基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究.pdf

安 全 环 保化 工 矿 物 与 加 工INDUSTRIAL MINERALS&PROCESSING2023 年第 8 期 文章编号:()D O I:/j c n k i h g k w y j g 基于时序I n S A R监测的VMD S S A L S TM矿区地表形变预测模型研究成 睿,李素敏,毛嘉骐,李 凡,毕自航,袁利伟(昆明理工大学 国土资源工程学院,云南 昆明 ;昆明理工大学 公共安全与应急管理学院,云南 昆明 )摘要:矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响,因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义.采用时序I n S A R技术获取矿区面域式地表形变数据,结合变分模态分解算法(VMD)对其进行分解,通过构建麻雀优化算法(S S A)与长短期记忆神经网络(L S TM)相结合的预测模型,对分解后的形变分量进行综合预测;以云南省玉溪市大红山矿区为例,利用该模型对其地表形变进行了预测,结果表明:VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题;S S A L S TM预测模型通过智能搜索算法自动寻找预测网络模型超参数,有效减少了人为因素对模型预测效果的干扰,模型预测结果的决定系数R均大于 ;同时,该模型采用“多维输入”的方式训练模型,提高了训练效率;该模型在预测精度、训练效率等方面均取得了较好的效果.采用VMD S S A L S TM预测算法对时间序列I n S A R监测下的形变数据进行分析能有效预测矿区地表形变,可为矿山安全生产管理提供参考.关键词:地表形变预测;时序I n S A R;变分模态分解;麻雀优化;长短期记忆神经网络中图分类号:T D ;T P 文献标志码:AS t u d yo nVMD S S A L S TM m i n eg r o u n dd e f o r m a t i o np r e d i c t i o nm o d e l b a s e do nI n S A Rm o n i t o r i n gC h e n gR u i,L iS u m i n,M a oJ i a q i,L iF a n,B iZ i h a n g,Y u a nL i w e i(F a c u l t yo fL a n da n dR e s o u r c e sE n g i n e e r i n g,K u n m i n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,K u n m i n gY u n n a n ,C h i n a;S c h o o l o fP u b l i cS a f e t ya n dEm e r g e n c yM a n a g e m e n t,K u n m i n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,K u n m i n gY u n n a n ,C h i n a)A b s t r a c t:D i s a s t e r ss u c ha s l a n d s l i d ea n ds u b s i d e n c ec a u s e db yg r o u n dd e f o r m a t i o n i nm i n i n ga r e a sh a v er e s u l t e d i ng r e a t t r o u b l e s t o t h e s a f e t yo fm i n ep r o d u c t i o n T h e r e f o r ep r e d i c t i o no f g r o u n dd e f o r m a t i o n i s o f g r e a t p r a c t i c a l s i g n i f i c a n c et o s a f em i n i n go p e r a t i o na n de a r l yw a r n i n go f d i s a s t e r s T h e t i m e s e r i e s I n S A R(I n t e r f e r o m e t r i cS y n t h e t i cA p e r t u r eR a d a r)t e c h n o l o g yw a su t i l i z e dt oo b t a i nt h eg r o u n dd e f o r m a t i o nd a t af r o m m i n i n ga r e a,w h i c hw a sd e