其中， p是[0,1]随机生成的一个概 率。 7.根据权利 要求6所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述螺旋更新的公式如下： 其中， 表最优解和搜索粒子之间的距离， b是常量系数， l是 范围[‑1,1]的随机数。 8.根据权利 要求6所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述收缩包围的公式如下： 其中， 代表目标和搜索粒子之间的距离 。 9.根据权利 要求6所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所 述S3中， WOA ‑LSTM模型输入层神经元设为4， 输出层神经元设为1， 隐藏层神经元数量和时间 步长由步骤S34确定 。 10.根据权利要求9所述的一种基于WOA ‑LSTM模型的滑坡位移预测方法， 其特征在于： 所述S3中， 建立WOA ‑LSTM模型， 多个IMF分量和一个趋势项会分别输出最佳隐藏层神经元数 量和时间步长参数值， 从而分别建立 最佳WOA‑LSTM模型。权　利　要　求　书 2/2 页 3 CN 114330839 A 3