一种改进白鲸优化的BiLSTM-Attention黄土滑坡位移预测方法及系统

本发明属于但不限于滑坡预测，尤其涉及一种改进白鲸优化的bilstm-attention黄土滑坡位移预测方法及系统。

背景技术：

1、黄土滑坡是一种较为常见并且危害较大的地质灾害，现在已经成为黄土地区一类关注度极高的地质环境问题。与其他岩土质滑坡相比，黄土滑坡没有明显的滑动面，加之其发生频率高，致灾机理复杂等特点，使得黄土滑坡预测工作的开展较为困难。

2、滑坡的演化过程受多种内外部因素的共同影响，如地质、降雨以及人类活动等，这也使得滑坡成为了一种复杂的非线性系统。滑坡变形监测的非线性和不确定性使得滑坡预测变得复杂，黄土滑坡也不例外。关于滑坡位移预测的模型可以分为两类：数据驱动和物理驱动。物理驱动模型通过力学原理和岩土工程参数预测滑坡事件，这类模型实现过于复杂且预测效果不理想。而数据驱动的模型因其准确的预测和简单的实现更具有吸引力。深度神经网络具有很强的非线性拟合能力，可以在数据驱动的建模中实现出色的性能。目前，对于滑坡位移的预测研究通常是利用时间序列法分析法将滑坡位移时间序列分解成不同的信号分量，再对这些信号分量分别进行建模预测。例如，采用集合经验模态分解法(eemd)将滑坡位移分解为包含周期因素和随机因素的波动项位移以及由内部结构所演化的趋势项位移，再分别利用prophet以及lstm预测趋势项与波动项。然而在深度学习中，超参数控制着模型分类的性能与效率并且其预测结果需要依赖复杂的特征工程。因此，许多学者将目光投入到群体智能优化算法上，通过群体智能算法对模型参数进行调优以达到更好的滑坡预测预测效果。

3、鉴于上述分析，现有技术存在的急需解决的技术问题为：

4、1.目前大多数黄土滑坡位移预测模型都采用结构较为简单的深度神经网络，在面对黄土滑坡这种复杂的非线性演化系统时难以捕捉滑坡位移变化的时空特征，导致其预测效果较差。同时，神经网络的超参数设置需要大量的实验并根据人工经验寻取最优值，若设置不当则会极大影响网络的预测效果，并提高计算成本。

5、2.群体智能优化算法在处理复杂的多模态问题时容易陷入局部最优并且收敛速度会减慢，从而影响算法的求解精度和求解效率。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种改进白鲸优化的bilstm-attention黄土滑坡位移预测方法及系统，对结构简单、易于应用的白鲸优化算法(beluga whaleoptimization,bwo)进行改进得到一种基于模糊集的多策略增强型白鲸优化算法(fbwo)，以提高其面对复杂优化问题时的收敛速度和精度。同时，在双向长短期记忆神经网络(bi-directional long short-term memory，bilstm)中加入注意力机制(attention)并利用改进后的白鲸优化算法对网络的隐藏节点数、最大迭代次数、初始学习率以及l2正则化系数进行自适应寻优从而提高模型的预测精度。

2、本发明是这样实现的，一种改进白鲸优化的bilstm-attention黄土滑坡位移预测方法，包括：

3、s1，利用指数平滑法将黄土滑坡的累计位移分解为趋势项位移和周期项位移，并划分训练集和测试集；

4、s2，建立bilstm-attention网络模型，设计基于模糊集的多策略增强型白鲸算法(fbwo)，利用fbwo优化bilstm-attention模型中的超参数，实现bilstm-attention网络中隐含层节点数、初始学习率、最大迭代次数和正则化系数四个超参数的自适应寻优，最终得到fbwo-bilstm-attention滑坡位移预测模型用以预测周期项位移；

5、s3，将趋势项位移数据输入到偏最小二乘回归模型中，得到预测的趋势项位移；将周期项位移数据输入到fbwo-bilstm-attention预测模型中得到周期项位移的预测值；