c o m p o s e db yt h ev a r i a t i o n a lm o d ed e c o m p o s i t i o na l g o r i t h m(VMD)Ap r e d i c t i o nm o d e lw a sc o n s t r u c t e db yc o m b i n i n gs p a r r o ws e a r c ha l g o r i t h m(S S A)w i t h l o n gs h o r t t e r mm e m o r y(L S TM)n e u r a l n e t w o r k t o c o m p r e h e n s i v e l yp r e d i c t t h ed e c o m p o s e dd e f o r m a t i o nc o m p o n e n t s T a k i n gD a h o n g s h a nm i n e i nY u x i c i t y i nY u n n a np r o v i n c ea sa ne x a m p l e,t h em o d e lw a se m p l o y e dt op r e d i c t t h eg r o u n dd e f o r m a t i o ni nt h em i n e T h er e s u l t ss h o wt h a t,t oac e r t a i ne x t e n t,t h eVMDa l g o r i t h mc a nb e a d o p t e d t o s o l v e t h ep r o b l e mt h a t t h e t i m e s e r i e s c h a r a c t e r i s t i c s o fm i n e g r o u n dd e f o r m a t i o nd a t aw e r es oc o m p l e xt h a tw a sd i f f i c u l t t ob ed i r e c t l ya n a l y z e da n dd i s c r i m i n a t e d T h eS S A L S TMp r e d i c t i o nm o d e lw a sa p p l i e di ns e a r c h i n gf o rt h es u p e r p a r a m e t e r so ft h ep r e d i c t i o nn e t w o r k m o d e li n d e p e n d e n t l yb yu s i n gi n t e l l i g e n ts e a r c ha l g o r i t h m,w h i c he f f e c t i v e l y l e s s e n e dt h ee f f e c to fh u m a nf a c t o r so nt h er e s u l t so fm o d e lp r e d i c t i o n T h eRo ft h em o d e l p r e d i c t i o nr e s u l tw a so v e r ,m e a n w h i l e,t h em o d e l a d o p t e d m u l t i d i m e n s i o n a l i n p u t t r a i n i n gm o d ew h i c h收稿日期:基金项目:国家自然科学基金项目(,);云南省重点研发计划项目(A C );云南省科技厅面上项目(A T ).作者简介:成睿(),男,硕士研究生,主要研究方向为I n S A R地表形变监测,E m a i l:q q c o m.通信作者:李素敏(),女,副教授,主要研究方向为I n S A R高原山区数据处理及应用,E m a i l:q q c o m.引用格式:成睿,李素敏,毛嘉骐,等基于时序I n S A R监测的VMD S S A L S TM矿区地表形变预测模型研究J化工矿物与加工,():C HE N GR,L ISM,MAOJQ,e t a l S t u d yo nVMD S S A L S TM m i n eg r o u n dd e f o r m a t i o np r e d i c t i o nm o d e l b a s e do n I n S A Rm o n i t o r i n gJ I n d u s t r i a lM i n e r a l s&P r o c e s s i n g,():成 睿等:基于时序I n S A R监测的VMD S S A L S TM矿区地表形变预测模型研究 年月i m p r o v e d t h e t r a i n i n ge f f