基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测.pdf

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 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（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 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 rt 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 mec 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 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 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 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 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(/i)所有极值点,其中”代表时间步。(2)采用三次线条插值的方法画出m极大值、极小值的包络线e z、emi。(3)计算出两条包络线的均值：=(eimin+ek)/2(1)(4)计算得到IMF的候选信号：dh+1=rk Mk(2)(5)判别必+i是否为IMF的条件有两条:弘+i 极值点的个数是否与零点的个数相差1个;上、下两 条包络线的均值是否为零。如果是，计算新的残值：154安会与規境 工程 ht t p:/kt aq c bpt.c 第30卷n+i=心 一 IMF 卄 i(3)如果不是，返回步骤(2)0(6)继续分解，直到残值忌+i不可再分解，结束 迭代。1.1.2 ICEEMDAN 算法ICEEMDAN算法使用了 EMD的分解方法，并 做了部分优化，具体流程如图1所示。根据原文的 思路引入两个算子瓦()、M()oXn)1/A Z 丽+也1(八园)刃+高(WD胆X_ _ _ _X _ _ _ _Z 丿呷“+胡佃加应+碣S)才“帥1“+験)肛+昵讪血+询+血前%+昵9件叫II I(如可 甘戶4-加可图1 ICEEMDAN算法流程图Fig.1 Flow chart of the ICEEMDAN(1)算子EK)代表所求信号EMD分解的第 怡个IMF分量。(2)算子皿()代表信号的局部均值，信号局 部均值代表的是原始信号X(Q或者残值g减去信 号通过EMD分解迭代出的IMF分量部分。(3)图1中勿指加入第/组高斯白噪声，而每轮求信号IMF分量时所加入的白噪声都是原 始白噪声的IMF分量。(4)图1中指加入噪声时所乘的系数,其值是 加入噪声的信噪比再除以该组加入噪声的标准差。1.2多头注意力长短时间记忆(MHA-LSTM)神经 网络1.2.1 LSTM 算法长短时间记忆(LSTM)神经网络是一种特殊的 循环神经网络(RNN),因为其效果优异而被广泛用 于各类时间序列任务中，与RNN相比丄STM神经 网络增加了输入门、遗忘门、输出门等机制，并解决TRNN的梯度消失问题。LSTM神经网络具体的 结构流程如图2所示。图2 LSTM神经网络结构流程图Fig.2 Flow chart of the LSTM neural network structure其中X,为第时刻的数据输入,Cli为前一时 刻的细胞状态，初始状态设置为零，屁1为前一时刻 的LSTM细胞输出，这三个量都会传入单元中。具 体算式如下：ft=ft)=aCWkfht-1+WmX+)(4)=a(Wkiht-1+W加 X$+0)(5)0=/G)=HW 显+WJG+人)(6)gt=t a nh(g=t a nh(W _ i+WxgXt+bc)(7)Ct=ft&G_ i+itg i(8)%=t a nh(C)(9)ht=otQmt(10)上式中：h o分别为遗忘门、输入门、和输出门2 和t a nh函数为激活函数;W和b为相关的系数矩阵 和偏置。1.2.2 MHA-LSTM 算法多头自注意力机制由谷歌机器翻译团队卯在 2017年引入大众视野,该机制可以使得网络更好地 注意到有用的历史信息，从而有效提高预测效果。多头自注意力机制具体流程如图3和图4所示。图3单个头的自注意力机制流程图Fig.3 Flow chart of sing le-headed self-attentivemechanism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155图4制造多个注意力头Fig.4 Generation of multiple attention heads（g；，瓦，吠）=化X,WkiXt，叽X,）+（如，bki,如）（11）a；，E=（g；Q?）T）/应（12）exp（a；t）%=丁 叫（13）工 exp（a；”2）h=Qh=QT Tb；b；=Re；”？