基于分层抽样和注意力机制的阶跃型滑坡位移预测

李朝纲; 巨能攀; 何朝阳; 解明礼; 许烈

doi:10.12404/j.issn.1671-1815.2502396

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :476-489 DOI: 10.12404/j.issn.1671-1815.2502396

天文学、地球科学

基于分层抽样和注意力机制的阶跃型滑坡位移预测

李朝纲 ¹^,² ,
巨能攀 ¹^,^* ,
何朝阳 ¹ ,
解明礼 ¹^,³ ,
许烈 ¹

作者信息 +

Stepped Landslide Displacement Prediction Based on Stratified Sampling and Attention Mechanism

LI Chao-gang ¹^,² ,
JU Neng-pan ¹^,^* ,
HE Chao-yang ¹ ,
XIE Ming-li ¹^,³ ,
XU Lie ¹

Author information +

文章历史 +

摘要

阶跃型滑坡位移预测受多种特征因素影响,不同抽样方式的特征选择模型对预测结果影响较大。以大渡河猴子岩库区的林邦堆积体滑坡为例,旨在准确预测阶跃型滑坡位移,建立分层抽样的顺序前、后向特征选择模型、长短期记忆网络(long short-term memory network,LSTM)和注意力机制的新型综合预测模型。摒弃了传统特征选择中的随机抽样方式,采用分层抽样方法。该方法特别针对周期项位移的规律性,尤其是阶跃拐点附近的数据分布特点,显著增强了模型对阶跃段特征的表征能力。同时,引入注意力机制,赋予模型动态调整对历史时序信息关注度的能力,从而更精准地预测位移突变。结果表明:1-5监测点和2-5监测点评价指标均方根误差(root mean square error,RMSE) 分别为3.16、1.56,平均绝对百分比误差(mean absolute percentage error,MAPE)分别为0.27、0.83,R²分别为0.978、0.984。通过三峡库区白水河和八字门两处典型阶跃型滑坡进一步验证模型的鲁棒性。可见分层抽样方式结合注意力机制能有效提升阶跃型滑坡的预测精度。

Abstract

Step-like landslide displacement prediction is influenced by multiple characteristic factors, and the feature selection models using different sampling methods significantly affect the prediction results. Taking the Linbang accumulation body landslide in the Houziyan reservoir area of the Dadu River as an example. Step-like landslide displacement was accurately predicted through the establishment of a novel integrated prediction model that combined stratified sampling-based sequential forward and backward selection(SFS, SBS), LSTM(long short-term memory network), and an attention mechanism. Traditionally, the random sampling method in feature selection was abandoned, and a stratified sampling approach was innovatively adopted for the first time. The stratified sampling method specifically addressed the regularity of periodic displacement, particularly the data distribution characteristics near step inflection points, which significantly enhanced the model’s ability to characterize features during critical deformation stages. Additionally, an attention mechanism was introduced, endowing the model with the capability to dynamically adjust its focus on historical time-series information, thereby enabling more precise prediction of displacement mutations. The results show evaluation metrics for monitoring points 1-5 and 2-5 as RMSE(root mean square error) values of 3.16 and 1.56, MAPE(mean absolute percentage error) values of 0.27 and 0.83, and R² values of 0.978 and 0.984.The model’s robustness was further validated using two typical step-like landslides in the Three Gorges Reservoir area: Baishuihe and Bazimen. It is evident that the stratified sampling approach combined with the attention mechanism can effectively enhance the prediction accuracy of step-like landslides.

Graphical abstract

关键词

阶跃型滑坡位移预测 / 特征选择模型 / 分层抽样 / 注意力机制 / 长短期记忆网络

Key words

step-type landslide displacement prediction / feature selection model / stratified sampling / attention mechanism / long short-term memory network

引用本文

引用格式 ▾

李朝纲, 巨能攀, 何朝阳, 解明礼, 许烈. 基于分层抽样和注意力机制的阶跃型滑坡位移预测[J]. 科学技术与工程, 2026, 26(2): 476-489 DOI:10.12404/j.issn.1671-1815.2502396

