摘要：本文针对三峡库区呈现阶跃式变形特征的滑坡提出一种考虑时间序列的滑坡位移预测模型，该模型首先采用互补集合经验模态分解方法（Complementary Ensemble Empirical Mode Decomposition， CEEMD）将滑坡的累计位移分解为趋势项和波动项，然后采用回归模型拟合趋势项位移；基于滑坡变形特征与诱发因素的响应分析，采用长短时记忆神经网络（Long Short-Term Memory， LSTM）模型进行波动项位移预测；最后将各分项预测位移叠加，实现滑坡累计位移的预测。以三峡库区阶跃型滑坡——墓坪滑坡为例，本文采用CEEMD-LSTM模型进行位移预测，并与卷积神经网络（Convolutional Neural Networks， CNN）、随机森林（Random Forest， RF）和改进的粒子群优化-支持向量机 (Particle Swarm Optimization-Support Vector Machine， PSO-SVM)等模型的预测结果进行对比分析。结果表明，与其他常见的机器学习与深度学习模型相比，考虑时序的CEEMD-LSTM模型的预测精度较高，且在阶跃点的预测优势较为突出。该模型可为实现三峡库区阶跃型滑坡位移实时预测预报提供理论依据和数据支撑。
文章目录
1方法介绍
1.1 滑坡位移分解
1.2 互补集合经验模态分解方法
1.3长短时记忆神经网络算法
1.4精度评价方法
2案例分析
2.1墓坪滑坡工程地质概况
2.2墓坪滑坡监测数据分析
3 结果与讨论
3.1 墓坪滑坡位移分解
3.2 波动项位移预测
3.3趋势项位移预测
3.4累计位移预测
4结论与展望