vfvf（14）乜=0上式中：g；、艺、疋表示第i个注意力头、第t时刻的 自注意力相关向量;a；”?为第t时刻对仇时刻的注意 力分数;血为g；的维度，这里引入必主要是为了防 止维度对注意力分数的影响;e爲为经过归一化后的 注意力权重系数;游为第力个注意力头的是仇时刻 值;瓦为第i个头t时刻的输出，每一个注意力头i 的输出氏最后是拼接在一起的。需要指出的是，在 做预测任务的时候山时刻是始终小于t时刻的，以 确保未来时刻的信息没有被提前利用。而MHA-LSTM神经网络模型是在原有的 LSTM神经网络中加入了一个自注意力层，这是考 虑到自注意力机制可以更好地学习捕捉到历史信 息，但是纯注意力机制又无法学习到数据的时序信 息，所以此架构结合了两者的特性，最后连结了一个 线性输出层，如图5所示。2白水河滑坡案例分析2.1白水河滑坡概况本文将选用白水河滑坡来验证模型的预测效 果。白水河滑坡位于湖北省宜昌市三峡库区秣归县 沙镇溪镇白水河村，距三峡大坝坝址约56 k m。该 滑坡海拔分布南高北低，呈阶梯状向长江展布;滑坡 体为一特大型老滑坡松散堆积体，为单斜顺向坡地 层，滑坡后缘高程为410 m,以岩土分界处为界，滑 坡前缘高程约为70 m,现已没入库水位以下，滑坡 东西两侧以基岩山脊为界，总体坡度约为30；滑坡 南北向长约770 m,东西向宽约700 m,滑体平均厚Fig.5 Flow chart of the MHA-LSTM neural network度约为30 m,体积约为1 260X104 m3 0白水河滑坡历史上有过几次重大的变形，如：2003年6月，滑坡东部地区出现了 300多米的裂 缝;2004年7月，山体滑坡摧毁了 21所山脚下的房 屋;2005年8月至2006年8月，滑坡表面发现多处 裂缝;2007年6月30日滑坡后方发现有一个下沉 的裂缝。在此期间，研究人员也根据白水河滑坡的 地形、地质条件、变形特征情况，确定该滑坡的监测 内容主要为地表位移监测、地下水水位监测、钻孔测 斜监测等。监测初期布设的7个GPS监测点分布 在3条纵向剖面上，其中两侧剖面分别布设2个 GPS监测点，中间一条剖面布设3个GPS监测点；随后在滑坡预警区内先后增设了 4个GPS监测点，在滑体外围东西两侧基岩脊上各建立1个GPS基 准点。各监测点布置情况见图6。2.2监测点及监测数据本文选择位于白水河滑坡变形较为剧烈的预警 区A区的ZG118监测点，该监测点在滑坡变形初期 就开始布置，且学界对于该监测点的研究较多，数据 也相对完备。为了使监测数据具备代表性、充分性,本文选择白水河滑坡变形预警区A区的ZG118监 测点2004年1月一2012年12月间的监测数据来 进行理论验证，其中包括滑坡总位移量、月降雨量、月平均库水位高度的监测值，见图7。样本总数共 计108期，其中96期作为训练集，剩下的12期作为 测试集（一期对应一个月）。156妥全与猱就工程 ht t p:/水t aq.c bpt.c 第30卷图6白水河滑坡监测布置图Fig.6 Diag ram of monitoring layout in Baishuihelandslide生扰动，其具有很强的随机性。因此,滑坡总位移时 间序列可表示为yt=Pt+色+氏（15）式中：y为滑坡总位移时间序列；久为代表趋势项 的函数4为代表周期项的函数&为代表噪声项的 随机函数。本文在Ma t la b软件中建立滑坡位移的 ICEEMDAN分解模型，并且在对数据分解前进行 了归一化处理，噪音与信息的标准差之比为0.16,平均次数为500,最大迭代次数取200,得到的IMF 分量如图8所示。.O.5O1o.ICEEMDAN 分解02o10 20 30 40 50 60 70 80 90 100 110 120i_0.04-0.04S o10 20 30 40 50 60 70 80 90 100 110 120时间/月-0.05W 0i_0.05日日、翌血込系t tsAK o o o o o o o 05050500 43322115时间/月9 7白水河滑坡变形预警区A区ZG118监测点的监测 数据Fig.7 Monitoring data o ZG118 observation site in A area of Baishuihe landslide defermation early-warning areao2*B潼啦 o o o o o o 6 5 41.0 010 20 30 40 50 60 70 80 90 100 110 120时间/月狀0.510 20 30 40 50 60 70 80 90 100 110 120时间/月图8滑坡总位移的ICEEMDAN分解项20406080002.3 滑坡位移的ICEEMDAN分解由于影响滑坡的因素非常复杂，根据因素来源 可以分为内部因素和外部因素，而内部因素主要包 括岩体类型、地层岩性、地形地貌、地质构造等 因素，内部条件控制下滑坡位移的特点呈现近似单 调函数，反映的是滑坡总位移的趋势部分;外部因素 主要包括季节性原因、降雨量、库水位高度等因素,外部条件控制下位移的特点则具有周期性的变化规 律河。