LI Chao-gang, JU Neng-pan, HE Chao-yang, XIE Ming-li, XU Lie. Stepped Landslide Displacement Prediction Based on Stratified Sampling and Attention Mechanism[J]. Science Technology and Engineering, 2026, 26(2): 476-489 DOI:10.12404/j.issn.1671-1815.2502396

登录浏览全文

4963

注册一个新账户忘记密码

库岸滑坡作为水电站运行期间常见灾害之一,影响范围广泛,且会造成的一系列次生灾害,严重威胁人民生命财产安全^[1]。因此,为了减小此类灾害造成的损失,中国不断建立完善地质灾害监测预警系统^[2-3]。其中,滑坡位移预测对建立准确的预警模型至关重要^[4-5]。

传统的地质模型实现高精度预测需要深入了解滑坡演化趋势并不断完善参数^[6]。然而,库岸滑坡受物质组成、地形、降雨和水位等条件影响,使得建立有效地质模型较为困难,而且无法对滑坡位移进行快速准确的响应^[7]。随着人工智能的发展,各种学习模型广泛应用于滑坡位移预测^[8]。

机器学习(machine learning,ML)具有鲁棒的非线性预测能力,因此在滑坡领域得到广泛应用^[9]。如:支持向量机^[10]、随机森林^[11]、人工神经网络^[12]、极限学习机^[13]和决策树回归^[14]等。张磊等^[15]采用差分自回归移动平均模型(autoregressive integrated moving average model,ARIMA)对裂缝计时序数据进行预测;陈朗等^[16]基于前期累积降雨数据,运用高斯过程回归模型对滑坡位移进行预测;仉文岗等^[17]采用多源自适应性样条回归和LightGBM等模型建立了基于贝叶斯优化的土坡变形预测;李俊峰等^[18]提出了一种融合极限梯度提升算法和可解释滑坡位移预测模型(XGB-SHAP);许江波等^[19]建立了一种基于最大互信息系数与XGBoost算法的长短期记忆神经网络边坡位移预测模型;杨万里^[20]采用GCformer模型对滑坡长期位移进行预测,上述学者采用不同的模型对滑坡相关的时序数据进行预测,强调了方法的新颖,但对于滑坡预警模型而言,滑坡位移预测则还需较高的精准度。

滑坡位移预测性能取决于所使用的机器学习方法,每种方法的泛化能力存在个体偏差,大量学者使用各种算法来优化预测模型的超参数^[21]。如遗传算法^[22]、人工蜂群算法^[23]、蝗虫优化算法^[24]、灰狼算法^[25]、粒子群优化算法^[26]和鲸鱼优化算法^[27]等。为了进一步提高模型的预测能力,许多学者加入了时间序列分解方法建立组合模型^[28-30]。滑坡总位移分解为周期项位移和趋势项位移分别预测。常用VMD模型和EMD模型来提取,再结合各种优化算法组成的预测模型^[31-34]。上述学者改进了滑坡位移预测的方法,将总位移进行分解,通过各种算法对模型进行了优化,提升了模型的预测精度,但周期项的位移数据波动较大,导致预测难度较大,特别是拐点处的预测精度仍有提升空间。通过对总位移分解后的结果观察,当总位移出现阶跃型变化或加速变形时,对应的周期项位移会出现拐点且呈现上升的趋势,当阶跃型变化结束,周期项位移则又会出现拐点,从上升趋势变为下降。所以,对周期项位移拐点及上升趋势的位移进行精准预测,就能减小滑坡总位移阶跃段的误差。

基于上述问题,现以大渡河林邦库岸滑坡为研究对象,从特征选择模型入手,摒弃传统特征选择模型中的随机抽样方式,构建一种基于序列前向选择(sequential backward selection,SFS)和序列后向选择(sequential backward selection,SBS)的特征选择模型,利用周期项重复性的特点,采用分层抽样的方法,提取输入特征,增强拐点处特征表达能力,再结合注意力机制(Attention)和长短期记忆网络的组合预测模型,对滑坡的总位移进行精准预测。将模型推广至三峡库区白水河、八字门滑坡进行鲁棒性验证,以证明所提方法的有效性和普适性。

