(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110662335.X (22)申请日 2021.06.15 (65)同一申请的已公布的文献号 申请公布号 CN 113268932 A (43)申请公布日 2021.08.17 (73)专利权人 贵州大学 地址 550025 贵州省贵阳市花溪区贵州大 学土木工程学院 (72)发明人 王宏　龙光裕　王斌　廖建兴　 安永日　张祖敬　徐斌　 (74)专利代理 机构 重庆为信知识产权代理事务 所(普通合伙) 50216 专利代理师 郑鲲熙 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01)(56)对比文件 CN 104809 294 A,2015.07.2 9 CN 112270229 A,2021.01.26 CN 112270400 A,2021.01.26 US 202016 0173 A1,2020.0 5.21 Zhenglong Cai等.Predicti on of landslide displacement based o n GA-LSSVM with multiple factors. 《Bul l Eng Enviro n》 .2016, 张敏敏等.基于GPS和神经网络的滑坡位移 监测算法. 《计算机测量与控制》 .2018,(第08 期), 谭龙金等.时序分析法在路基 变形中的应 用. 《路基 工程》 .20 09,(第04期), 姚琦等.基 于经验模态分解-支持向量机的 滑坡位移预测方法研究. 《安全与环境工程》 .2017,(第01期), (续) 审查员 王璇 (54)发明名称 基于高斯过程回归与神经网络的滑坡位移 预测方法 (57)摘要 本发明公开了一种基于高斯过程回归与神 经网络的滑坡位移预测方法， 根据前t ‑1个时刻 的滑坡监测位移Yi， 利用STL分解方法将其划分 为周期项位移Pi与组合项位移Ci； 利用GPR模型 对组合项位移Ci进行预测， 然后将训练好的GPR 模型预测t时刻的组合项位移均值 及标准差 σCt； 获取周期项位移Pi与影响因子Vi2， 将Vi2作 为BP神经网络的输入， Pi作为期望输出， 对BP神 经网络进行训练， 预测周期项位移 根据组合 项位移均值 与周期项位移 求和即可得出t 时刻位移预测值 实现t时刻位移的点预测； 根据高斯回归理论， 利用标准差σCt与位移预测值 实现t时刻位移的区间预测 显著效果:本发明能够实现滑坡 发生位移的精确点预测及区间预测。 [转续页] 权利要求书1页 说明书9页 附图6页 CN 113268932 B 2022.07.19 CN 113268932 B (56)对比文件 徐冲等.基 于粒子群-高斯过程回归 耦合算 法的滑坡位移时序分析 预测智能模型. 《岩土力 学》 .2011,(第06期),柳青等.基 于诱发因素响应与BP神经网络的 滑坡位移预测预报. 《三峡大 学学报(自然科 学 版)》 .2019,(第0 3期),2/2 页 2[接上页] CN 113268932 B1.一种基于高斯过程回归与神经网络的滑坡位移预测方法， 其特征在于， 包括以下步 骤： 步骤1： 根据前t ‑1个时刻的滑坡监测位移Yi， i＝1， 2， …， t‑1， 利用STL分解方法将其划 分为周期项位移Pi与组合项位移Ci； 步骤2： 利用高斯过程回归的GPR模型对组合项位移Ci进行预测， 即将前t ‑1时刻的组合 项位移Ci输入GPR模型进行训练， 然后利用训练好 的GPR模型预测t时刻的组合项位移均值 及标准差σCt； 步骤3： 获取周期项位移Pi与诱发滑坡位移的影响因子Vi2， i2＝1， 2，…， n； 将前t ‑1时刻 的Vi2作为BP神经网络的输入， Pi作为期望输出， 对BP神经网络进行训练， 即可预测t时刻的 周期项位移 步骤4： 根据预测的t时刻的组合项位移均值 与周期项位移 将两者相加求和即可 得出t时刻最终的位移预测值 实现t时刻位移的点预测； 步骤5： 根据高斯回归理论， 利用已求出的标准差σCt与位移预测值 即可实现t时刻位 移的区间预测 2.根据权利要求1所述的基于高斯过程回归与神经网络的滑坡位移预测方法， 其特征 在于： 所述步骤1中的STL分解方法， 其是以鲁棒局部加权回归作为平滑方法的时间序列分 解方法； 将滑坡监测位移Yi分解 为组合项位移Ci与周期项位移Pi， 如公式(2)； Yi＝Ci+Pi      (2)。 3.根据权利要求1所述的基于高斯过程回归与神经网络的滑坡位移预测方法， 其特征 在于： 所述步骤2包括， 将组合项位移Ci分为测试集与训练集， 利用训练集数据对GPR模型进 行训练， 即利用边缘似然最大化方法优化核函数超参数， 然后利用优化好的模型预测测试 集上的数据， 即可求出测试集上所有时刻组合项位移的均值 与标准差σCi； 在利用GPR模 型预测组合项位移时， 采用的是递进 ‑阶段式滚动预测方法； 然后将训练好的GPR模型预测t 时刻的组合项位移均值 及标准差σCt。 4.根据权利要求1所述的基于高斯过程回归与神经网络的滑坡位移预测方法， 其特征 在于： 所述 步骤5中， 所述t时刻位移的区间预测 按如下公式(12)计算： 权　利　要　求　书 1/1 页 2 CN 113268932 B 3