6、s4，将预测的趋势项位移和周期项位移相加，得到最终的滑坡累计位移预测结果。

7、进一步，在s1中，采用指数平滑法将滑坡累计位移分解为趋势项位移以及周期项位移，指数平滑法计算公式如下：

8、

9、其中，y(i)表示累计位移数据点，yt(i)表示分解得到的趋势项位移数据点，将指数平滑法应用三次得到最终的趋势项位移；周期项位移则通过累计位移减去趋势项位移得到，即yp＝y-yt，yp表示周期项位移，y表示累计位移，yt表示趋势项位移。

10、进一步，在s2中，采用基于模糊集的多策略增强型白鲸算法(fbwo)对bilstm-attention模型的隐含层节点数、最大训练次数、初始学习率和正则化系数四个超参数进行寻优；将fbwo算法中种群数量设置和最大迭代次数为10，根据bilstm-attention的四个超参数对算法进行解空间设置，解空间上界ub＝{300,500,0.01,0.01}，下界lb＝{10,30,0.0001,0.0001}；ub和lb的每个维度分别对应bilstm-attention模型的隐含层节点数、最大训练次数、初始学习率和正则化系数的上界和下界；将白鲸个体位置解释为bilstm-attention模型的超参数，将在周期项位移训练集上的得到的均方误差(mse)作为白鲸个体的适应度值。

11、进一步，fbwo的寻优过程如下：

12、(1)利用sobol序列对白鲸种群进行初始化，其计算公式如下：

13、xn＝lb+sn×(ub-lb)

14、其中，xn表示白鲸个体，lb和ub分别为搜索空间的下界和上界，sn是由sobol序列产生的[0,1]之间的随机数。sobol序列生成的初始种群能够更均匀地分布在搜索空间中，这使得算法的初始种群具有较高的多样性。得到初始种群后计算每个个体的适应度值；

15、(2)构建模糊种群。白鲸种群被认为是模糊集，整个种群被划分为最优集bs和最差集ws，每个白鲸个体xi(i＝1,2,…,n)的隶属度可由其自身的适应度得到，集合bs表示如下：

16、

17、其中，表示xi对于bs的隶属度。

18、下面将介绍的计算过程。对于最大化问题，如果f(xi)＝+ve，那么如果f(xi)＝-ve，那么对于最小化问题，如果f(xi)＝+ve，那么如果f(xi)＝-ve，那么其中，fi表示xi的适应度，fmax和fmin分别表示整个种群中的最大适应度和最小适应度，且由上述内容可以看出

19、同样，ws的表示如下：

20、

21、其中，得到个体隶属度后将为每个模糊集构建模糊集质心，具体公式如下：

22、

23、xcb和xcw分别为模糊集bs和ws的质心。

24、(3)fbwo算法通过平衡因子bf来实现探索阶段到开发阶段的过渡，其计算公式如下：

25、bf＝b0(1-t/tmax)

26、其中t为当前迭代次数，tmax为最大迭代次数，b0为每次迭代中在(0,1)之间变化的随机数。当平衡因子bf>0.5时为探索阶段，bf≤0.5时为开发阶段。bf的波动范围会随着迭代次数t的增加从(0,1)减小到(0,0.5)。

27、在探索阶段白鲸个体的位置更新公式如下：如果白鲸个体的则

28、

29、否则，

30、

31、其中表示第i个个体在第s1维的位置，表示全局最优个体第s1维的位置，表示质心xcb在第s1维的位置，s2与此一样。

32、在开发阶段，如果则否则c1是控制levy飞行强度的随机跳跃强度系数，lf为levy飞行函数，其计算方式与原始白鲸优化算法相同。

33、(4)在白鲸个体经过探索或开发阶段的位置更新后，会进行一次柯西变异对自身的邻域进行探索，从而提高局部逃逸能力。柯西变异的公式如下：

34、

35、其中cauchy是由服从x～c(0,0.5)的柯西分布产生的随机数，xrand1和xrand2是从种群中随机选取的两只白鲸个体，是未进行柯西变异之前的位置，为柯西变异后的位置。