1 研究方法

预测模型分为三阶段预测框架:总位移分解、特征选择和模型预测。首先运用变分模态分解模型(variational mode decomposition,VMD)将总位移分解成本征模态函数(IMF),提取出滑坡位移数据的周期项。将未经特征模型筛选的库水位、降雨、位移相关的时间序列数据作为影响因子,输入SBS和SFS特征选择模型。将筛选后的影响因子定义为输入特征,输入到LSTM-Attention预测组合模型中。特征选择模型默认抽样选择方法为随机抽样,是统计学中一种基本的抽样方法,通过无偏选择特征子集,确保每个样本有同等概率被选中。本文中采用分层抽样的方法,可以将滑坡活动分为多个层,这些层的选择依赖于滑坡活动的周期性特征,使得每个层内的数据较为同质,确保每层都有足够的样本数据供预测模型学习,相较于传统的随机抽样方法,分层抽样对拐点处的样本进行了扩充,以便预测模型更好的学习。分层抽样的方法利用周期项位移的规律性扩充了拐点处的特征样本,在特征提取过程中保留每一层次中具有代表性的特征,使得模型能够在进行特征融合时保持不同层次的信息,提升拐点处的数据表达能力。确保特征的多样性和代表性的前提下,注意力机制的引入让预测模型能动态地调整对扩充数据的关注度,聚焦于重要的信息,可以更好捕捉到数据之间的关系,从而提升模型预测精度。最后选用RMSE、MAPE、R²等评价指标对模型进行评估,如图1所示。

1.1 变分模态分解模型

变分模态分解模型(variational mode decomposition,VMD)是基于经验模态分解(empirical mode decomposition,EMD)的一种自适应且完全非递归的模态变分和信号处理方法,并自主选择模态个数,通过控制带宽、镜像延拓以避免EMD中的模态混叠和末端效应问题,且该方法能够有效滤除滑坡位移信号中的噪声,提高信号分解的准确性,更具有鲁棒性^[35-36]。首先进行信号分解:将滑坡位移时间序列分解为多个固有模态函数(IMF),分离出不同频率成分,便于分析滑坡的不同动态过程;然后进行特征提取:从分解得到的模态函数中提取特征(如频率、振幅),用于构建预测模型;最后进行噪声抑制:通过分解和重构过程,去除信号中的噪声,提高数据质量。min_{{u_k},{w_k}}通过寻找最优的一组模态函数{u_k}和一组中心频率{w_k},使得后面的那个目标函数的值达到最小;分解功能为

(1)

$mi{\mathrm{n}}_{\left\{{u}_{k}\right\},\left\{{\omega }_{k}\right\}}=\stackrel{N}{\sum _{k=1}}{\left(\partial t\left\{\left[\delta \left(t\right)+\frac{\mathrm{j}}{\mathrm{\pi }t}\right]\mathrm{*}{u}_{k}\left(t\right)\right\}{\mathrm{e}}^{-\mathrm{j}{\omega }_{k}t}\right)}_{2}^{2}$

(2)

$\stackrel{k}{\sum _{k=1}}{u}_{k}\left(t\right)=f\left(t\right)$

式中:f(t)为输入信号;u_k(t)为第k个模态函数;w_k为第k个模态函数的中心频率;k为模态函数的数量;

$\delta \left(t\right)$

为狄拉克函数;

$\partial t$

为对时间t的导数;*表示卷积。

其中k值可以自定义设置以达到约束的效果。其核心思想是通过最小化每个模态函数的带宽,实现对信号的精细分解和分析。

1.2 特征选择模型

顺序前向选择模型(SFS)和顺序后向选择模型(SBS)是两种常见的机器学习模型,将两种方法组合进行特征选取。SFS是一种逐步添加特征的方法,开始时,特征子集S空集。对于每一轮迭代,从剩余特征集中选择一个特征x_i,将选择的特征x_i加入特征子集S,使得加入x_i征子集S∪{x_i}型性能评价函数J(S)。而SBS是一种逐步移除特征的方法,开始时,特征子集包S含所有特征。对于每一轮迭代,从当前特征集中选择一个特征x_j,将选择的特征x_j从特征子集S中移除。重复上述步骤,使得选择x_j后的特征子集S/{x_j}最小化模型性能评价函数J(S)。最终,当特征子集达到预定的特征数量或删除新特征不再显著降低模型性能时,停止迭代^[37]。

