技术特征：
1.一种高陡边坡位移点预测方法，其特征在于，包括以下步骤：s1、基于gru深度学习算法和ddapso元启发式优化算法，建立ddapso-gru点预测模型；s2、从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入ddapso-gru点预测模型进行训练，同时保存训练后的预测模型；s3、从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果。2.如权利要求1所述的一种高陡边坡位移点预测方法，其特征在于，步骤s1中，所述gru深度学习算法的公式包括：z
t
＝σ(w
z
·
[h
t-1
，x
t
])])其中，z
t
表示更新门，σ表示sigmoid激活函数，w
z
表示更新门的待训练权重矩阵，h
t-1
表示上一时刻的隐状态，x
t
表示当前时刻的输入特征，h
t
表示当前时刻的隐状态，表示当前时刻的候选隐状态，表示边坡位移序列，w
o
表示输出层的待训练权重矩阵，b
o
表示偏置项。3.如权利要求1所述的一种高陡边坡位移点预测方法，其特征在于，步骤s1中，所述ddapso元启发式优化算法为pso算法的改进算法，其改进公式如下：dapso元启发式优化算法为pso算法的改进算法，其改进公式如下：dapso元启发式优化算法为pso算法的改进算法，其改进公式如下：ω＝ω
max
，f＞f
avg
，其中，c1、c2均为学习因子，c
1b
、c
1e
分别表示c1的初始值和最终值，c
2b
、c
2e
分别表示c2的初始值和最终值，m
cur
表示当前迭代次数，m
max
表示最大迭代次数，ω表示惯性因子，ω
max
表示ω的最大值，ω
min
表示ω的最小值，f表示当前目标函数值，f
avg
表示当前平均目标函数值，f
min
表示目标函数极小值。4.如权利要求1所述的一种高陡边坡位移点预测方法，其特征在于，步骤s1中，所述建立ddapso-gru点预测模型的方法包括：构建高陡边坡位移数据集；基于高陡边坡位移数据集搭建ddapso-gru的网络架构；基于ddapso-gru的网络架构建立ddapso-gru点预测模型。
5.如权利要求4所述的一种高陡边坡位移点预测方法，其特征在于，所述构建高陡边坡位移数据集的方法包括：获取历史多个时刻的位移数据和未来一个时刻的位移数据以构成数据集；将数据集按照时间顺序划分为训练集、验证集和测试集；将划分后的训练集、验证集和测试集进行归一化处理，基于处理结果以构建高陡边坡位移数据集。6.如权利要求5所述的一种高陡边坡位移点预测方法，其特征在于，所述归一化处理采用的公式为：其中，x表示待归一化的位移值，x
min
、x
max
分别为位移数据中的最小值和最大值，x
scaled
表示归一化后的位移值。7.如权利要求4所述的一种高陡边坡位移点预测方法，其特征在于，所述搭建ddapso-gru的网络架构的方法包括：以gru神经网络为基础搭建gru网络模型；基于gru网络模型和ddapso算法设置gru网络模型的优化参数；利用ddapso算法对gru网络模型的优化参数进行优化以得到ddapso-gru的网络架构的最优配置；基于ddapso-gru的网络架构的最优配置搭建ddapso-gru的网络架构。8.一种电子设备，其特征在于，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的一种高陡边坡位移点预测方法。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种高陡边坡位移点预测方法。
技术总结
本发明提出了一种高陡边坡位移点预测方法，涉及人工智能预测算法技术领域，包括：基于GRU深度学习算法和DDAPSO元启发式优化算法，建立DDAPSO-GRU点预测模型；从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入DDAPSO-GRU点预测模型进行训练，同时保存训练后的预测模型；从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果；本发明结合DDAPSO-GRU算法与Mysql技术，通过优化算法对其进行模型的超参数整定，得到最佳预测模型参数，建立可以自适应调整模型参数的组合预测模型，大大的提高了预测精度和泛化能力。大大的提高了预测精度和泛化能力。大大的提高了预测精度和泛化能力。
技术研发人员：马玲 邓志兴 王迅 罗源 苏谦 舒昆 张宗宇
受保护的技术使用者：固远晨通科技发展有限公司
技术研发日：2022.09.30
技术公布日：2022/12/22