[發明專利]基于多拓撲分級協同粒子群LSTM的滑坡位移預測方法

有效

• 申請號: 202110244197.3
• 申請日: 2021-03-05
• 公開（公告）號: CN113033878B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 王侃琦;王毅;張茂省;段焱中;李靜;李曉夢
• 申請（專利權）人: 西北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/0442;G06N3/084;G06N3/0985;G06N3/006;G06N7/02;G06F18/211
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 王芳

1.一種基于多拓撲分級協同粒子群LSTM的滑坡位移預測方法，其特征在于，具體包括如下步驟：

步驟1：收集滑坡位移數據并對數據進行預處理；所述滑坡位移數據包括但不限于以下特征數據：降雨量、土壤濕度、滑坡位移距離、氣溫、氣壓、大氣濕度；清洗收集到的數據，處理方式包括：統一格式和單位、去除無效數據、去除不合理數據、去除離群噪聲點、填充數據；

步驟2：建立初始LSTM網絡模型，并設計解向量結構；包括如下操作：

建立初始網絡模型，包括1層LSTM、2層全連接層FC、輸出層；LSTM模型的損失函數為均方誤差函數，反向傳播算法為adam算法；

解向量結構設計包括三部分的設計：特征選擇、時間步步長stepN、LSTM模型超參數；

特征選擇：通過二進制與十進制間的轉換壓縮搜索空間維數，共14個特征，化為2個0-127的十進制數；

時間步步長：時間步stepN是一個整數，取值為2-7；

模型超參數：每一層網絡都有兩個參數分別是隱藏單元個數以及激活函數，所有隱藏單元個數在16-48之間尋優，激活函數由0，1，2表示，分別表示sigmoid、tanh、relu函數；模型共3三層6個超參數，前三個超參數表示層1、層2、層3的隱藏單元個數，后三個超參數表示層1、層2、層3的激活函數；

搜索空間的上界ub＝[127.4,127.4,7.4,47.4,47.4,47.4,2.4,2.4,2.4]；下界lb＝[0.5,0.5,1.5,15.5,15.5,15.5,-0.4,-0.4,-0.4]；搜索維數D＝9，搜索空間中的每個解是一個9維向量，其中前兩個標量用于表示第一部分信息進行特征選擇；第3維標量表示第二部分信息用于構成樣本；第4-9維表示第三部分信息用于構成網絡模型；

步驟3：設定參數；包括如下操作：

需設定的參數有包括：種群規模N；最大迭代次數maxIter；搜索空間上界ub；搜索空間下界lb；搜索維數D；多樣性拓撲中Levy飛行控制參數β＝[1,3]；拉馬克機制閾值是s,s＝2,…,N；快速收斂拓撲收斂判定次數n,n＝2,…,16；快速收斂拓撲收斂判定精度∈；協同拓撲鄰域neig；協同拓撲1權重控制參數a∈(0,1),U₁和L₁；協同拓撲2權重控制參數U₂和L₂；個體的速度上限Vmax和下限Vmin；粒子群控制參數c₁∈[0,2],c₂∈[0,2]；

N＝12；maxIter＝20；β＝1.5；s＝2；n＝2；∈＝0.001；鄰域neig第j維上的標量a＝0.9；U₁＝U₂＝1.2,L₁＝L₂＝0.8；Vmax第j維上的標量Vmin＝-Vmax；c₁＝c₂＝2；ub_j和lb_j分別表示搜索空間上界ub和下界lb的第j維向量；

令迭代計數器t＝1,激活點ap＝1；

步驟4：根據解向量結構初始化種群，計算個體適應度并劃分拓撲；包括如下操作：

步驟4-1：根據步驟3中的種群規模N，初始化N個個體，得到由初始化個體構成的種群；

其中，初始化個體包括初始化個體的位置個體的速度個體的歷史最優位置初始化方法采用隨機初始化；其公式如下：

上式中是在第j維上的標量，是在第j維上的標量，ub_j,lb_j,Vmax_j,Vmin_j分別表示ub,lb,Vmax,Vmin在第j維上的標量,ub,lb,Vmax,Vmin定義如步驟3，任意時刻lb_j≤x_i,j≤ub_j，Vmin_j≤x_i,j≤Vmax_j；r表示[0,1]上的隨機數；

所有個體的位置和速度初始化完畢后，令個體的歷史最優位置

步驟4-2：遍歷步驟4-1得到的種群中的所有個體，對于每個個體，解釋個體i的位置x_i所包含的特征選擇、時間步長、LSTM模型超參數；計算每個個體的適應度；所述計算每個粒子的適應度的具體操作如下：

(1)將x_i的第1、2維標量由十進制轉化為二進制，轉化后將有2個7位二進制串，按順序拼接這兩個二進制串組成一個二進制串；

(2)將拼接后的二進制串中所有數字1對應的特征選中，再根據x_i上的時間步長stepN構成樣本，將樣本按7：3的比例分為訓練樣本和測試樣本；

所述構成樣本的方法：將被選中的特征作為輸入特征，位移特征作為模型的輸出；stepN為時間步長；將周期T到T+setpN-1作為一個樣本，將周期T+setpN作為該樣本的輸出，T∈{1,2,maxT-setpN}，maxT表示最大周期數，T的單位為天，以此類推合成所有樣本；

(3)將x_i的4-9維標量轉化為LSTM模型中對應的超參數；將訓練樣本代入LSTM模型進行訓練，訓練完畢后用測試樣本預測結果并與真實值比較，將所有測試樣本誤差求和后乘以一個放大基數作為個體i的適應度其中，放大基數為100；