(3)

${x}_{i}=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}J(S\bigcup \{{x}_{i}\left\}\right)$

(4)

${x}_{j}=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}J(S/\{{x}_{j}\left\}\right)$

式中:x_i为SFS模型选择的特征;S∪{x_i}为选择后特征子集;x_j为SBS模型选择的特征;S/{x_j}为选择后的特征子集;J(S)为评价函数。

SFS/SBS模型在处理较多特征数据时效果显著,通过增加和删减逐步构建特征集,将SFS模型和SBS模型共同选择的特征进行重点分析,有助于理解哪些特征对滑坡位移预测具有重要影响,增强了模型的解释性;通过选择合适的特征,降低了模型的复杂度,从而减少了过拟合的风险,并降低了模型的复杂度和计算成本,提高了模型的泛化能力。过滤法基于统计指标(如相关系数、信息增益等)进行特征选择的模型,没有考虑特征之间的交互作用,而SFS/SBS模型不断地增加和删减特征,能通过R²指标直观理解每个特征对模型的贡献。

1.3 LSTM-Attention预测模型

长短期记忆网络(LSTM)是一种改进的递归神经网络(RNN),旨在解决RNN中的梯度消失和梯度爆炸问题。LSTM网络包含1个细胞状态(cell state)和3个门控单元:输入门、遗忘门和输出门。门控单元通过控制信息的传递,来决定是否保留或遗忘某个信息。本文中采用双向长短期记忆网络,由两个独立的LSTM网络组成:一个从时间序列的前向处理,另一个从后向处理。它在捕捉长依赖关系时表现得更加出色,从而提高模型的预测精度^[38]。

注意力机制采用单一的注意力头捕捉输入数据中的全局依赖关系,通过VMD分解后的周期项位移已呈现明显规律,无须多头复杂建模,且减少训练时间和内存占用,计算速度更快,满足实时预测需求。解码器采用交互分配最佳权重,可以帮助模型更好地捕捉时间序列数据中的关键信息^[33]。基于LSTM隐状态计算时序权重,强化对突变段的时间步关注,从而构建分层注意力机制实现特征-时序双维度聚焦。

注意力权重计算式为

(5)

$\left\{\begin{array}{l}{\alpha }_{\mathrm{t}}=softmax\left({{h}^{\mathrm{T}}}_{t}{W}_{\mathrm{\alpha }}\right)\\ \mathrm{c}=\stackrel{T}{\sum _{t=1}}{\alpha }_{\mathrm{t}}{h}_{t}\end{array}\right.$

(6)

$\mathrm{A}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}(Q,K,V)=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}\left(\frac{Q{K}^{\mathrm{T}}}{\sqrt{{d}_{\mathrm{k}}}}\right)V$

式中:α_t为注意力权重;softmax将相似度分数转换为概率分布;Attention通过对输入信息进行加权聚焦,让模型能够关注到最重要的部分;h_t为LSTM模型在第t个时间步的隐藏状态;W_α为可学习参数;c为上下文向量,Q为给定查询向量;K为键向量;V为值向量;d_k为键向量的纬度。

LSTM模型采用滑动窗口机制,导致了每个样本特征信息稀疏的问题。为了捕获重要的信息,引入注意力机制。该机制模拟人类注意力,通过学习参数矩阵并计算权重值,将注意力权重系数分配给LSTM层提取的时间序列特征矩阵,提高关键特征的影响力,如图2所示。

为了评估预测模型性能,采用了3个性能评估指标:均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R²)。RMSE用于衡量预测值与真实值之间的差异大小。它通过计算预测误差的平方平均值,然后取平方根,来反映模型的预测精度。RMSE越接近0,模型的预测精度越高。MAPE用于衡量预测值与真实值之间的百分比误差。它表示预测误差相对于真实值的比例,通常以百分比形式表示。越接近0的MAPE表示模型的预测误差较小,预测效果较好。R²用于衡量模型对数据的拟合程度。它表示自变量解释的因变量变异的比例。R²越接近1,说明模型对数据的解释能力越强。

