基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究

摘要：

针对目前滑坡位移预测研究中存在的随机性位移无法分解与预测、支持向量机(SVR)模型中输入向量权值无差异、最优训练组合无法确定等问题,基于时序分析理论和变分模态分解(VMD),结合灰狼优化算法(GWO)、最大信息系数(MIC)和SVR,提出一种新型滑坡位移预测模型.该模型首先采用时序分析法和VMD,将滑坡实际累积位移分解为趋势性位移、周期性位移和随机性位移.然后基于滑坡对各类影响因素的响应分析,为3种位移选择合适的影响因子,并采用GWO-MIC-SVR模型对各位移分量进行多数据驱动的动态单步预测.最终基于训练数据的时效性分析,确定最优训练组合,并应用时序加法模型将最优预测值进行叠加,实现对滑坡累积位移的预测.以三峡库区典型堆积层滑坡——白水河滑坡为例,选取监测点ZG93和ZG118从2004年1月～2013年4月的数据进行研究.结果表明,与以往的研究相比,该模型不仅有效预测时间较长,且预测精度较高,具有较高的实用性和推广应用价值.

关键词：边坡工程、滑坡位移预测、变分模态分解、灰狼优化、最大信息系数、支持向量回归

所属期刊栏目：37

分类号：P642(水文地质学与工程地质学)

资助基金：国家自然科学基金;国家重点研发计划

在线出版日期：2018-09-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1395-1406