i c i e n c y W i t h t h em o d e l,s a t i s f a c t o r y r e s u l t s s u c ha sh i g hp r e d i c t i o na c c u r a c ya n d t r a i n i n ge f f i c i e n c yc a nb e a c h i e v e d U s i n gVMD S S A L S TMp r e d i c t i o na l g o r i t h mt o a n a l y z e t h e d e f o r m a t i o nd a t au n d e r t i m e s e r i e sI n S A Rm o n i t o r i n gc a ne f f e c t i v e l yp r e d i c t t h em i n eg r o u n dd e f o r m a t i o na n dp r o v i d er e f e r e n c e f o rm i n es a f e t ym a n a g e m e n t K e y w o r d s:g r o u n dd e f o r m a t i o np r e d i c t i o n;t i m es e r i e sI n S A R;v a r i a t i o n a lm o d ed e c o m p o s i t i o n;s p a r r o ws e a r c ha l g o r i t h m;l o n gs h o r t t e r m m e m o r yn e u r a l n e t w o r k引言矿山生产活动常导致边坡失稳、地表塌陷等地质灾害,地表形变已成为诱发矿山地质灾害的主要原因,对其进行预测研究对于保障矿山施工与生产安全具有重要意义.随着计算机技术的发展,以机器学习为主的智能化算法开始逐步应用于地表形变预测领域,如:潘国荣等采用加权组合的方式构建了灰色时间序列神经网络组合预测模型,并对形变监测数据进行了预测;陈兴权等将主成分分析与改进B P神经网络相结合,对形变监测数据进行了预测;邓洪高等利用滑动窗口和马尔科夫模型对原始灰色V e r h u l s t模型进行了改进,有效提高了模型对滑坡形变趋势的预测精度.上述研究在地表形变预测中虽取得了较好的效果,但由于矿山地表形变影响因素众多,地表形变监测数据时序特征复杂且难以直接分析判别,对矿山安全风险进行准确预警预测还很困难.根据信号分解思想将时序地表形变分解为具有实际物理意义的分量是一种具有现实意义且行之有效的方法.部分学者基于信号分解理论,对滑坡形变进行了广泛而深入的研究 ,但很少有人将其引入受扰动影响较大的矿区地表形变预测研究中.同时,现有的基于位移分解的形变预测研究往往采用各分量分别训练预测的方式进行,使得模型训练预测时间大大增加,也割裂了各形变分量间的内在联系.基于此,本文采用多维输入的方式对分解后的地表形变数据进行学习预测,以统筹各形变分量整体特征并提高模型运算效率.影响模型预测效果的另一重要因素为预测模型训练参数设置,以往研究中预测网络模型的超参数往往依据经验或反复测试后进行设置,受人为因素影响较大,预测精度不稳定.本文引入麻雀搜索算法对预测网络模型超参数进行自动寻优,从而消除人为因素的干扰,提高模型预测稳定性.方法与理论 II nn SS AA RR地地表表形形变变监监测测合成 孔 径 雷 达 干 涉 测 量 技 术(I n t e r f e r o m e t r i cS y n t h e t i cA p e r t u r eR a d a r,I n S A R)是一种主动式微波遥感技术,能够实现地表沉降信息大范围同步观测,具有监测成本较低、监测周期短等传统监测技 术 难 以 比 拟 的 优 势.小 基 线 集(S m a l lB a s e l i n eS u b s e t,S B A S I n S A R)技术是在D I n S A R的基础上为克服时空失相干、大气干扰等问题而提出的时间序列I n S A R分析技术,该技术以研究区多幅S A R影像干涉对为基础,根据高相干点获取区域时间序列形变信息,目前已被广泛应用于城市沉降监测、公共基础设施变形监测、矿 山 形 变 监 测 和 地 质 灾 害 识 别 预 警 等 领域 .相较于永久散射体(P e r s i s t e n tS c a t t e r e r,P S)技术,S B A S I n S A R技术在缺少地面永久散射体的区域能获取更多的高相干点信息.因此,本文根据研究区具体情况采用S B A S I n S A R技术获取矿区长时序L O S向地表形变信息.变变分分模模态态分分解解变分模态分解(V a r i a t i o n a lM o d eD e c o m p o s i t i o n,VMD)是一种基于维纳滤波和希尔伯特变换的自适应、非递归的模态信号分解方法,其假设任何信号均由一系列具有中心频率和限制带宽的本征模态信号(I MF)组成.VMD分解的核心问题是变分的求解,算法的求解过程叙述如下.)