买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：三峡大学

摘要：本发明提供了预埋滴灌的基于EEMD‑GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期；S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取；S3：采用集合经验模态分解算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解；S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理；S5：建立门控循环单元神经网络；S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测；S7：将不同时间尺度下的周期项的预测值和趋势项的预测值叠加得到累计位移的预测。

主权项：1.基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法，其特征在于，包括以下步骤：S1：对滑坡各项监测数据进整理，确定监测内容和数据提取周期，监测内容包括：滑坡累计位移、降雨量、库水位和地下水位；若监测数据中存在缺失则采用ARIMA算法对缺失值进行插补；所述步骤S1中，滑坡所在区域的降雨量、库水位、地下水位将作为周期项位移预测时的影响因素考虑；对监测数据提取时考虑日、周、旬三个时间尺度；采用ARIMA算法进行插补时，根据现有数据对缺失值进行预测填补，确保有95%的置信区间；S2：将S1中的完整监测数据分别以日、周、旬为时间尺度进行提取；所述步骤S2中，对同一套数据分别进行日、周、旬不同时间尺度的提取时，会导致所提取出的数据量不同，因此为保证预测结果对比时的变量单一性和科学性，从S1中提取出的日数据和周数据需再次进行提取，保证日、周、旬的预测数据量相同；S3：采用集合经验模态分解算法分别对S2中所提取出的各时间尺度下的滑坡累计位移进行分解，将累计位移时间序列分解成n个本征模态函数和一个残差项；将残差项作为趋势项；将累计位移与趋势项的差值作为周期项；S4：将S2中提取出的各时间尺度下的监测数据和S3中分解出的周期项位移分别进行训练集和测试集的划分，以及归一化的处理；S5：建立门控循环单元神经网络，将S4中处理好的训练集和测试集数据，按不同时间尺度分别输入模型中，实现各自周期项位移的预测；采用相关系数R²和均方根误差RMSE对预测结果进行评价；S6：对S2中分解出的各时间尺度下的趋势项位移进行多项式的拟合预测；S7：将不同时间尺度下的周期项预测值和趋势项预测值叠加得到累计位移的预测，并通过相关系数R²和均方根误差RMSE对预测结果进行评价、对比，最终得出最优的时间尺度为旬。

全文数据：

权利要求：

百度查询： 三峡大学 基于EEMD-GRU模型最优时间尺度的位移阶跃型水库滑坡累计位移预测方法