2 案例滑坡基本情况

2.1 滑坡概况

林邦古滑坡堆积体位于丹巴县格宗乡开绕村大渡河右岸,上距丹巴县城10 km,下距猴子岩水电站坝址37.5 km。滑坡中心坐标为102°1'17.11″E,30°43'15.69″N,如图3所示。

滑坡位于大渡河流域主干道,属大渡河中游高山峡谷地貌带。受大渡河及其支流长期下切影响,形成两岸山体陡峭,坡度普遍大于30°,局部达60°以上,呈现阶梯状陡崖与缓坡交替的地形特征。滑坡周边呈圈椅状凹陷,后缘陡壁高差达200 m,坡面由多级缓坡与陡坎交替构成。滑坡主体朝向东南方向,与河道走向(北西-南东向)呈小角度斜交。滑坡后缘山脊合围,坡体两侧沟谷发育。林邦滑坡所在区域构造活动相对微弱。区域应力场受青藏高原东缘挤压作用主导。

滑坡总体倾向大渡河,地形西高东低,自然地面横坡坡脚30°~35°,滑坡长约500 m(高程1 790~2 100 m),厚度25~30 m,体积350×10⁴~450×10⁴ m³,平面形态总体呈似圈椅状的长条舌型,边界较为清晰,如图4所示。滑坡体由第四系上更新统滑坡堆积层(

${\mathrm{Q}}_{3}^{\mathrm{d}\mathrm{e}\mathrm{l}}$

)碎石土组成,褐灰色,干燥~稍湿,结构松散~稍密。碎石成分主要为白云质大理岩、片岩、千枚岩等,棱角状,碎石一般粒径为2~15 cm,含量55%~60%;其余为粉土、粉细砂充填。滑坡体内部含一层以强烈风化的千枚岩为主的碎石土,结构稍密,钻探岩芯大部分呈粉状,形成软弱带,如图5所示。

此外,滑坡前缘受大渡河支流下切侵蚀影响,第四系崩坡积物与构造碎裂岩混杂堆积,形成渗透性差异显著的“崩滑-冲洪积”复合结构,地下水的潜蚀软化作用成为触发滑移的关键因素。综合而言,林邦滑坡的形成是区域多向构造交汇背景下深部应力传递、浅表岩体结构劣化与外部侵蚀作用协同驱动的结果。出露基岩为震旦系灯影组(Z_bdn):主要成分为千枚岩、片岩混合,裂隙较发育,岩芯多呈柱状,长柱状,强风化段岩体较破碎,基岩中主要发育裂隙有3组。Ⅰ组:135°∠61°,裂隙宽0~5 mm,间距0.5~3 m,延伸3~5 m,无充填;Ⅱ组:42°∠45°,裂隙宽0~4 mm,间距1~2.5 m,延伸3~5 m,无充填。Ⅲ组:64°∠90°,裂隙宽0~3 mm,间距0.5~2.5 m,延伸3~7 m,无充填。滑坡前缘位于猴子岩水电站库水位的变动带,库水和堆积体孔隙水具有相互补给作用。

2.2 监测数据选取

为有效监测林邦滑坡实时变形,2017年1月在滑坡前缘布置变形观测墩15处,如图6所示。3条地表变形监测剖面在2017年1月开始监测,各个监测的变形趋势一致,具有较强的同步性,变形体的位移方向主要表现在向河床方向位移,水平位移速率要大于沉降速率,呈整体朝河床滑移且下沉的趋势,变形较大测点都集中在1#、2#监测剖面,且2#监测剖面测点的变形速率略大于1#监测剖面测点,2#监测剖面为变形体的中心剖面,两条监测剖面均是由前缘向后缘变形量逐级递减,最大变形为监测点2-5,平均变形速率为1.25 mm/d,这一阶段滑坡阶跃型特征明显,每年库水位下降阶段(12月至次年5月)滑坡出现明显加速变形特征。