构造变分s t KkkYt(),()式中,k为分解所得的I MF个数,k、k 分别为 第k个 模 态 的 中 心 频 率 和 模 态 分 量,t()为狄拉克函数,为卷积运算符.L k,k,()ktti tk(t)ei ktYt()kk(t)t(),Yt()kkt(),()年第期II MM&PP化化工工矿矿物物与与加加工工第 52 卷式中,为二次惩罚因子.式()通过引入拉格朗日乘数将约束问题转换为非约束问题,并用交替方向乘子法求解,通过迭代更新最终得到信号分解的所有模态.由于矿区地表形变受地下开采、区域季节性降水等多种因素影响,研究人员难以直接从地表变形监测数据中获取其具体形变趋势.因此,本文基于信息分解思想采用VMD算法对矿山地表形变区域监测数据进行分解,从而准确获取不同分量的矿区地表形变信息.根据信号分解理论,可将矿区地表形变分解为YtxtxtRt,()式中,Yt为地表形变监测结果,xt为t时刻趋势项地表形变,xt为t时刻周期项地表形变,Rt为t时刻随机项地表形变,为残余项形变.本文通过实验将矿区地表形变数据分解为趋势项、周期项、随机项个形变模态,并将个模态形 变数据作为 特征信息输 入模型进行 训练预测.基基于于麻麻雀雀算算法法优优化化的的长长短短期期记记忆忆神神经经网网络络预预测测模模型型 长短期记忆神经网络长短 期 记 忆 神 经 网 络(L o n g S h o r t t e r mM e m o r y,L S TM)作为一种特殊的R NN网络,其通过内部增加门控单元的方式来控制传输状态,保留需要长期记忆的信息,遗忘非必要信息.L S TM有效解决了R NN在长序列数据训练过程中的“梯度消失”和“梯度爆炸”问题,其优秀的“长期记忆能力”使其在时间序列数据预测领域得到了广泛应用 .L S TM单元网络结构见图.图L S TM单元网络结构F i g L S TMu n i tn e t w o r ks t r u c t u r e图中,t时刻时,上一时刻单元状态Ct、上一时刻输出值ht 及当前时刻网络输入值xt均为L S TM输入;当前输出值ht和当前时刻单元状态Ct为L S TM输出.矿区地表形变周期长,形变特征多样,长期趋势性形变与短期突变并存.为保证预测精度,需要模型具备时间序列学习预测能力及较强的长期记忆能力.因此,本文选择L S TM模型对矿区地表形变进行时间序列预测.研究发现,尽管L S TM网络对于时间序列数据具有较优异的训练预测性能,但其预测精度和泛化能力仍受学习率、迭代次数、隐含层神经元个数等参数影响.因此,本文利用S S A优化算法对L S TM中学习率a l p h a、迭代次数、隐含层神经元个数等参数进行优化,以提高模型预测精度.麻雀搜索算法麻雀搜索算法(S p a r r o wS e a r c hA l g o r i t h m,S S A)通过模拟麻雀种群觅食,将种群分为发现者、追随者、预警者.发现者在整个种群中负责搜索具有丰富食物的区域,为所有的追随者提供觅食的区域和方向.预警者在种群中发挥警戒作用,一旦麻雀发现了捕食者,便会发出鸣叫声作为报警信号.当报警值大于安全值时,发现者会将跟随者带到其他安全区域觅食.发现者和追随者的身份是动态变化的.只要能够寻找到更好的食物来源,每只麻雀都可以成为发现者,但是发现者和跟随者所占整个种群数量的比例是不变的.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,位于种群中间的麻雀则会随机走动,以靠近其他麻雀.xt i,jxti,je x p(iI t e rm a x),RTSxti,jQL,RTS,()式中:xt i,j代表种群中第t代中第i个个体在第j维中的位置;(,是一个随机数;R和TS分别表示预警值和安全值;Q为服从正态分布的随机数;L是一个d维的矩阵,该矩阵内每个元素均为.当RTS时,表示种群中的一些麻雀已经发现了捕食者,并向种群中其他麻雀发出警报,此时所有麻雀需要迅速飞到其他安全的地方觅食;当RTS时,意味此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作.本文通过R NN网络训练输入数据,从而获成 睿等:基于时序I n S A R监测的VMD S S A L S TM矿区地表形变预测模型研究 年月取测 试集预测结 果与验证集 间最小均方 误差(M i nM e a nS q u a r e dE r r o r,MS E),并以此作为麻雀搜索算法的适应度函数引导模型搜索最优参数.MS E是衡量“平均误差”的一种较为方便的方法,可以直观反映数据的变化程度,MS E的值越小,说明预测模型描述实验数据具有更好的精度.f i t n e s sm i n(MS E)m i n(nnt(x xtxt),()式中,xt为经过R NN网络训练后所得的t时刻预测值,xt为验证集t时刻的真实值,n为序列长度.