(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111015764.4 (22)申请日 2021.08.31 (71)申请人 西北大学 地址 710127 陕西省西安市太白北路2 29号 (72)发明人 王毅　张鹏辉　彭钰博　李静　 张慧　 (74)专利代理 机构 西安长和专利代理有限公司 61227 代理人 黄伟洪 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) (54)发明名称 基于柯西扰动麻雀优化的稀疏LSTM滑坡动 态预测方法 (57)摘要 本发明属于滑坡 预测技术领域， 公开一种基 于柯西扰动麻雀优化的稀 疏LSTM滑坡预测方法。 针对浅层滑坡易受降雨、 库水位及自然环境等外 部“小样本”因素影响， 建立表示稀疏的LSTM模 型， 抽取致灾因素本质数据特征， 降低弱滑坡致 灾影响因素选择空间。 其次， 针对稀疏LSTM训练 层级过深和计算复杂度高， 设计SSA模型对LSTM 中隐层神经单元数、 学习率、 批处理数、 迭代次数 四个超参数寻优； 同时设计柯西扰动策略开发全 局最优解区域， 实现基于表示稀 疏的LSTM网络 结 构紧致性优化， 提升滑坡位移预测精度。 本发明 融合了小样本滑坡数据的稀疏表示能力、 LS TM动 态预测优势、 CSSA算法对网络结构的紧致性优 化， 有效解决滑坡预测中小样 本数据预测能力弱 与计算复杂代价高昂问题。 权利要求书6页 说明书15页 附图6页 CN 113947009 A 2022.01.18 CN 113947009 A 1.基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法， 其特征在于， 所述的基于柯西扰 动麻雀优化的稀疏LSTM滑坡预测方法包括以下步骤： 步骤一， 针对浅层滑坡易受降雨、 库水位及自然环境等外部 “小样本”因素影响， 建立表 示稀疏的LSTM模型， 抽取致灾因素本质数据特征， 建立数据集； 将数据集进行归一化处理， 并按8:1:1比例划分为训练集、 验证集和 测试集； 步骤二， 设计SSA模型对LSTM模型中的超参数寻优， 实现LSTM网络中隐层神经单元数、 学习率、 批处 理数、 迭代次数四个超参数的协同计算与自适应调整； 步骤三， 将SSA模型中的麻雀个体按照适应度大小进行排序， 由此确定最好的麻雀位置 和最坏的麻雀位置， 并划分发现者和跟随者种群； 其中最好的麻雀位置代表整个种群搜索 到具有丰富食物的区域， 为所有的加入者 提供觅食的区域和方向； 步骤四， 更新SSA模型中发现者、 跟随着、 预警者的位置， 发现者负责为整个麻雀种群寻 找食物并为所有跟随者提供觅食的方向； 跟随者会根据发现者的位置获取食物； 然后， 更新 种群中预警者的位置， 当意识到危险时， 群体边缘的麻雀会迅速向安全区域移动， 以获得更 好的位置； 步骤五， 判断SSA模型中的麻雀个体是否陷入局部极值； 若陷入局部极值， 将柯西函数 引入麻雀位置的更新中， 借助柯西算子的变异能力， 为算法在迭代寻优的过程中增强种群 的多样性； 并根据个体扰动前后的适应度， 来判断是否更改麻雀个体的位置； 若没有陷入局 部极值， 直接执 行步骤六； 步骤六， 判断SSA模型是否满足终止条件； 若满足， 则结合算法搜索的最佳超参数值构 建最终的LSTM预测模 型， 然后用训练数据、 验证数据迭代训练该模型， 将训练好的迭代模 型 通过测试 数据得到预测数据； 若不满足 终止条件， 则返回步骤三。 2.