(19)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 202210954517.9 (22)申请日 2022.08.10 (71)申请人 天津大学 地址 300350 天津市津南区雅观路13 5号 (72)发明人 张社荣　贾贺　王枭华　王超　 梁熙文　侯孝军　赵桂清　程飞　 夏志杰　肖小伟　王晓莉　孔买群　 (74)专利代理 机构 西安方诺专利代理事务所 (普通合伙) 61285 专利代理师 罗松林 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06K 9/00(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于Prophet-LSTM的边坡风险预警及 滑动体积预测方法 (57)摘要 本发明公开了一种基于Prophet ‑LSTM的边 坡风险预 警及滑动体积预测方法， 包括步骤， S1： 采集边坡监测数据； S2： 对步骤S1中采集到的边 坡监测数据进行预处理； S3： 基于Prophet ‑LSTM 算法， 建立位移周 期预测模型和趋势预测模型， 对边坡位移进行预测， 并对边坡位移值和边坡预 测值进行实时预警； S4： 利用边坡不同深度的位 移监测数据， 分析边坡潜在滑动面深度， 将多个 危险点位置连接起来形成斜坡滑动面， 计算出滑 动体积； S5： 建立边坡多参数预 警框架， 对边坡进 行多指标的综合评价。 本发明中的方法能够进行 边坡位移的预测和预警， 估计潜在 滑坡的体积和 位置， 以便根据风险损失评估确定应急措施， 有 助于根据现场监测快速有效地识别滑坡风险， 提 高对滑坡机理的认 识和边坡风险管理。 权利要求书3页 说明书8页 附图5页 CN 115423263 A 2022.12.02 CN 115423263 A 1.一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方法， 其特征在于， 包括以 下步骤， S1： 采集边坡监测数据； S2： 对步骤S1中采集到的边坡监测数据进行 预处理； S3： 基于Prophet ‑LSTM算法， 建立位移周期预测模型和趋势预测模型， 对边坡位移进行 预测， 并对边坡位移值和边坡预测值进行实时预警； S4： 利用边坡不同深度的位移监测数据， 分析边坡潜在滑动面深度， 将多个危险点位置 连接起来形成斜坡滑动面， 计算出滑动体积； S5： 建立边坡多参数 预警框架， 对边坡进行多指标的综合评价。 2.根据权利要求1所述的一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方 法， 其特征在于， 步骤S1中所述的边坡监测数据包括不同深度边坡位移、 地下水位和降雨 量。 3.根据权利要求2所述的一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方 法， 其特征在于， 步骤S2的具体操作包括， S201： 采用3σ 准则， 对步骤S1中采集的原 始边坡监测数据进行异常值的删除； S202： 采用离散小波变换方法， 对删除异常值后的边坡监测数据进行去噪处理， 使位移 时间序列曲线平 滑有序。 4.根据权利要求3所述的一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方 法， 其特征在于， 步骤S202的具体操作包括以下步骤， S2021： 采用经验模态分解法， 将边坡监测数据的噪声信号分解为 高频本征模函数和低 频本征模函数； S2022： 对S2021获得的高频本征模函数进行小波分解， 得到高频小波系数和低频小波 系数； S2023： 对S2022获得的低频小波系数直接进行数值保留； 设定阈值， 对高频小波系数进 行非线性处 理， 抑制噪声信号； S2024： 将S2023经过阈值处理后的高频小波系数和保持原值的低频小波系数进行小波 变换的逆运 算， 得到小 波重构信号； S2025： 将S2021得到的低频本征模函数和S2024经过小波重构后的小波重构信号再次 进行信号重构， 得到去噪信号。 5.根据权利要求4所述的一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方 法， 其特征在于， 步骤S3的具体操作包括以下步骤， S301： 采用Prophet算法， 将边坡监测数据的时间序列分解 为周期项和趋势项 y(t)＝g(t)+s(t)+∈t 式中， y(t)是边坡 监测数据的时间序列， g(t)为趋势项， s(t)是周期 项， ∈t是误差项， 服 从正态分布； S302： 采用Prophet算法预测趋势项； S303： 采用 LSTM算法预测周期项， 并建立地下水位、 降雨量和边坡周期性位移之间的 LSTM神经网络模型； S304： 将趋势项和周期项的结果相加， 得到边坡位移的预测值；权　利　要　求　书 1/3 页 2 CN 115423263 A 2S305： 根据专家经验， 分别设定低风 险、 中风险和高风 险的边坡位移风 险阈值， 进行边 坡位移值和预测值的实时预警； S306： 根据岩土体蠕变理论， 将边坡运动模式分为初始变形阶段、 均匀变形阶段和加速 变形阶段， 分别设定各阶段的边坡位移速率 风险阈值， 进行边坡位移速率的实时预警。 6.根据权利要求5所述的一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方 法， 其特征在于， 步骤S3 01的具体操作包括以下步骤， S3011： 基于突变点理论， 采用Prophet自动识别时间序列中的突变点， 使用分段线性模 型拟合相邻两个突变点之间的变形时间序列， 提取趋势项， 则趋势项g(t)表示 为 g(t)＝(k+a(t)Tδ )t+(m+a(t)Tγ) 式中， k表示增长率， a(t)表示t时刻 前突变点发生变化的次数， δ表示增长率的变化量， m是偏移参数， T为 转置符号， δ和γ为 适应度； S3012： 基于傅里叶级数， 采用Prophet算法建立周期项模型， 则周期项s(t)表示 为 式中， N表示模型中使用该周期的个数， P表示期望时间序列的周期长度， 2n表示拟合周 期项需要估计的参数个数， an和bn为常数， 由周期性公式拟合得 出。 7.根据权利要求6所述的一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方 法， 其特征在于， 步骤S303中地下水位、 降雨量和边坡周期性位移之间的LSTM神经网络模 型 为： ft＝σ(Wfxxt+Wfhht‑1+bf) it＝σ(Wixxt+Wihht‑1+bi) ot＝σ(Woxxt+Wohht‑1+bo) ht＝ot⊙tanh(Ct) 式中， ft， it， ot分别表示遗忘门、 输入门和输出门； σ 表示sigmoid激 活函数； Wfh， Wih， Woh， WCh分别表示遗忘门、 输入门、 输出门和神经单元状态的关联权重矩阵； Wfx， Wix， Wox， WCx分别 表示遗忘门、 输入门、 输出门和神经单元状态的输入权重矩阵； bf， bi， bo， bC表示相应的偏差 项； Ct， Ct‑1， 分别表示当前时刻的神经单元状态、 上一时刻的神经单元状态和当前时刻的 临时神经单元状态； xt表示当前时刻的输入值， 也即地下水位和降雨量； ht表示当前时刻神 经单元的输出值， 也即边坡周期性 位移；⊙表示矩阵的Hadamard积。 8.根据权利要求5所述的一种基于Prophet ‑LSTM的边坡风险预警及滑动体积预测方 法， 其特征在于， 步骤S4的具体操作包括以下步骤， S401： 计算多深度位移监测孔的相邻深度的位移差， 将数据整理成相邻深度的相对位 移时间序列数据， 绘制 相邻深度的相对位移时间序列曲线； S402： 分别设定低风险、 中风险和高风险的相邻深度的相对位移风险阈值， 分析相邻深 度的相对位移随时间的发展趋势， 确定风险水平， 评估可能发生滑坡的深度范围与滑坡风 险点； S403： 将多个滑坡风险点位置连接起来形成边坡滑动面， 根据边坡滑动面计算出滑动权　利　要　求　书 2/3 页 3 CN 115423263 A 3