模型根据MS E变化情况构建适应度函数获取一组最优超参数,使得网络训练误差最小.本文以R NN网络预测值与验证集间的MS E作为适应度函数寻找L S TM最优参数.基于上述原理,本文针对矿区地表形变特征,对时序I n S A R获取的矿区地表形变数据进行变分模态分解,基于变分模态分解后的形变分量数据构建了S S A L S TM预测模型(见图).图S S A L S TM预测流程F i g S S A L S TMp r e d i c t i o nf l o wc h a r t具体预测步骤如下:a 根据矿区地表形变数据特性,采用变分模态分解对由时序I n S A R获取的矿区地表形变数据进行信号分解,并采用皮尔逊相关系数对分解效果进行评价.b 初始化麻雀种群参数,包括种群数量、搜索维度、发现者比例、迭代次数等.c 构建R NN网络,以模型测试集均方根误差为依据构建适应度函数,并对适应度值进行排序,根据适应度值更新发现者和种群位置.d 判断是否满足停止条件,若否,则继续执行步骤c;若是,则退出,在最大迭代次数范围内确定并输出L S TM网络最优超参数.e 将得到的最优超参数应用于L S TM进行训练和预测,输入各分量形变进行综合预测.应用与分析 研研究究区区地地表表形形变变概概况况大红山铁矿位于云南省玉溪市新平县城西 k m的新化乡尺莫村,地处嘎洒镇、老厂乡和新化乡交会处,紧邻云南哀牢山脉东缘的戛洒江.矿区海拔在 m,属构造剥蚀中山地貌,区内山势陡峻,沟谷深切发育 .矿区地处亚热带,雨旱分明,月降雨量较丰富,年平均降雨量 mm,多年平均降雨量 mm.目前矿区包括排土场、露天开采区和地下开采区,其中露天采场基本工作面高程在 m,地下开采强度大且开采模式复杂,地表的裂缝和滑坡不断显现,传统的测量方法实施难度大、费用高.本文采用S B A S I n S A R技术获取研究区域 年地表形变结果(见图).图研究区地形地貌及地表形变分布F i g T o p o g r a p h ya n dg r o u n dd e f o r m a t i o nd i s t r i b u t i o n i nt h es t u d y i n ga r e a 形形变变分分析析S B A S I n S A R监测结果显示,矿区存在明显的不均匀形变区域,主要分布在A、B、C等处(见图).根据矿区资料可知,这处分别为铜矿地下开采区、铁矿开采区排土场、铁矿露天开采区.大红山矿区由于长期的开采作业,已在地下形成了大范围采空区,地上边坡风化严重,稳定性 年第期II MM&PP化化工工矿矿物物与与加加工工第 52 卷较差,存在一定安全隐患,有必要对其形变趋势进行时序分析.图铜矿地下开采区、铁矿开采区排土场和铁矿露天开采区形变云图F i g G r o u n dd e f o r m a t i o nc l o u dd i a g r a mf o ru n d e r g r o u n dm i n i n ga r e a i nac o p p e rm i n e,ad u m pa n do p e n p i tm i n i n ga r e a i na n i r o nm i n e 精精度度验验证证为确保MT I n S A R监测结果的可靠性,将其与同时段矿区地表G P S监测数据进行对比.DLO SDVc o sDNs i ns i nDEc o ss i n.()根据视线向(L O S)位移与真实三维空间位移转换公式,本文对G P S监测结果进行归一化处理,将所得结果D投影至雷达视线向,与I n S A R监测结果DL O S进行比较,结果见表.表G P S监测结果与I n S A R监测结果DL O S的误差T a b l eT h ed i f f e r e n c eb e t w e e nG P Sm o n i t o r i n gr e s u l t sa n dDL O So f I n S A R观测点D/mmDL O S/mm 绝对误差/mm相对误差/L J T L J T L J T L J T C D C D C D C D J C J C J C II nn SS AA RR监监测测结结果果分分解解由于不同开采方式和作业区域的地表形变特征差异较大,为确保模型对矿区不同开采方式引起的地表形变数据均具有良好的适应性,本文分别在铜矿开采区、铁矿开采区排土场和铁矿露天开采区选取监测点进行时序分析和形变预测研究,得到的形变时序曲线见图.图各形变区地表形变时序曲线F i g T i m es e r i e sc u r v e so fg r o u n dd e f o r m a t i o n i ne a c ha r e a由图可知,矿区各形变区均存在不同程度的持续性地表变形,且地表形变曲线复杂多样,难以从地表形变时序数据中直接获取形变规律.因此,本文采用变分模态分解算法对矿区各监测点地表形变数据进行分解,得到了矿区不同特征的地表形变数据.其中,铜矿区地表形变数据周期性变化特征最为明显,该区域采样点分解效果见图.