如权利要求1所述的基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法， 其特征在于， 步骤一中， 针对浅层滑坡易受降雨、 库水位及自然环境等外部 “小样本”因素影响， 建立表 示 稀疏的LSTM模型， 抽取致灾因素本质数据特征， 建立数据集， 将数据集进行预处理， 并按照 8:1:1的比例划分为训练集、 验证集、 测试集； 其中， 所述数据集使用的是三 峡水库地区白家 堡滑坡的公开数据集， 该数据集包括2007年 1月到2018年10月之间每月的降雨量、 每月的平 均的水库水位、 滑坡测试点每月的位移距离； 以降雨量和水库水位作为诱发因子对滑坡位 移进行预测； 所述对数据集的预处理是将数据集先进行归一化处理， 再构建监督型数据； 其中， 所述 归一化处理是用于消除歧义样 本数据、 减少模型的训练 时间， 通过公式(1)对数据进 行归一 化， 将原数据映射到[0,1]之间； 其中， xn为经过归一化的值， χmax为最大值， χmin为最小值； 所述构建监督学习型数据是用于使用前面的时间步作为输入变量， 下一个时间步作为 输出变量， 从而使输入变量和输出变量构成映射关系； 在本模型中设置的时间步长 TimeStep＝3， 构成三个输入变量和一个输出变量的映射关系， 表 示用三个月的数据预测一 个月的数据；权　利　要　求　书 1/6 页 2 CN 113947009 A 2构建具有“时间记忆块 ”的LSTM模型， 其中LSTM是一种特殊的RNN结构， LSTM引入特殊的 “门”结构， LSTM的神经单元由输入门、 遗忘门、 输出门和细胞单元构成； 其中， 所述遗忘门ft 如公式(2)所示， 用于决定上一时刻的细胞 中有多少信息传递到当前时刻； 所述输入门it如 公式(3)所示， 用于控制当前单元嵌入细胞状态的程度； 所述记忆单元Ct如公式(5)所示， 用 于记录不同门结构情况 下细胞的状态； 所述输出门ht如公式(7)所示； ft＝σ [Wf*(Ct‑1， ht‑1， xt)+bf]    (2) it＝σ [Wi*(Ct‑1， ht‑1， xt)+bi]  (3) Ot＝σ [Wo*(Ct， ht， xt)+bo]  (6) ht＝Ot*tanh(Ct)  (7) 其中， Wf， Wi， Wc， Wo是各个门的权 重， bf， bi， bc， bo是各个门的偏置项。 3.如权利要求1所述的基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法， 其特征在于， 步骤二中， 设计SSA模型对LSTM模型中的超参数寻优， 实现LSTM网络中隐层神经单元数、 学 习率、 批处 理数、 迭代次数四个超参数的自适应调整与协同计算， 包括： 对SSA的参数进行设置， 其中麻雀种群Pop_Size数量为20、 最大迭代次数Max_iter为 50、 发现者pNum的数量 为4(麻雀种群的20％)； 预警者sNum的数量 为4(麻雀种群的20％)； 设置LSTM模型超参数的解空间； 柯西变异的麻雀搜索算法对LSTM中隐层神经单元数、 学习率、 批处理数、 迭代次数四个超参数设置解空间， 其中ub ＝{300,0.01,30,800}表示解 空间的上限， lb＝{20,0.0 01,2,600}表示解空间的下限； 其中， 所述ub和lb的每一维分别对应的是LSTM模型隐藏层神经单元、 学习率、 批处理 数、 迭代次数的上界和下界； 所述用Tent混沌序列初始化麻雀种群中每 个麻雀的初始位置， 包括： (1)根据Tent映射随机性、 便利性和规律性的特征， 利用这些特征优化种群的初始位 置， Tent混沌序列能够有效保持种群寻优的多样性； Tent混沌映射的表达式如下： Tent混沌映射 通过贝努力移位变换后表示如下： yi+1＝(2yi)mod1   (9) (2)对Tent混沌映射序列进行随机变异， 改进后的Tent混沌映射表达式为：权　利　要　求　书 2/6 页 3 CN 113947009 A 3