本發(fā)明涉及一種滑坡位移預(yù)測方法，具體為一種基于vmd-mamba算法的階躍型滑坡位移預(yù)測方法，屬于地質(zhì)災(zāi)害防治。

背景技術(shù)：

1、滑坡災(zāi)害作為一種復(fù)雜而常見的自然地質(zhì)災(zāi)害，是全球范圍內(nèi)廣泛分布且危害嚴(yán)重的地質(zhì)災(zāi)害之一，對人類及其生存環(huán)境造成嚴(yán)重危害和破壞。特別是在中國，由于山區(qū)眾多、地形復(fù)雜，滑坡災(zāi)害頻發(fā)且影響深遠(yuǎn)，已成為中國最嚴(yán)重的地質(zhì)災(zāi)害之一。近年來，隨著城市化進(jìn)程的加快和氣候變化的影響，滑坡災(zāi)害的發(fā)生頻率和破壞力有增無減，成為影響人民生命財產(chǎn)安全和經(jīng)濟發(fā)展的重大威脅。

2、然而，由于滑坡形成機制和誘發(fā)因素的復(fù)雜性，滑坡位移預(yù)測仍然是一項艱巨的任務(wù)。以三峽庫區(qū)八字門滑坡為例，由于受到自身內(nèi)部控制條件及外界多種誘發(fā)因素的共同影響,滑坡變形監(jiān)測曲線隨時間變化呈現(xiàn)出階躍性特征,這種變形曲線在雨季時急劇增加,加大了滑坡變形預(yù)測難度。面對這種階段性突增的位移曲線直接預(yù)測時,模型擬合難度高,滑坡階躍階段預(yù)測效果較差。因此,在處理諸如三峽地區(qū)這種誘發(fā)因素眾多的階躍型滑坡,如何利用現(xiàn)有的監(jiān)測數(shù)據(jù)實現(xiàn)滑坡位移精準(zhǔn)預(yù)測,是如今需要解決的棘手問題。

3、現(xiàn)有技術(shù)中，公告號為cn113111573b的專利所公開的一種基于gru的滑坡位移預(yù)測方法，對滑坡地表位移變形進(jìn)行監(jiān)測，并利用構(gòu)造的多項式模型計算出得到的滑坡位移數(shù)據(jù)中異常值的替換值；對利用所述替換值替換后的所有所述滑坡位移數(shù)據(jù)進(jìn)行均值歸一化處理，并構(gòu)建gru模型和訓(xùn)練集、驗證集、測試集；利用所述訓(xùn)練集對所述gru模型進(jìn)行循環(huán)迭代，并利用所述驗證集對訓(xùn)練后的所述gru模型進(jìn)行參數(shù)調(diào)整；利用所述測試集對調(diào)整參數(shù)后的所述gru模型進(jìn)行測試，并對得到的模型預(yù)測結(jié)果進(jìn)行反均值歸一化處理，完成滑坡位移預(yù)測，提高預(yù)測精度。但是，現(xiàn)有技術(shù)中基于循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，以門控循環(huán)單元（gru）和長短期記憶網(wǎng)絡(luò)（lstm）使用最廣泛，然而可能出現(xiàn)梯度消失或梯度爆炸的現(xiàn)象，導(dǎo)致模型難以捕捉遠(yuǎn)距離依賴關(guān)系。同時，雖然lstm和gru可以處理非線性關(guān)系，但在復(fù)雜和高非線性的序列數(shù)據(jù)中，其建模能力仍然有限，導(dǎo)致預(yù)測效果不佳。此外，在階躍型滑坡預(yù)測領(lǐng)域中，為了提高滑坡預(yù)測模型的精度，需要采取合適的滑坡位移分解算法，然而傳統(tǒng)的滑坡位移分解算法，如滑動平均、hp濾波以及經(jīng)驗?zāi)Ｊ椒纸獾确椒?，存在或多或少的缺陷?/p>

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就在于為了解決上述至少一個技術(shù)問題而提供一種基于vmd-mamba算法的階躍型滑坡位移預(yù)測方法，該方法基于變分模態(tài)分解算法與mamba模型框架結(jié)合，預(yù)測結(jié)果相較于目前主流滑坡預(yù)測模型更加精準(zhǔn)可靠，且模型結(jié)構(gòu)簡單，計算復(fù)雜度較低，具有很好的實用價值，能夠提高滑坡位移預(yù)測的精確度與預(yù)測時效性。