此外，还有一些随机因素会导致滑坡位移产Fig.8 Decomposition term of total displacement of landslide based on ICEEMDAN method其中端点的各12期数据是为了抑制EMD分 解而产生的端点效应而进行的延拓。为了防止信息 的泄露，将训练集和测试集的分解分开进行,考虑到 用ICEEMDAN分解依然会产生一些伪模态，对比 不同的信噪比情况下的分解结果可以发现JMF1 和残值很稳定，于是将IMF2和IMF3进行重构，这 样原始数据就被分解成3项，它们分别是趋势项、周 期项和高频的噪声项，由于噪声项表示各种随机性 位移（风荷载、观测扰动等影响），故预测中暂不考虑 该项，即滑坡总位移也就分解成周期项位移和趋势 项位移，有：yt=pt+qt（16）本文将分解出的高频IMF1作为噪声项和残值 进行重构作为趋势项，用神经网络分别预测滑坡趋第3期胡华等：基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测157势项位移和周期项位移，见图9O图9滑坡位移分解后的趋势项、周期项Fig.9 Trend term and period term of landslidedisplacement decomposition2.4滑坡趋势项位移预测对于滑坡趋势项位移的预测具有十分稳定的特 征，走势也相对简单，用前7个月的趋势项作为特征 输入，用MHA-LSTM神经网络模型来进行预测，训练的批量大小设置为56,多头的数量设置为6,优 化器选择Ada m,其预测结果的效果如图10所示。m2、診创(帼蜃袒)w厭辄图10基于MHA-LSTM神经网络的滑坡趋势项位移 预测结果Fig.10 Trend term displacement prediction results of landslide based on MHA-LSTM neural network2.5滑坡周期项位移预测2.5.1 滑坡监测数据分析及其特征选取结合白水河滑坡的地质特性分析，滑坡体透水 性较强、结构松散，在库区蓄水位及大气降雨的交替 作用下，水在土颗粒间渗透，使土体的空隙变得越来 越大，土体抗剪强度变低，土颗粒间摩阻力降低，下 滑力变大。同时，由于长期受库水位周期性作用的 影响，滑坡体前缘的黏土周期性的吸水膨胀失水收 缩，也使得其抗剪强度及稳定性均降低。此外，由于 基岩存在裂缝，为地下水的渗透提供了良好的通道,而渗透形成的孔隙水压也将影响滑坡的稳定性。内 部地下水补给的来源主要为降雨和库区蓄水，因此 本文仅将库水位、降雨量和滑坡历史位移分量三者 作为滑坡周期项位移变化的影响因素。由图7可知：滑坡“阶梯状”位移与库水位高度 和降雨量的周期性变化有着很明显的相关性，这也 进一步说明了特征选取的合理性。为了提高数据预 测的精度，采用ICEEMDAN算法分离出与滑坡位 移周期项同频的库水位低频项和降雨量低频项数 据，以达到去除噪音的目的，之后描述的降雨量和库 水位都是去噪之后的数据，其分离结果如图11所 Zjl O0.80.60.40.20-0.2-0.4一0.60 20 40 60 80 100时间/月图11特征数据低频项与滑坡位移周期项的关系图Fig.11 Relation diag ram of low frequency term of characteristic data and periodic term of landslide data根据库水位变化特点将全部数据分成3个阶 段:在前34期数据，库水位的波动大概在135140 m之间（第一阶段）；在35期至59期数据之间，库水 位的波动则在145155 m之间（第二阶段）；而在 60期数据之后，库水位的波动则在145180 m之 间（第三阶段），波动差值达到了 35 m左右。第一 阶段时期，滑坡位移和库水位变化都相对较小且稳 定;第二阶段时期，滑坡的累计位移发生了两次比较 大的变化，第一次是在库水位下降的时间段，滑坡位 移发生了一次非常明显的“阶梯状”变化，分析原因 认为库水位的下降对滑坡位移变形的抑制作用减 小，第二次滑坡位移的陡然变化则发生在库水位下 降之后一到两期，且滑坡位移量不如第一次那么巨 大，分析原因认为第一次滑坡位移量巨大，土体内部 的渗流场和应力场已经重构，使得滑坡变形更加稳 定一点，且变形期数有一些延后；在第三阶段时期,158妥全与猱就工程 ht t p:/水t aq c bpt.c 第30卷库水位虽然有更大范围的变化，但是由于应力场已 经大幅调整过，所以滑坡位移变形的敏感度并没有 变得更大,而是更加趋于稳定且更具有规律性。