[發明專利]一種邏輯回歸優化的SVR-LSTM滑坡位移預測方法及系統

在審

• 申請號: 202310396175.8
• 申請日: 2023-04-14
• 公開（公告）號: CN116522286A
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 周浩;朱平華;蔣宏偉;吳月旭;宗美榮;劉惠
• 申請（專利權）人: 常州大學
• 主分類號: G06F18/27
• 分類號: G06F18/27;G01B21/02;G06F18/2411;G06F18/214;G06N3/0442;G08B21/10
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 曹洪

1.一種邏輯回歸優化的SVR-LSTM滑坡位移預測方法，其特征在于，包括：

收集各監測點的滑坡位移數據，采用平均移動法將所述滑坡位移數據分解為趨勢項數據和周期項數據；

根據所述滑坡位移數據構建數據集，并初步篩選候選輸入因素，對所述候選輸入因素和所述周期項數據進行Pearson相關系數分析獲取模型輸入因子；

利用支持向量回歸算法和LSTM算法分別對所述趨勢項數據和周期項數據進行預測，并分別獲取兩種算法對應的總位移預測結果；

將所述模型輸入因子和所述總位移預測結果作為邏輯回歸分類算法的備選因素，通過所述邏輯回歸分類算法計算支持向量回歸模型和LSTM模型的權重，并對數據進行處理后得到邏輯回歸優化的總位移預測值。

2.如權利要求1所述的邏輯回歸優化的SVR-LSTM滑坡位移預測方法，其特征在于：將所述滑坡位移數據分解為趨勢項數據和周期項數據包括，

采用平均移動法對所述滑坡位移數據中的波動進行平滑處理，并提取出趨勢項數據，根據移動平均周期提取周期項數據；

所述平均移動法的計算包括，

其中，表示趨勢項位移在時間步t的值，X_t表示累計位移在時間步t的值，n表示移動平均周期。

3.如權利要求1～2任一所述的邏輯回歸優化的SVR-LSTM滑坡位移預測方法，其特征在于：所述模型輸入因子的獲取包括，

對所述候選輸入因素和所述周期項數據進行Pearson相關系數分析，選取若干個所述Pearson相關系數最大值對應的候選輸入因素，作為周期項位移預測模型中的輸入因子；

所述Pearson相關系數的計算包括，

其中，X和Y表示兩個等長向量，N表示向量元素個數。

4.如權利要求3所述的邏輯回歸優化的SVR-LSTM滑坡位移預測方法，其特征在于：所述對趨勢項數據和周期項數據進行預測包括，

利用支持向量回歸算法和LSTM算法分別對所述趨勢項數據和周期項數據進行預測，所述趨勢項數據采用單變量預測模型，所述周期項數據采用多變量預測模型；

根據所述趨勢項數據，將55％～65％的數據作為所述單變量預測模型的訓練集進行訓練，將10％～20％的數據作為所述單變量預測模型的驗證集來調整模型的超參數，并獲取基于支持向量回歸算法和LSTM算法的趨勢項數據最優預測模型，根據所述趨勢項數據最優預測模型分別獲取基于支持向量回歸算法和LSTM算法的趨勢項數據預測結果；

采用上述預測方式獲取基于支持向量回歸算法和LSTM算法的周期項數據預測結果。

5.如權利要求4所述的邏輯回歸優化的SVR-LSTM滑坡位移預測方法，其特征在于：所述邏輯回歸分類算法的備選因素包括，

將所述基于支持向量回歸算法和LSTM算法的趨勢項數據預測結果以及周期項數據預測結果對應相加，得到基于支持向量回歸算法和LSTM算法的總位移預測結果；

將所述模型輸入因子、基于支持向量回歸算法的總位移預測結果、基于LSTM算法的總位移預測結果以及兩個總位移預測結果的差值作為邏輯回歸分類算法的備選因素。

6.如權利要求5所述的邏輯回歸優化的SVR-LSTM滑坡位移預測方法，其特征在于：所述總位移預測值的獲取包括，

對所述備選因素和所述候選輸入因子進行Pearson相關系數分析，選取所述Pearson相關系數分析中相關性大的因素作為邏輯回歸分類算法模型的輸入因子；

將前60組輸入因子作為所述邏輯回歸分類算法模型的訓練集進行訓練，得到最優分類預測模型，將剩下的12組數據作為預測數據集，通過所述邏輯回歸分類算法計算支持向量回歸模型和LSTM模型的權重，并對數據進行處理后得到邏輯回歸優化的總位移預測值。

7.如權利要求6所述的邏輯回歸優化的SVR-LSTM滑坡位移預測方法，其特征在于：還包括，

對所述預測數據集中的位移監測值和邏輯回歸優化的總位移預測值進行評估，并計算均方根誤差和平均絕對百分比誤差，實現對滑坡位移的預測評估。