>[0024]首先需要收集目标滑坡体所处位置的全部相关的诱发因素，进行滑坡特征分析，找出影响滑坡位移的所有因素，上述诱发因素包括地形地貌、地层岩性、地质构造、水文地质状况，以及气候、降雨和人类工程活动。
[0025](1)、小波分解:收集目标滑坡体的位移监测数据，选择其中具有代表性、典型性的位移监测点，根据其数据绘制出位移-时间变化曲线，以位移监测数据为基础，应用小波变换函数将位移-时间变化曲线分解为趋势项位移曲线和周期项位移曲线。对于小波变换的级数，则根据信号变化的具体情况和数据采样率进行恰当选择。
[0026](2)、趋势项位移预测:根据小波分解后得到的各个趋势项位移曲线的特点，选择多项式曲线或S曲线对趋势项位移进行拟合，采用最小二乘拟合法确定拟合曲线的系数之后，通过对拟合曲线拟合趋势项位移的效果进行比较与分析，选择拟合效果最好的拟合曲线作为趋势项位移的预测函数，即建立趋势项位移预测模型。
[0027](3)、周期项位移预测:采用粗糙集算法从位移监测数据中筛选出滑坡位移影响因子集，将得到的因子集作为支持向量回归机的输入因子集，通过支持向量回归机对周期项位移曲线进行预测，构建周期项位移预测模型，对各项滑坡位移周期项分解值分别进行预测。具体包括如下步骤:
[0028]a、首先对约简后的因子集和对应的滑坡累计位移周期项分解值进行异常点剔除等预处理，然后将其归一化到-1与1之间，消除不同量纲对预测结果的影响；
[0029]b、将每一部分的滑坡累计位移周期项分解数据再分成两部分，即将前面一部分监测数据作为模型训练样本，将后面一部分的监测数据作为模型测试样本；
[0030]c、使用训练样本和由粗糙集提取出的因子集建立滑坡累积位移周期项分解值与影响因子之间的SVR模型；
[0031]d、利用所建立的模型对检验样本进行预测。
[0032](4)、位移叠加及预测精度评价:将趋势项位移预测模型和周期项位移预测模型中预测的趋势项位移值和周期项位移值叠加，得到其总的位移预测结果，并求得位移预测结果的均方差和相关系数，对滑坡位移量与其影响因素之间的复杂响应关系的预测能力进行评价，并对预测结果的精度进行分析与评价。具体为在位移监测数据选取一部分数据作为后续测试样本，对步骤(4)中得到的位移预测结果的精度进行测试。
【主权项】
1.一种基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于包括以下步骤: (1)、小波分解:收集目标滑坡体的位移监测数据，选择其中具有代表性、典型性的位移监测点，根据其数据绘制出位移-时间变化曲线，以位移监测数据为基础，应用小波变换函数将位移-时间变化曲线分解为趋势项位移曲线和周期项位移曲线； (2)、趋势项位移预测:根据小波分解后得到的各个趋势项位移曲线的特点，选择多项式曲线或S曲线对趋势项位移进行拟合，采用最小二乘拟合法确定拟合曲线的系数之后，通过对拟合曲线拟合趋势项位移的效果进行比较与分析，选择拟合效果最好的拟合曲线作为趋势项位移的预测函数，即建立趋势项位移预测模型； (3)、周期项位移预测:采用粗糙集算法从位移监测数据中筛选出滑坡位移影响因子集，将得到的因子集作为支持向量回归机的输入因子集，通过支持向量回归机对周期项位移曲线进行预测，构建周期项位移预测模型，对各项滑坡位移周期项分解值分别进行预测； (4)、位移叠加及预测精度评价:将趋势项位移预测模型和周期项位移预测模型中预测的趋势项位移值和周期项位移值叠加，得到其总的位移预测结果，并求得位移预测结果的均方差和相关系数，对滑坡位移量与其影响因素之间的复杂响应关系的预测能力进行评价，并对预测结果的精度进行分析与评价。2.根据权利要求1所述的基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于:在步骤(1)之前，需要收集目标滑坡体所处位置的全部相关的诱发因素，进行滑坡特征分析，找出影响滑坡位移的所有因素，上述诱发因素包括地形地貌、地层岩性、地质构造、水文地质状况，以及气候、降雨和人类工程活动。3.根据权利要求1所述的基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于:在位移监测数据选取一部分数据作为后续测试样本，对步骤(4)中得到的位移预测结果的精度进行测试。4.根据权利要求1所述的基于WT-RS-SVR相结合的滑坡位移预测方法，其特征在于:步骤(3)中所述的周期项位移预测具体包括如下步骤: a、首先对约简后的因子集和对应的滑坡累计位移周期项分解值进行异常点剔除等预处理，然后将其归一化到-1与1之间，消除不同量纲对预测结果的影响； b、将每一部分的滑坡累计位移周期项分解数据再分成两部分，即将前面一部分监测数据作为模型训练样本，将后面一部分的监测数据作为模型测试样本； c、使用训练样本和由粗糙集提取出的因子集建立滑坡累积位移周期项分解值与影响因子之间的SVR模型； d、利用所建立的模型对检验样本进行预测。
【专利摘要】本发明提供了一种基于WT-RS-SVR相结合的滑坡位移预测方法。该方法针对滑坡位移的影响因素和位移过程极其复杂的特点，依据实测滑坡位移监测数据，利用小波变换将典型监测点的累计位移分解为趋势项位移和周期项位移，通过曲线拟合获得趋势项位移预测函数，利用粗糙集算法进行滑坡位移影响因子的筛选，将挑选出来的因子集作为支持向量回归机的输入因子集，从而建立由WT、RS、SVR相结合的滑坡位移优化预测模型，并对预测结果的精度进行分析与评价。该滑坡位移预测方法的预测结果能够很好地体现滑坡位移的发展变化趋势，具有很强的预测能力，是一种精确、有效、实用的滑坡位移预测方法。
【IPC分类】E02D33/00
【公开号】CN105239608
【申请号】CN201510627229
【发明人】胡友健, 张凯翔, 牛瑞卿
【申请人】中国地质大学（武汉）
【公开日】2016年1月13日
【申请日】2015年9月28日