根据图7和图11还可以看出：每年汛期的降雨 和滑坡发生“阶梯状”位移变形存在稍微的滞后，库 水位的升降对滑坡变形也存在一定的滞后，而且观 察到滑坡位移周期项存在比较强的周期性，这里用 皮尔森系数r来确定特征数据的选取，具体公式如 下：N N NN N NXY(YX)/Nr=-I N N N NI N N N N X2 工 X2/N)(J2 工丫2/2V k=0 k=0 k=0 k=0k=0 k=0 k=0 k=0(17)式中：X,Y为两个等长的向量；N为向量中元素的 个数。综合考量后，选取了 4个特征数据用来预测滑 坡周期项位移，变量之间的相关性见表10表1选取特征数据的皮尔森系数Table 1 Pearson coefficient of selected features前一个月前一个月前一个月前二个月降雨量库水位位移位移0.55-0.450.860.68皮尔森系数r的绝对值越接近1,则说明两个 变量之间的相关性越高;反之，则越低。2.5.2 滑坡周期项位移预测基于MHA-LSTM神经网络，隐藏的记忆层选 取35个神经元,训练的批量大小选择56,单次网络 读取的时间步长设置为12,刚好和周期大致对应,多头个数选取为3个，采用上述方法构建网络，得到 基于MHA-LSTM的滑坡位移周期项预测结果，见 图12。2.6滑坡总位移预测根据公式(16),将基于MHA-LSTM神经网络 模型预测得到的滑坡趋势项位移和周期项位移进行 加和，最后可得到12期的滑坡总位移预测值，并将 预测值与实测值进行了对比，如图13所示。由图13可以看出，训练后的滑坡总位移预测结 果与实测值高度拟合，验证了本文模型的有效性。2.7预测结果评估与精度比较为了客观地评估MHA-LSTM神经网络预测 模型相对于其他预测模型表现出的优越性，本文分 别采用RNN.GRU和LSTM预测模型对滑坡周期 位移项、趋势项位移和总位移进行了预测，并将本文,0.8.6.4.2O.O.O.O.00 20 40 60时间/月80 1002 0001 5001 0005002 500图12基于MHA-LSTM神经网络的滑坡周期项位 移预测结果Fig.12 Periodic term displacement prediction results of landslide based on MHA-LSTM neural network0 20 40 60 80 100时间/月图13基于MHA-LSTM神经网络的滑坡总位移预测 结果Fig.13 Total displacement prediction results of landslidebased on MHA-LSTM neural network andmeasured results基于MHA-LSTM神经网络模型的预测结果与其 他模型的预测结果进行了对比，见图140本文选用平均绝对百分误差MAPE、均方根误 差RMSE、拟合度R2指标对模型预测结果与精度 进行评估。各指标具体计算公式如下RMSE=/-乞(卩一汀V 71 i=lMAPE=丄|n i=iy yyi(18)(19)丈(y-y尸疋=i =-(20)i=l式中:y、从、夕分别代表实测值、预测值和实测值的 平均值“代表样本总数。不同模型预测结果的评估与精度比较，见表2、表3和表4。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159m2、捷赳wff晅o o o o o o O5 4 3 2 1 0 9O896 98 100 102 104 106表4不同模型滑坡总位移预测结果评估Table 4 Total displacement prediction result evaluation olandslide based on different models模型RMSEMAPER2MHA-LSTM3.850.001 20.995LSTM&730.002 90.970GRU10.20.003 70.964RNN13.60.004 70.937时间/月2 3202 3002 2802 2602 2402 22090 92 94 96 98 100日日、脸赳独时间/月2 4602 4402 4202 4002 3802 3602 3402 3202 300实测值f MHA-LSTM模型预测 LSTM模型预测值GRU模型预测值h:亠RNN模型预测值/7/90 92 94 96 98 100时间/月图14不同模型滑坡周期项位移、趋势项位移和总位移预测结果的对比Fig.14 Comparison diag ram of prediction results of periodic term dispacement,trend term dispacement and total displacement of landslide based on different models表2不同模型滑坡趋势项位移预测结果评估cement of landslide based on different modelsTable 2 Prediction