36、(5)在柯西变异后，白鲸个体有一定概率进行鲸落阶段的位置更新，这是模拟自然界中白鲸个体因各种原因而死亡坠落的过程。鲸鱼坠落的概率为wf，其计算公式与原始白鲸算法相同，当wf≥bf则会进入鲸落阶段。本发明中将黄金正弦策略引入到鲸落阶段，此阶段的白鲸个体位置更新公式如下：

37、

38、r1是[0,2π]范围内的随机数，r2是[0,π]范围内的随机数，为第t次迭代中全局最优个体在第j维上的位置。x1＝a·τ+b·(1-τ)，x2＝b·τ+a·(1-τ)，其中τ为黄金分割数a和b的初始值分别为-π和π。

39、(6)位置更新结束后，计算每个白鲸个体的适应度值，并找到最优个体。

40、(7)判断当前是否达到最大迭代次数，若未达到则回到步骤(2)；若达到最大迭代次数，则输出当前种群的最优个体。最优个体在每个维度的位置则为bilstm-attention各个超参数的最佳设置值。

41、进一步，在s3中，利用偏最小二乘回归对趋势项位移进行预测得到的预测结果，利用在s2中经过fbwo优化后的bilstm-attention模型对周期项进行预测，得到周期项位移预测结果。

42、本发明的另一目的在于提供一种实现所述基于改进白鲸优化的bilstm-attention黄土滑坡位移预测方法的滑坡位移预测系统，包括：

43、训练集和测试集划分模块，利用指数平滑法将黄土滑坡累计位移分解为趋势项位移和周期项位移，并划分训练集和测试集；

44、黄土滑坡位移预测模型建立模块，建立bilstm-attention网络模型，设计基于模糊集的多策略增强型白鲸算法(fbwo)，利用fbwo优化bilstm-attention模型中的超参数，实现bilstm-attention网络中隐含层节点数、初始学习率、最大迭代次数和正则化系数四个超参数的自适应寻优，最终得到fbwo-bilstm-attention黄土滑坡位移预测模型用以预测周期项位移；

45、周期项位移预测值获得模块，将趋势项位移数据输入到偏最小二乘回归模型中，得到预测的趋势项位移；将周期项位移数据输入到fbwo-bilstm-attention预测模型中得到周期项位移的预测值；

46、黄土滑坡累计位移预测结果获得模块，将预测的趋势项位移和周期项位移相加，得到最终的滑坡累计位移预测结果。

47、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于改进白鲸优化的bilstm-attention黄土滑坡位移预测方法的步骤。

48、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于改进白鲸算法的bilstm-attention黄土滑坡位移预测方法的步骤。

49、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端包括所述的基于模糊集的滑坡位移预测系统。

50、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

51、第一、面对复杂的非线性黄土滑坡系统，本发明利用指数平滑法将黄土滑坡累计位移分解为趋势项位移与周期项位移，精确地捕捉了滑坡的总体趋势和变化规律。

52、为提高bilstm-attention黄土滑坡位移模型的预测精度，本发明将群体智能优化算法与深度神经网络相结合，利用群体智能算法对深度神经网络的超参数进行自适应寻优，大大提高了网络的预测精度。

53、为了克服传统算法易陷入局部最优和收敛效率低下的问题本发明提出了一种基于模糊集的多策略改进增强型白鲸优化算法(fbwo)。首先，在该算法中，利用具有低采样误差的sobol序列提升初始化种群初始质量以及解空间分布的，均匀性。构建模糊质心协同引导策略，通过白鲸个体适应度获得相应隶属度，进而将种群划分为最优与最差模糊集并考虑所有成员信息，生成两个模糊质心，通过不同质心与当前最优位置的联合引导，向全局最优与局部最优学习，增强种群多样性的同时加快收敛速度。与此同时，采用柯西分布的突变算子对更新后的两类个体位置进行变异操作，提升局部逃逸能力。此外，引入黄金正弦策略，利用黄金分割系数不断缩小搜索范围，挖掘优质区域，提高收敛速度。4种策略的交替更新、协同合作、平衡了算法的多样性与收敛性。图5为fbwo与其他增强型白鲸算法在cec2017测试函数上收敛曲线的对比，从图中可以看出fbwo相较于其他算法收敛速度更快、收敛精度更高。

