1、第30卷第3期2023年 5月Vo l.30 No.3Ma y 2023妥全与环境工程Sa f et y a nd Env iro nment a l Enginee ring引用格式：胡华，黄维.基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测J.安全与环境工程,2023,30(3):152-160.Hu H,Hua ng W.La nds lide dis pla c ement predic t io n ba s ed o n ICEEMDAN dec o mpo s it io n a nd MHA-LSTM neura l net wo rk .Safety and
2、 Environmental Engineering,2023,30(3)：152-160.基于ICEEMDAN分解和MHA-LSTM神经网络的 滑坡位移预测胡华1，2宀，黄维1（1.厦门大学建筑与土木工程学院，福建厦门361005；2.厦门大学深圳研究院，广东 深圳518000；3.厦门大学嘉庚学院，福建漳州363105）摘要：深度学习在机器视觉等各个领域的兴起，使长短时间记忆（LSTM）神经网络也越来越常用于滑坡预测工 作中。为加强对历史信息的提取与捕捉，提出一种多头自注意力长短时间记忆（MHA-LSTM）神经网络用来预测 滑坡位移。首先采用改进版的自适应噪声完备集合经验模态分解（ICEE
3、MDAN）算法将滑坡位移分解成趋势项、周期项和噪声项;然后采用MHA-LSTM神经网络拟合带噪声的滑坡位移趋势项和周期项，两者相加即可得到滑 坡总位移的预测结果;最后以白水河滑坡实测数据为例，考虑月降雨量和库水位因素的影响，对该滑坡位移的周期 项和趋势项进行预测，并与其他传统神经网络的预测结果进行对比。结果表明:MHA-LSTM神经网络模型相较 于其他传统神经网络模型，能更好地捕捉历史的信息特征，预测效果更佳,可为滑坡预测提供新的技术方法。关键词：滑坡位移预测；神经网络;注意力机制;模态分解中图分类号：X43；P642.22 文章编号：1671-1556（2023）03-0152-09 收稿日
4、期：2022-01-28DOI；10.13578/ki.issn.1671-1556.20220102 开放科学（资源服务）标识码（OSID）:Landslide Displacement Predictio n Based o n ICEEMDAN Deco mpo sitio n and MHA-LSTM Neural Netwo rkHU Hua123*,HUANG Wei1(1.Co lleg e o f Arc h itec ture and Civil Eng inee ring,Xiamen University,Xiamen 361005,Ch ina;2.Sh enzh en
5、 Researc h Institute o f Xiamen Unive rsity,Sh enzh en 518000,CAzna；3 Co lleg e o f Tan Kah Kee,Xiamen University,Zh ang zh o u 363105,Ch ina)Abst r ac t：Wit h t h e ris e o f deep lea rning in v a rio us f ields s uc h a s ma c h ine v is io n,t h e f ield o f la nds lide predict io n h a s s t a r
6、t ed t o us e lo ng s h o rt-t erm memo ry(LSTM)neura l net wo rk f o r predic t io n.To enh a nc e t h e a bilit y o f ext ra c t ing a nd c a pt uring h is t o ric a l inf o rma t io n,t h is s t udy pro po s es a lo ng s h o rt-t erm memo ry net wo rk wit h mult i-h ea ded s elf-a t t ent io n me
7、c h a nis m(MHA-LSTM)t o predic t t h e dis pla c ement o f la nds lides Firs t ly,t h is pa per us es a n impro v ed v ers io n o f c o mplet e ens emble empiric a l mo de dec o mpo s it io n wit h a da pt iv e no is e(ICEEMDAN)t o div ide t h e dis pla c ement int o t rend t e rm,perio dic t erm a
8、 nd no is e t erm；s ec o ndly we us e MHA-LSTM neura l net wo rk t o f it t h e t rend t erm wit h no is e a nd perio dic t e rm,a nd s um up t o get t h e t o t a l dis pla c ement predic t io n res ult s；t h en we f it t h e t rend t erm a nd t h e perio dic t erm wit h LSTM a nd MHA-LSTM res pec