步驟4-3：將步驟4-1得到的所有個體隨機分配到4個拓撲中，分別是多樣性拓撲、協同拓撲1、協同拓撲2及快速收斂拓撲；將每個拓撲中適應度最小的個體的位置作為每個拓撲的最優解；為快速收斂拓撲的每個粒子設置一個集合set，初始時set為空集；

步驟5，計算快速收斂拓撲中每個個體的拉馬克因子，并利用得到的拉馬克因子更新快速收斂拓撲，得到更新后的快速收斂拓撲；包括如下操作：

步驟5-1：若迭代計數器t不等于1，進入步驟5-2；否則,遍歷快速收斂拓撲中的個體i，從快速收斂拓撲中隨機選出個體l和個體k，若則令否則并進入步驟6；

步驟5-2：遍歷快速收斂拓撲中所有個體i，并計算拉馬克因子η_i，計算公式如下：

式(3)中表示第i個粒子在第t次迭代時的適應度值；式(4)中的abs(·)表示絕對值函數；式(6)中rank(a,b)是一個升序排序函數，表示先對a排序，a相等時按b排序；num表示快速收斂拓撲中個體的數量；tanh(x)表示雙曲正切函數；diff是一個中間變量；

步驟5-3：若拉馬克因子η0的個體數量大于閾值，步驟3中的拉馬克機制閾值s，否則,令快速收斂拓撲中所有個體i對應的并遍歷快速收斂拓撲中的個體i，從快速收斂拓撲中隨機選出個體l和個體k，若η_lη_k，則令否則并結束步驟5；

步驟5-4：令快速收斂拓撲中所有個體i對應的并遍歷快速收斂拓撲中的個體i，從快速收斂拓撲中所有η0的個體中隨機選出個體l和個體k，若η_lη_k，則令否則

步驟6，根據拓撲更新公式更新各拓撲中所有個體的速度及位置；包括如下操作：

步驟6-1：更新多樣性拓撲中所有個體的速度，并將速度約束在[Vmin,Vmax]中，即v_i中的超過Vmax的標量v_i,j用Vmax_j代替，小于Vmin_j的標量v_i,j用Vmin_j代替，速度更新公式如下：

上式中和定義如步驟4-1；α是一個[0,1]的隨機數；表示兩向量對應位置上的標量相乘；表示多樣性拓撲的最優解；是一個向量，其每一維標量step_i(β)是一個D維向量，表示Levy飛行的步長計算公式；式(9)用于計算step_i(β)第j維上的標量,β如步驟3定義；N(0,σ²)表示服從均值為0、方差為σ的正態分布；Γ(·)表示Gamma函數；

步驟6-2：更新協同撲1中個體的速度，并將速度約束在[Vmin,Vmax]中，更新公式如下：

式(12)中,分別表示表示粒子i在第t次迭代時的位置和速度，c₁,c₂是兩個[0,2]上的常數,c₁＝c₂＝2；r₁,r₂是兩個[0,1]上的隨機數；表示協同拓撲1在第t次迭代時的最優個體；P_i^t表示個體i的歷史最優位置；表示第t次迭代時協同拓撲1的慣性權重；式(13)中激活點ap表示最近一次其它拓撲與協同拓撲1交互發生時的迭代次數；maxIter,U₁,L₁,a的定義如步驟3；

步驟6-3：更新協同撲2中個體的速度，并將速度約束在[Vmin,Vmax]中，更新公式如下：

式(15)中co₂表示協同拓撲2,表示協同拓撲2的最優個體，表示協同拓撲2的慣性權重，其余參數解釋如式(12)；式(16)中r表示[0,1]上的隨機數，式(18)中表示第t次迭時協同拓撲2的直覺模糊熵，表示協同拓撲2的隸屬度、非隸屬度、猶豫度；表示個體i與協同拓撲2的最優個體之間的距離，d_max表示搜索空間中最遠兩點間的距離，的鄰域范圍為

步驟6-4：更新快速收斂拓撲中所有個體的速度，并將速度約束在[Vmin,Vmax]中，更新公式如下：

式(20)中,表示快速收斂拓撲在第t次迭代時的最優個體，表示快速收斂拓撲的慣性權重,是一個[0.2,0.6]上的隨機數，表示個體k的歷史最優位置，其余參數解釋如式(12)；

步驟6-5：更新所有拓撲中的個體位置，并將其限制在搜索空間[lb,ub]中，位置更新公式如下：

步驟7，計算所有拓撲中的個體適應度，并更新各拓撲的最優個體；

步驟8，判斷快速收斂拓撲已收斂，若未收斂則進入步驟9；否則進入步驟10；

步驟9，判斷快速收斂拓撲的最優解是否為全局最優解，若是，則用快速收斂拓撲的最優解替換任一協同拓撲中的任意一個個體；否則用全局最優解替換快速收斂拓撲的最優解；

步驟10，判斷協同拓撲1和協同拓撲2都已收斂，若收斂，則從多樣性拓撲中隨機選擇兩個個體，分別替換兩協同拓撲中的一個個體，執行步驟11；否則直接執行步驟11；

步驟11，判斷是否至少存在1個協同拓撲收斂；若是，則從協同拓撲1和協同拓撲2分別隨機選出一個個體，然后進行交換；

步驟12，令迭代數加1，判斷是否滿足迭代結束條件，是則返回步驟5；否則進入步驟13；

步驟13，輸出最終LSTM模型；利用訓練樣本進行訓練得到最終LSTM模型，代入待測試的滑坡位移的特征數據，得到預測結果。