2、本發(fā)明通過以下技術(shù)方案來實現(xiàn)上述目的：一種基于vmd-mamba算法的階躍型滑坡位移預(yù)測方法，該階躍型滑坡位移預(yù)測方法包括以下步驟：

3、步驟一、構(gòu)建同一區(qū)域內(nèi)的數(shù)據(jù)集：所述數(shù)據(jù)集包括滑坡位移監(jiān)測數(shù)據(jù)集和滑坡影響因素數(shù)據(jù)集，并對所述滑坡位移監(jiān)測數(shù)據(jù)集和滑坡影響因素數(shù)據(jù)集進(jìn)行預(yù)處理，得到區(qū)域內(nèi)的滑坡預(yù)測數(shù)據(jù)集；

4、步驟二、變分模態(tài)分解：選取所述滑坡預(yù)測數(shù)據(jù)集中的滑坡位移監(jiān)測數(shù)據(jù)集，并通過變分模態(tài)分解算法分解累計滑坡位移為趨勢項位移分量和周期項位移分量；

5、步驟三、趨勢項位移分量預(yù)測：根據(jù)變分模態(tài)分解得到趨勢項位移分量的趨勢特點，構(gòu)建mamba-趨勢項預(yù)測模型，其中，所述mamba-趨勢項預(yù)測模型屬于單元預(yù)測模型，基于前五天的趨勢項位移分量預(yù)測未來三天的趨勢項預(yù)測值，得到趨勢項位移分量預(yù)測值；

6、步驟四、周期項位移分量預(yù)測：選取所述滑坡預(yù)測數(shù)據(jù)集中的滑坡影響因素數(shù)據(jù)集，通過灰色關(guān)聯(lián)度分析，篩選出影響滑坡位移的最相關(guān)因子集，并根據(jù)變分模態(tài)分解得到周期項位移分量的趨勢特點，構(gòu)建mamba-周期項預(yù)測模型；其中，mamba-周期項預(yù)測模型屬于多元模型，基于前五天的最相關(guān)因子集與周期項位移分量，預(yù)測未來三天的周期項位移分量，得到周期項位移分量預(yù)測值；

7、步驟五、預(yù)測分量疊加與預(yù)測精度評價：將所述趨勢項位移分量預(yù)測值與所述周期項位移分量預(yù)測值疊加，得到累計滑坡位移預(yù)測值，并通過計算均方根誤差、平均絕對誤差、平均絕對百分比誤差和決定系數(shù)，對滑坡位移預(yù)測模型綜合預(yù)測能力進(jìn)行評估，并對預(yù)測結(jié)果的精度進(jìn)行分析與評價。

8、作為本發(fā)明進(jìn)一步的技術(shù)方案：所述步驟一中，所述滑坡位移監(jiān)測數(shù)據(jù)集的構(gòu)建以天為單位，用于滑坡位移預(yù)測模型的訓(xùn)練和驗證；

9、所述滑坡影響因素數(shù)據(jù)集為區(qū)域內(nèi)全部相關(guān)的誘發(fā)因素，包括但不限于地形地貌、水文地質(zhì)情況、降雨、庫水位變化、地表孔隙變化情況和人類工程活動。

10、作為本發(fā)明進(jìn)一步的技術(shù)方案：所述步驟一中，所述滑坡位移監(jiān)測數(shù)據(jù)集進(jìn)行預(yù)處理包括對數(shù)據(jù)集進(jìn)行異常值監(jiān)測與缺失值處理以及對數(shù)據(jù)集進(jìn)行歸一化，包括以下步驟：

11、a.對數(shù)據(jù)集進(jìn)行異常值處理和缺失值填補預(yù)處理，然后將其歸一化到0-1之間，以此消除不同量綱對模型訓(xùn)練的影響；

12、b.對所述滑坡位移監(jiān)測數(shù)據(jù)集按照7：2：1劃分，即前70%的數(shù)據(jù)集作為模型的訓(xùn)練集，后續(xù)20%作為模型的驗證集，最后保留10%的數(shù)據(jù)集作為模型的測試集。

