● 题目 ●
Titlle
期刊：Engineering Applications of Artificial Intelligence
作者：Peng Shao a , Hong Wang a , Guangyu Long a , Jianxing Liao a , Fei Gan a , Bin Xu a , Ke Hu a , Yuhang Teng b
年份：2024
●●● 摘要(Abstract)●●●
准确的滑坡位移预测对于滑坡的预防和预警至关重要。本文提出了一种新的混合多步超前预测模型（ARIMA-IM），该模型结合了自回归综合移动平均（ARIMA）和智能模型（IMs）用于滑坡位移预测。该模型综合了ARIMA的线性预测优势、变分模态分解（VMD）和经验小波变换（EWT）的信号分解能力以及IMs的非线性变化捕捉能力。该模型不仅可以有效捕捉滑坡位移的突变和长期趋势，还可以实现高精度的多步超前预测。为了验证所提模型的有效性，该文利用长短期记忆网络（LSTM）、双向LSTM（BiLSTM）、闸门循环单元（GRU）和人工神经网络（ANN）四种IMs进行了多步超前预测。结果表明，ARIMA-IM，特别是ARIMA和深度学习相结合的混合模型，在1-5步超前预测中取得了较高的精度。连续多步超前预测表现出更高的精度，为决策提供了更多的预测信息。与其他模型相比，ARIMA-IM不仅实现了多步超前预测，而且表现出相当或更好的预测精度，对滑坡灾害预警具有很高的现实意义。
●●● 图表(Figures)●●●
图 1. 中国三峡地区 BZM 滑坡的位置
图 2. BZM 滑坡的降雨量、水库水位和累积位移监测曲线
图 3. IM 神经网络结构。
图7. VMD分解结果
图 9. 累积位移的多步提前预测策略
图 10. 线性位移多步提前预测结果。
●●● 结论(Conclusions)●●●
本文提出了一种基于 ARIMA-IM 的新型滑坡位移多步预测方法。在该方法中，ARIMA 预测线性部分并提取累积位移的非线性成分。VMD-EWT 随后将非线性成分分解为具有简单变化规则的子序列。IM 对每个子序列进行多步预测，结果相加得到非线性位移预测。最后，线性和非线性预测相加得到累积位移预测结果。BZM 滑坡的应用结果表明，所提出的方法结合了 ARIMA 和 IM 在处理线性和非线性问题方面的优势，以及 VMD-EWT 在复杂时间序列分解方面的出色性能。该模型即使在滑坡位移突然变化或预测时间步长较长的情况下，也能实现高精度的多步预测。ARMIA-IM 的预测性能与其他模型（特别是基于深度学习的模型（ARIMA-GRU、ARIMA-LSTM、ARIMA-BiLSTM））相似或更好。ARMIA-IM 能够更准确地确定滑坡位移的长期演变特征。连续的多步预测提供了更多的预测信息和更高的预测精度，使其更具实用性。尽管性能良好，但该模型存在一些局限性：局限性 1：模型不可解释性。为了在数据驱动模型中实现可解释性，数据关系和物理关系之间必须保持一致性。所提出的模型侧重于挖掘数据变化特征，但未考虑物理关系，这限制了其被视为提供“真实预测”的能力。未来，该文将引入时空注意力机制或物理信息神经网络等方法，以弥合数据驱动算法和物理模型之间的差距，从滑坡机制的角度进一步增强数据驱动模型的可解释性。局限性 2：模型超参数优化。作为一种改进且更复杂的混合模型，ARIMA-IM 与传统 IM 相比具有更多的超参数。这种复杂性使得同时优化所有超参数具有挑战性。在未来的研究中，该文将把主流优化算法，如粒子群优化（PSO）、贝叶斯优化和 Hyperopt 引入模型。最佳优化算法的选择将基于计算效率和操作简便性等标准。总体而言，所提出的预测方法具有实际意义，可为滑坡灾害预警系统的开发提供基础方法。此外，它可以为防灾减灾做出重大贡献。
● 参考文献 ●
●●● References ●●●
Shao, P., Wang, H., Long, G., Liao, J., Gan, F., Xu, B., Hu, K. and Teng, Y., 2024. A novel multi-step ahead prediction method for landslide displacement based on autoregressive integrated moving average and intelligent algorithm. Engineering Applications of Artificial Intelligence, 137, 109107.
End
工程地质灾害与滑坡风险评估
engeomodel@gmail.com
● 扫码关注我们
Welcome
免责声明
本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
