一种结合时序分解与相似分量重组的深度学习滑坡位移组合预测模型

来源：大地测量与地球动力学杂志2025年第3期北京时间：

作者：瞿伟, 李达, 李久元, 边子策

单位：1 长安大学地质工程与测绘学院, 西安市雁塔路126号, 710054,2 西部矿产资源与地质工程教育部重点实验室, 西安市雁塔路126号, 710054

摘要：在对滑坡监测数据粗差进行有效处理及充分顾及滑坡监测数据自身特性的基础上，提出一种结合时序分解与相似分量重组的深度学习滑坡位移组合预测模型。首先，利用孤立森林法对滑坡时序监测数据的显著粗差进行处理，再对其平稳性、自相关性、正态性进行综合分析，确定模型预测中输入特征序列的最佳长度；其次，利用集合经验模态分解(EEMD)方法，将非稳态滑坡监测数据分解为多个平稳时间序列，再结合样本熵与K-means算法将其划分为高频、中频、低频3类时间分量；最后，通过对比不同神经网络模型的预测精度，分别构建适合于3类时间分量的预测模型，再将预测结果相叠加，实现对滑坡位移的高精度预测。实验区典型滑坡体北斗/GNSS监测数据测试表明，本文组合预测模型对含有显著粗差的滑坡监测数据具有较好的适用性，相较于单一及现有组合模型可显著提高滑坡位移预测精度。

关键词：滑坡位移预测,集合经验模态分解,样本熵,深度神经网络,时间卷积网络

基金资助：国家自然科学基金(42174006),国家自然科学基金(42090055),陕西省杰出青年科学基金(2022JC-18),中央高校基本科研业务费专项(CHD300102263201)