result evaluation of trend term displa模型RMSEMAPER2MHA-LSTM4.300.001 50.987LSTM6.480.002 50.960GRU7.170.002 90.962RNN&960.003 00.941表3不同模型滑坡周期项位移预测结果评估Table 3 Prediction result evaluation of periodic termdisplacement of landslide based on differentmodels模型RMSEMAPER2MHA-LSTM2.440.009 70.989LSTM4.010.017 00.959GRU5.380.020 00.944RNN6.240.024 00.924由图14和表2至表4可知：MHA-LSTM神经 网络模型的预测效果优于其他传统的神经网络的预 测结果。3结论本文根据传统的长短时间记忆(LSTM)神经网 络和多头注意力机制(MHA)提出了一种基于 MHA-LSTM神经网络的滑坡位移预测模型，并将 此预测模型运用于白水河滑坡位移预测中，同时将 其预测结果与RNN、GRU、LSTM模型的预测结果 进行了对比，得出以下结论：(1)根据前人的研究经验，将滑坡位移通过 ICEEMDAN分解成多个内涵模态分量IMF,并通 过不同的信噪比分解，发现高频模态和残值比较稳 定，故选取中间频率的模态进行重构形成周期项，处 理后的模态分量刚好与趋势项、周期项、噪音项一一 对应,进一步验证了滑坡位移构成拆分的合理性。(2)在滑坡位移周期项预测的特征数据选取 中，降雨量和库水位的变化与滑坡历史位移分量都 有较大的相关联程度；且分解去噪后的降雨量和库 水位数据的相关系数更高。(3)对滑坡趋势项位移和周期项位移的神经网 络预测，MHA-LSTM 模型 相对于RNN、GRU、LSTM模型均有更好的表现，可以得出该网络在一 定程度上更能有效地抓住历史的特征信息，为滑坡 位移的预测提供了重要参考。(4)采用 ICEEMDAN-MHA-LSTM 模型对白 水河滑坡ZG118监测点位移进行了预测，其预测结 果的各项评价指标均证明该模型对滑坡位移预测具 有较高的适用性，以此推断该方法可以有效地用于 该滑坡其他位置处位移的预测，但是对于其他类型 的滑坡位移预测的适用性还有待进一步论证。参考文献：1贺小黑，王思敬，肖锐锌，等.Verh uls t滑坡预测预报模型的改进 及其应用口丄岩土力学,2013,34(增刊1)：355-364.DOI：10.16285/j.rs m.2013.s i.014.160鉴仝与琢规工程 ht t p:/水t aq.c bpt.c 第30卷2程江涛，刘莉.基于Verh uls t模型的滑坡位移预测研究及其程序 化实现J1 岩土工程技术,2008,22(5):217-222.DOI：10.3969/j.is s n.1007-2993.2008.05.001.C3温文，吴旭彬.Verh uls t模型在黄茨滑坡临滑预测中的应用口.人民珠江,2005,26(5):38-40.DOI：10.3969/j.is s n.1001-9235.2005.05.013.4 龙万学，林剑，许湘华，等.Verh uls t反函数模型滑坡起始预测时 刻的选择J.岩石力学与工程学报,2008,27(增刊1)：3298-3304.5 尹光志，张卫中，张东明，等.基于指数平滑法与回归分析相结合 的滑坡预测 口岩土力学,2007,28(8):1725-172&DOI：10.16285/j.rs m.2007.0&005.ra 蒋刚，林鲁生,刘祖德，等.边坡变形的灰色预测模型m.岩土力 学,2000,21(3):244-246,251.DOI：10.16285/j.rs m.2000.03.013.7 王朝阳，许强，范宣梅，等灰色新陈代谢GM(1,1)模型在滑坡 变形预测中的应用J.水文地质工程地质,2009,36(2):108-111.DOI：10.3969/j.is s n.1000-3665.2009.02.023.8 李龙起，王梦云，赵皓毎，等.基于CEEMDAN-BA-SVR-Ada-bo o s t模型的白水河滑坡位移预测JI长江科学院院报,2021,38(6):52-59,66.DOI：10.11988/c k yyb.20200389.9 Ta ng T,Ta ng F,Wa ng X.Ra inf a ll-induc ed la nds lide dis pla c ement predic t io n mo del ba s ed o n a t t ent io n mec h a nis m neura l netwo rk E J J.IOP Conference Series:Earth and Environmental Sc ienc e,2021,643(1)：012137.DOI：10.1088/1755-1315/643/1/012137.10 Lin Z,