基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用OA北大核心CSTPCD
Application of integrated model based on EEMD-CNN-LSTM for landslide-displacement prediction
滑坡位移预测是滑坡稳定性评价的重要环节.尽管基于深度学习范式的时间序列方法预测滑坡位移取得了一定的成果,但由于滑坡位移数据的非平稳性、周期性和趋势性变化特征,导致当前时间序列模型的滑坡位移的多变量预测容易过拟合.为解决这一问题,针对滑坡位移数据的波动性和由周期项与趋势项位移叠加组成的特性,提出一种基于孤立森林(Isolation Forest,IF)异常检测、集成经验模态分解(Ensemble Empirical Mode Decompositi…查看全部>>
[Objective]Landslide-displacement prediction is critical when evaluating landslide stability.Despite the achievements of time-series methods based on deep-learning paradigms in predicting landslide displacement,the nonstationary,periodic,and trending characteristics of landslide displacement data cause multivariate predictions of current time-series models to easily overfit.Existing studies primarily focus on improving single models,whereas systematic studie…查看全部>>
刘航源;陈伟涛;李远耀;徐战亚;李显巨
中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074中国地质大学(武汉)计算机学院,湖北武汉 430074中国地质大学(武汉)地质调查研究院,湖北武汉 430074中国地质大学(武汉)地理与信息工程学院,湖北武汉 430074中国地质大学(武汉)计算机学院,湖北武汉 430074
地质学
滑坡位移预测时间序列模型卷积神经网络集合经验模态分解深度学习
landslide-displacement predictiontime-series modelconvolutional neural networksensemble empirical mode decompositiondeep learning
《地质力学学报》 2024 (4)
633-646,14
湖北省重点研发计划(2021BID009)地质探测与评估教育部重点实验室主任基金项目(GLAB2022ZR02) This research is financially supported by the Hubei Province Key Research and Development Program(Grant No.2021BID009)and the Director's Fund for the Key Laboratory of Geological Survey and Evaluation of Ministry of Education(Grant No.GLAB2022ZR02).
评论