13、作為本發(fā)明進(jìn)一步的技術(shù)方案：所述步驟二中，變分模態(tài)分解算法具體包括：

14、1）將滑坡位移時間序列分解為多個imf，每個imf代表不同頻率成分的振蕩模式，其中，imf為本征模態(tài)函數(shù)；

15、2）通過遞歸迭代算法，逐步優(yōu)化每個imf，實現(xiàn)輸入信號分解；

16、3）將分解得到的imf組合，提取出代表趨勢位移t和周期性位移p的成分，從而實現(xiàn)數(shù)據(jù)的降噪和特征提取。

17、作為本發(fā)明進(jìn)一步的技術(shù)方案：將輸入信號分解為若干個imf，每個imf對應(yīng)一個中心頻率；

18、其中，中心頻率計算在于每一步迭代中，更新每個imf的中心頻率和帶寬，使得每個imf在頻域上被集中。

19、作為本發(fā)明進(jìn)一步的技術(shù)方案：步驟三中的mamba-趨勢項預(yù)測模型和步驟四中的mamba-周期項預(yù)測模型共同組成mamba模型，所述mamba模型包括狀態(tài)空間模型、動態(tài)選擇機制和硬件感知架構(gòu)；

20、其中，所述狀態(tài)空間模型用于捕捉和建模時間序列數(shù)據(jù)中的長期依賴關(guān)系，狀態(tài)空間模型通過狀態(tài)轉(zhuǎn)移和觀察機制，將時間序列的演變表示為一個隱藏狀態(tài)的序列；

21、所述動態(tài)選擇機制通過輸入?yún)?shù)化的狀態(tài)空間模型參數(shù)，使?fàn)顟B(tài)空間模型能夠過濾掉不相關(guān)的信息并無限期地記住相關(guān)信息，實現(xiàn)選擇性復(fù)制和感應(yīng)頭合成任務(wù)；

22、所述硬件感知架構(gòu)使用掃描來循環(huán)計算模型，但不實現(xiàn)擴展?fàn)顟B(tài)，以避免gpu內(nèi)存層次結(jié)構(gòu)不同級別之間的io訪問，由此實現(xiàn)更快速的推理與更長序列長度的線性擴展。

23、作為本發(fā)明進(jìn)一步的技術(shù)方案：所述步驟四中，灰色關(guān)聯(lián)度分析具體包括：

24、通過灰色關(guān)聯(lián)度分析判斷影響因子對滑坡的影響性，關(guān)聯(lián)度影響因子越大，則表示影響因子對預(yù)測滑坡位移越重要，關(guān)聯(lián)度影響因子越小，則表示影響因子對預(yù)測滑坡位移越不重要。

25、本發(fā)明的有益效果是：

26、1）本發(fā)明所采用的變分模態(tài)分解算法是一種在經(jīng)驗?zāi)B(tài)分解（emd）基礎(chǔ)上提出的新的信號分解方法，能夠處理非線性和非平穩(wěn)信號，相較于傳統(tǒng)的emd，避免了模態(tài)混疊問題，分解結(jié)果更加精確；變分模態(tài)分解算法通過頻帶有限的子信號分解，確保每個模態(tài)的頻率分布集中，增強了對信號局部特征的捕捉能力；同時，變分模態(tài)分解算法能有效處理噪聲干擾，通過拉格朗日乘子引入約束，保證了信號分解的穩(wěn)定性和魯棒性；相比于滑動平均和hp濾波等線性濾波方法，vmd能分解出信號中的多個本征模態(tài)函數(shù)（imfs），揭示出更豐富的信號特征；

27、2）本發(fā)明采用的mamba模型，是一種具有選擇機制和掃描模塊的結(jié)構(gòu)化狀態(tài)空間序列模型，擁有更強的數(shù)據(jù)特征提取能力和記憶能力，能夠充分學(xué)習(xí)和描述不同特征的滑坡位移分量；相較于lstm和transformer等模型，mamba模型在短期滑坡數(shù)據(jù)的學(xué)習(xí)上表現(xiàn)出更高的擬合度和預(yù)測性能，尤其是在處理滑坡局部復(fù)雜變化特征時，并且在計算效率和預(yù)測準(zhǔn)確性方面優(yōu)于傳統(tǒng)的lstm和gru模型；

28、3）由于不同周期項位移分量與趨勢項位移分量的影響因素不同，因此，本發(fā)明基于mamba模型針對不同的位移分量分別構(gòu)建單元預(yù)測模型與多元預(yù)測模型，進(jìn)一步提高了滑坡累計位移的預(yù)測精度。