（位移预测）同济大学研究团队 | 基于动态特征的滑坡位移智能预测
摘要
滑坡位移预测可以提高滑坡监测系统的有效性，而周期性位移的预测尤其具有挑战性。在以往的研究中，多采用静态回归模型(如支持向量机(SVM))来预测周期位移。当考虑滑坡触发器的动力特征时，这些模型的性能可能较差。提出了一种基于门控循环单元(GRU)神经网络和自适应噪声完全集合经验分解(CEEMDAN)的滑坡位移动态预测方法。使用CEEMDAN对训练数据进行分解，然后使用GRU对周期位移进行预测。以曹家沱滑坡区为例，说明了该方法的实施步骤，并采用支持向量机进行周期性位移预测。该实例研究表明，由于滑坡位移明显是阶梯式的，支持向量机的预测结果是不准确的。相比之下，采用动态预测方法可以显著提高精度。本文揭示了在使用机器学习模型预测滑坡位移时，在训练过程中捕捉输入的动态特征的重要性。 https://www.sciencedirect.com/science/article/pii/S2095268622000143
Fig. 1. The topographic map of the Caojiatuo landslide
GNSS设备检测数据
方法：
该论文主要使用了两种计算方法，分别是数据分解算法完全集合经验模态分解自适应噪声（CEEMDAN），以及机器学习算法门控循环单元神经网络（GRU）。 CEEMDAN是一种改进的EMD方法，用于解决传统EMD方法中的一些局限性，如同一振荡可能出现在不同模态中以及难以考虑白噪声的问题。CEEMDAN通过在每一步分解中添加白噪声来增强分解的稳定性，并确保每个模态分量都包含原始信号的独特特征。具体步骤包括对加入噪声后的信号进行EMD分解，提取第一个模态分量，然后计算剩余信号并重复分解过程，直到提取出所有模态分量和残差项。 门控循环单元（GRU）是一种简化的递归神经网络（RNN），专门用于处理序列数据中的长期依赖问题。GRU通过引入更新门和重置门来控制信息的流动，从而更有效地捕捉序列数据中的动态特征。GRU模型包括输入层、隐藏层和输出层，其中输入层收集初始数据集并传递到系统，隐藏层根据加权输入和激活函数生成每层的输出，最终在输出层生成预测结果。 在本文中，GRU用于预测滑坡位移的周期性变化，并通过与CEEMDAN结合，提高预测精度。
Flow of landslide displacement prediction method.
结论：
(1)提出了一种基于GRU神经网络和CEEMDAN的滑坡位移动态预测方法。利用该方法可以准确预测三峡库区梯级变化的曹家沱滑坡位移。
(2)通过对比2013年GPS-3和GPS-6的实际和预测位移数据，发现GPS-6的GRU模型的RMSE和MAPE分别为4.0和12.25%，而静态SVM的RMSE和MAPE分别为9.9和29.54%。对于GPS-3, GRU模型的RMSE和MAPE分别为5.1和17.22%，而静态SVM的RMSE和MAPE分别为9.6和37.85%。GRU模型对滑坡位移的预测精度高于SVM模型。
(3)采用GRU模型时，预测精度显著提高。这是因为在GRU的隐藏层中，将前一个时间节点的关系设置为下一个节点的输入，可以考虑训练数据的动态特征。因此，在进行主要受时间相关因素(如降雨、地下水位、水库水位)影响的滑坡监测项目时，采用动态预测方法尤为重要。