图铜矿区形变数据分解结果与降雨量变化关系F i g R e l a t i o n s h i pb e t w e e nt h ed e c o m p o s e dr e s u l to fd e f o r m a t i o nd a t aa n dt h ev a r i a t i o no fp r e c i p i t a t i o n i nac o p p e rm i n e由图可知,受地下开采影响,铜矿区地表整体呈周期性持续下沉趋势,具体表现为每年 月至次年月变形加快,月变形减缓,地表形变周期性明显且存在加速变形趋势,有必要对其进行形变预测分析.结合当地月度降雨量发现,铜矿区地表形变受季节性降雨影响较大,且与降雨量变化幅度具有强相关性,两者灰色关联度为成 睿等:基于时序I n S A R监测的VMD S S A L S TM矿区地表形变预测模型研究 年月 .该区域加速变形期与雨季存在个月左右的滞后期.为了评估模态分解效果,避免出现模态混叠和数据特征丢失等问题,采用皮尔逊相关系数(P e a r s o nc o r r e l a t i o nc o e f f i c i e n t)评估分解后各模态间的独立性和模态分解后重构数据与原始数据间的相关性.各监测点分解结果见表.表分解结果P e a r s o n值T a b l eP e a r s o nv a l u eo fd e c o m p o s e dr e s u l t sP e a r s o nI MF I MF I MF 监测点重构数据P e a r s o n值I MF J C I MF J C I MF J C 由表可知,VMD对研究区时序地表形变数据具有较好的分解效果.各模态形变数据间重叠度低,根据分解结果重构后的时间序列数据与原始数据相似度高,表明VMD算法在有效分解地表形变数据的同时保留了其基本特征.预预测测效效果果分分析析本文基于P y t h o n在T e n s o r F l o w x机器学习数 据 库 下 构 建S S A L S TM预 测 模 型,利 用S S A算法对L S TM进行超参数寻优.S S A算法模拟麻雀种群觅食,根据地表形变时序特征建立一个R NN神经网络预测模型,将R NN训练结果与验证集进行对比得到的最小M S E作为S S A算法的适应度函数,之后基于适应度函数将L S TM学习率、迭代次数和神经网络隐含层节点数作为自变量,通过个体位置更新和种群迭代的方式获取当前迭代次数下的最优目标.B a t c hS i z e是深度学习模型中一次训练所抓取的数据样本数量,其大小影响模型训练速度和优化效果.研究表明,B a t c hS i z e应作为深度学习中最早确立的训练参数.鉴于此,以铜矿开采区监测点时序形变数据为样本,通过反复测试后,最终确定麻雀算法和L S TM网络中的B a t c hS i z e分别为 和.通过S S A迭代,得到L S TM对应的最优超参数.经过多次测试,将地表形变监测数据前 期作为训练数据集,后 期作为测试验证数据集.与传统数据分解预测模型不同,本文根据地表形变数据趋势项、周期项和随机项等不同形变信息特征和研究区月度降雨量数据,采用多维输入一维输出的方式对模型进行综合训练,最终获得累积地表形变时序预测结果.图为S S A L S TM与预测模型对矿区不同监测点L O S向地表形变数据的预测结果.图各监测点地表形变预测结果F i g G r o u n dd e f o r m a t i o np r e d i c t i o nr e s u l t sa t e a c hm o n i t o r i n gp o i n t将预测结果与验证数据集进行对比后发现,S S A L S M预测模型对铜矿开采区、铁矿露天开采区和排土场等不同区域MT I n S A R地表形变数据均有较好的适应性,预测结果与地表L O S向变形趋势一致,模型预测精度高.与此同时,为验证S S A算法对L S TM网络的优化效果,分别采用L S TM、VMD L S TM对所选采样点地表形变数据进行预测,铜矿地下开采区、铁矿露天开采区和排土场的J C 、J C 、J C 测试集预测结果见表.表矿区地表各监测点综合位移预测精度及误差T a b l eP r e d i c t i o na c c u r a c ya n dd e v i a t i o no f c o m p r e h e n s i v eg r o u n dd i s p l a c e m e n to f e a c hm o n i t o r i n gp o i n t i nam i n e监测点L S TMVMD L S TMS S A L S TMRMS E(均方根误差)J C J C J C MA E(平均绝对误差)J C J C J C R(决定系数)J C J C J C 结合矿山不同开采、施工区域预测精度分析,年第期II MM&PP化化工工矿矿物物与与加加工工第 52 卷本预测模型在矿区各处监测点的预测效果良好,各监测点预测值的R均大于 ,充分证明该模型具有较好的泛化能力,算法稳定性良好.