9、t iv ely；f ina lly t a k ing t h e mea s ured da t a o f t h e Wh it e Wa t er Riv er la nds lide a s a n exa mple,t h e s t udy us es t h e pro po s ed net wo rk t o predic t t h e perio dic a nd t rend t erms o f t h e dis pla c ement wit h c o ns ide ra t io n o f t h e inf luenc e o f mo nt h ly
10、 ra inf a ll a nd res erv o ir wa t er lev el,a nd c o mpa res t h e res ult s wit h t h o s e o f o t h er net wo rk s.Th e re s ult s s h o w t h a t MHA-LSTM neura l net wo rk c a n c a pt ure基金项目：国家自然科学基金项目(51278437);广东省自然科学基金项目(2020A1515010928);厦门市自然科学基金项目(3502Z20227323)作者简介:胡 华(1968)，男，博士，教授，主
11、要从事岩土工程等方面的研究。E-ma il：Xmh uh Xmu.edu.c n第3期胡华等：基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测153t h e h is t o ric a l inf o rma t io n f ea t ures bet t er t h a n o t h er t ra dit io na l net wo rk s c a n,a nd t h e predic t io n ef f ec t is bet t e r.Th e s t udy c a n pro v ide a new t ec h nic a l met h o
12、 d f o r la nds lide dis pla c ement predic t io n.Key wo r ds:la nds lide dis pla c ement predic t io n；neura l net wo rk；a t t ent io n mec h a nis m；mo de dec o mpo s it io n滑坡变形而造成的地质灾害是自然界最严重的 地质灾害之一，在中国乃至全世界各个地区都时有 发生。滑坡地质灾害具有高频性、突发性等特点，所 带来的危害也远不止水土流失、地形变化、自然环境 破坏,更有严重的人员伤亡和巨大的经济损失。其 中，滑坡地质灾害
13、造成的直接经济损失每年约数百 亿元人民币，间接经济损失更是难以估量，其危害之 大仅次于地震。多年来国内外的专家学者们也相继对滑坡位移 预测进行了深入研究，以减轻滑坡造成的危害。目 前在主流的滑坡位移预报工作中，有相当一部分学 者采用的滑坡位移预测模型有Ve rh uls t模型3、灰色模型(GM)。如：李龙起等页基于人工神经 网络方法,通过建立非线性人工神经网络分析模型，对滑坡位移进行了非线性预测研究;Ta ng等页引入 了带注意力机制的门控神经网络分析滑坡位移数 据;Lin等则、张明岳等口采用双向的长短时间记 忆神经网络对滑坡位移数据进行预测，也得到了不 错的预测效果；Liu等则引用周期神经
14、网络来预 测滑坡的位移，采用新的周期激活函数可使得网络 对周期序列的预测更具有优势。还有一些学者将 GPS监测的各种滑坡时序数据分解成周期项、趋势 项、噪声项等序列，然后根据各项时序数据的特点采 用不同的机器学习算法去训练来拟合滑坡非线性位 移，最后将各项预测值相加得到最终的预测值。如：刘艺梁等利用经验模态分解(EMD)方法对非平 稳的滑坡位移信号进行分解，并将分解后的滑坡位 移结合BP神经网络对滑坡变形进行了预测；邓冬 梅等进一步提出了基于时间序列集合经验模态 分解(EEMD)与机器学习算法结合的滑坡位移预测 方法;安北等删针对三峡地区滑坡位移“阶梯状”的 问题,提出了一种新的滑坡位移时序预
15、测模型即 VMD-SES-BP预测模型。虽然上述研究成果都取得了一定的研究进展，但是每种预测方法均存在局限性。如：GM算法没 有学习过程，所以对非线性滑坡位移的预测精度并 不高;采用BP神经网络并不能识别到时序的信息，并且在特征不够时容易出现局部收敛；长短时间记 忆(LSTM)神经网络在处理比较长的时间序列时，由于存在较长的链式求导过程，所以不能很好地记 住太长的时间序列；与LSTM神经网络相比，门控 循环单元(GRU)神经网络虽然在学习参数的数量 上少了许多，但同样存在不擅长处理长时间序列的 缺点；在累计滑坡位移时间序列的分解上，采用经验 模态分解(EMD)方法得到的内涵模态分量(IMF)会
16、有比较严重的混合频率情况出现，集合经验模态 分解(EEMD)方法虽然在一定程度上解决了模态混 叠的问题，但是有残余噪声。采用改进的自适应噪 声完备集合经验模态分解(ICEEMDAN)算法,不仅 减少了伪模态的数量，还减少了残余噪声的影响，相 对于EEMD方法来说其还有重构误差较小、计算收 敛速度快等优点。为此，本文提出一种多头自注意 力长短时间记忆神经网络(MHA-LSTM)来预测滑 坡的位移。首先采用改性的自适应噪声完备集合经 验模态分解(ICEEMDAN)算法将滑坡位移分解成 趋势项、周期项和噪声项；然后采用MHA-LSTM 网络拟合带噪声的滑坡位移趋势项和周期项，两者 相加即可得到滑坡累计位移的预测结果；最后通过 滑坡实例验证本文方法的有效性和可靠性。1模型建立1.1 ICEEMDAN 算法改进的自适应噪声完备集合经验模态分解(ICEEMDAN)算法最早由Co lo mina s等皿提出，是Hua ng等提出的经验模态分解(EMD)算法的改 进版。1.1.1 EMD 算法由Hua ng等提出的经验模态分解(EMD)算 法,其流程如下：(1)先设置k=0,并且找到待分解信号rk=X