54、经fbwo优化后的bilstm-attention模型预测结果的平均绝对误差(mae)为2.26，均方根误差(rmse)为3.06，决定系数(r2)为99.29％，相较于优化前有极大提升。

55、第二，本发明的技术方案转化后的预期收益和商业价值为：本发明提供了一种基于模糊集的多策略增强型白鲸算法优化算法对bilstm-attention的超参数进行自适应寻优，并成功应用于黄土滑坡位移预测中，大大提高了白鲸优化算法的寻优效率和寻优精度以及滑坡位移预测模型的预测精度。最终得到的模型可以准确预测滑坡的位移趋势，能够帮助黄土滑坡预警系统进行决策，对于黄土滑坡的预测预警具有重要参考意义。

56、本发明的技术方案填补了国内外业内技术空白：本发明首次将模糊集策略引入到白鲸优化算法中，平衡了算法的多样性与收敛性，提高了算法的寻优效率和精度。

57、第三，本发明提出了一种基于改进白鲸算法的bilstm-attention黄土滑坡位移预测方法及系统。首先，在步骤s1中，利用指数平滑法将滑坡累计位移分解为趋势项位移和周期项位移，并划分训练集和测试集。通过三次指数平滑法计算得到最终的趋势项位移，周期项位移则通过累计位移减去趋势项位移得到。

58、在步骤s2中，建立了bilstm-attention网络模型，并设计基于模糊集的多策略增强型白鲸算法(fbwo)对bilstm-attention模型的超参数进行自适应优化。fbwo算法通过设定种群数量和最大迭代次数，并利用sobol序列进行种群初始化，构建模糊种群，通过计算隶属度并构建模糊集质心来实现种群的探索和开发阶段的平衡，从而优化bilstm-attention模型的隐含层节点数、初始学习率、最大迭代次数和正则化系数。

59、在步骤s3中，将趋势项位移数据输入到偏最小二乘回归模型中，得到预测的趋势项位移；将周期项位移数据输入到fbwo-bilstm-attention预测模型中，得到周期项位移的预测值。

60、在步骤s4中，将预测的趋势项位移和周期项位移相加，得到最终的滑坡累计位移预测结果。该方法通过优化bilstm-attention模型，提高了预测精度，解决了现有技术中存在的技术问题，并在工业应用中取得了显著的技术进步。

61、第四，本发明主要解决了黄土滑坡位移预测中的若干关键技术问题。首先，采用指数平滑法将黄土滑坡累计位移分解为趋势项位移和周期项位移，并利用三次指数平滑法精确提取趋势项位移，从而有效地减少了原始数据中的噪声和不确定性，确保了后续预测模型的稳定性和准确性。

62、其次，通过建立bilstm-attention网络模型，并设计基于模糊集的多策略增强型白鲸算法(fbwo)对模型的超参数进行自适应优化。fbwo算法通过构建模糊种群，计算隶属度，进行探索和开发阶段的平衡，最终实现了对bilstm-attention模型中隐含层节点数、初始学习率、最大迭代次数和正则化系数四个超参数的优化，提高了模型的预测精度和鲁棒性。

63、在数学模型方面，本发明采用了偏最小二乘回归模型和fbwo-bilstm-attention预测模型的组合。偏最小二乘回归模型用于预测趋势项位移，而fbwo优化后的bilstm-attention模型则利用九项输入特征，针对周期项位移进行精确预测。该组合模型有效地结合了线性和非线性预测方法的优势，显著提升了滑坡位移预测的整体效果。

64、本发明在技术上取得了显著的进步。通过优化bilstm-attention模型和创新的fbwo算法，提高了黄土滑坡位移预测的准确性和稳定性，克服了现有技术中预测精度低、模型参数难以优化的问题。此外，本发明在工业应用中具有广泛的前景，可用于滑坡监测和预警系统中，有效减少滑坡灾害带来的经济损失和人员伤亡。