以铜矿开采区监测点为例,S S A L S TM模型预测值与验 证 集 拟 合 优 度R达 到 ,RMS E为 ,预 测 精 度 远 高 于L S TM和 未 优 化 的VMD L S TM预测模型.模型精度优于一般神经网络多维时序预测模型.因此,S S A L S TM预测模型可用于矿区地表形变长期预测,对矿山安全生产管理及矿区灾害风险预警预报具有较高的应用价值.与传统基于信号分解理论的地表形变预测方法相比,本模型采用“多维输入”的方式训练模型,使得模型充分考虑了VMD分解后不同形变分量对地表形变的影响,同时提高了模型训练效率,本模型在预测耗时及预测精度方面均有较大提升,其与分量预测模型对比结果见表.表模型计算精度及耗时对比T a b l eC o m p a r i s o no f c a l c u l a t i o na c c u r a c yo f t h em o d e l t ot i m ec o n s u m i n g监测点耗时/s本文趋势项周期项随机项残余项RMS E多输入单输出分模态预测J C J C J C 结论a VMD算法的应用可在一定程度上解决矿山地表形变数据时序特征复杂且难以直接分析判读的问题,对于受降雨等周期性因素影响较大的矿山地表形变区,VMD分解可极大提高地表形变监测数据的可判读性.b 本文构建的S S A L S TM预测模型通过智能搜索算法可自动寻找预测网络模型超参数,减少了人为因素对模型预测效果的干扰.同时,该模型采用“多维输入”方式训练模型,有效提高了训练效率,且该模型对于矿山不同区域中长期地表形变数据均有较好的预测效果,充分证明了该模型的有效性和可靠性,可将其作为一种矿山地表形变预测的新方法推广应用.讨论本文采用S S A L S TM预测矿山地表形变数据,取得了较好的预测精度,但由于缺乏除降雨以外的其他数据支持,难以准确分析各分量形变具体的影响因素,使得模型缺少外部特征数据的修正.因此,增加外部特征数据辅助下的形变分量预测将是后续的重要研究方向.参考文献潘国荣,谷川形变监测数据组合预测J大地测量与地球动力学,():P ANGR,GUC C o m b i n e dp r e d i c t i o no f d e f o r m a t i o nm o n i t o r i n gd a t aJ G e o d e t i cS u r v e ya n dG e o d y n a m i c s,():陈兴权,王解先,谷川基于主成分分析的B P神经网络在形变预测中的应用J大地测量与地球动力学,():C HE NXQ,WAN GJX,GUC A p p l i c a t i o no fB Pn e u r a l n e t w o r kb a s e do np r i n c i p a lc o m p o n e n ta n a l y s i si nd e f o r m a t i o np r e d i c t i o nJ G e o d e t i cS u r v e ya n d G e o d y n a m i c s,():邓洪高,姚鹏远,孙希延,等灰色马尔科夫V e r h u l s t动态模型在滑坡形 变 预 测 中 的 应 用 J科 学 技 术 与 工 程,():D E N G H G,YAOPY,S UN X Y,e ta l A p p l i c a t i o no fg r e ym a r k o vv e r h u l s td y n a m i cm o d e l i nl a n d s l i d ed e f o r m a t i o np r e d i c t i o nJ S c i e n c e T e c h n o l o g ya n d E n g i n e e r i n g,():张俊,殷坤龙,王佳佳,等基于时间序列与P S O S V R耦合模型的白水河滑坡位移预测研究J岩石力学与工程学报,():Z HAN GJ,Y I NKL,WAN GJJ,e t a l P r e d i c t i o no f l a n d s l i d ed i s p l a c e m e n tb a s e do nt i m es e r i e sa n d P S O S V R c o u p l i n gm o d e l i nB a i s h u i r i v e rJ C h i n e s eJ o u r n a l o fR o c kM e c h a n i c sa n dE n g i n e e r i n g,():邓冬梅,梁烨,王亮清,等基于集合经验模态分解与支持向量机回归的位移预测方法:以三峡库区滑坡为例J岩土力学,():D E N GD M,L I AN GY,WAN GLQ,e ta l D