阶跃型滑坡变形曲线呈现出明显阶梯状特征,阶跃段表现为位移速率的显著加速,与平稳段的缓慢变形形成鲜明对比。通过对林邦滑坡位移变形曲线的分析,将阶跃变形的识别条件归纳为:切线角α>45°判定为阶跃变化。综合分析,选取1#监测剖面、2#监测剖面上阶跃特征明显的监测点1-5和监测点2-5在2020年4月10日—2022年12月31日期间的总位移,如图7所示。

3 模型应用与结果分析

3.1 总位移分解

对位移数据进行清洗后,运用VMD分解方法对滑坡总位移进行分解。由于VMD模型中需要设置关键参数,如模态分解次数、惩罚系数等,这些参数的选择对分解结果具有较大的影响,没有统一的标准,具有一定的主观性,为了减小分解后所产生的误差,且保留趋势项位移曲线的线性相关性和周期项位移的规律性,减小趋势项预测的难度,提升总位移预测的精度,采用麻雀搜索算法(SSA)对VMD模型的模态分解次数和惩罚系数进行优化。SSA是一种新兴的群体智能优化算法,模拟麻雀觅食行为来寻找最优解,能够自动优化VMD的模态分解次数和惩罚系数,减少人为干预和经验设定的依赖,提高分解结果的客观性和准确性。通过自动化的参数优化,VMD能够更精确地分解信号,分离出具有实际物理意义的模态,提高信号分解的质量。

SSA中,结合经验将种群大小设置为100,最大迭代次数设置为50,惩罚因子的优化范围设置为[5,1 000],模态分解次数范围设置为[2,10]。迭代过程中,适应度值下降至0.034 54,收敛效果明显;最优模态分解次数和惩罚因子参数分别为:K=5,α=347。迭代过程如图8所示。

使用VMD过程属于无约束变分,因为在VMD的优化过程中没有显式的约束条件,使得VMD能够灵活地适应复杂信号的分解任务。VMD模型将监测点1-5和监测点2-5总位移分解为IMF1~IMF5共5个分量,如图9所示。其中IMF1和IMF2表现出单调递增趋势,符合趋势项的特征,将IMF1和IMF2叠加构建趋势项位移。IMF3、IMF4和IMF5表现出周期性变化的特征,将其叠加构建周期项位移,如图10所示。

3.2 输入特征选取

选取合适的输入特征对于滑坡位移预测至关重要。林邦滑坡为碎石土滑坡,强变形区域主要位于滑坡前缘,分析其总位移变形曲线可得,在库水位下降阶段阶跃型变化,并呈现出一定的滞后性。考虑到该河段为季调节水库,调节周期较长,结合前人经验^[11,33],分别输入库水位,降雨量和历史位移数据7~30 d的最大值、最小值、平均值、累计值,以供模型筛选。

由于滑坡周期位移值上下波动,数据分布不均。SFS模型和SBS模型传统的随机抽样法可能会导致模型在数据较少范围内的位移值上表现不佳,特别远离数据中心轴的拐点。利用周期滑坡位移具有重复性的特点,可以采用分层抽样的方法。通过不同的标签值来定义每一层,即不同的滑坡周期位移值可以作为不同的层。在阶跃段采用过采样策略,通过滑动窗口截取局部突变序列,提升关键区域的特征密度,如图11所示。结合前向-后向混合搜索筛选与突变强相关的特征子集,抑制非时序敏感特征的干扰。

分层抽样与注意力机制的联动体现为:分层抽样通过突变区样本密度增强,为注意力机制提供高信息量的局部特征分布,减少模型对噪声特征的过拟合,实现特征-数据的协同适配;注意力机制模型对时间步注意力捕捉突变动态,特征注意力解析静态因果因子,二者联合提升阶跃过程的建模完备性,实现动态-静态的权重互补。

SFS/SBS模型最终选择了10个输入特征,将SFS模型和SBS模型共同选择的5个关键特征输入预测模型,分别为7 d内总位移累计量和最大值;14 d内库水位的最大值和平均值;7 d内累计降雨量。上述选择结果结合原始数据和实地调查分析,林邦滑坡主要变形区域位于滑坡前缘及消落带处,在库水下降阶段位移变化明显,受库水位周期变动影响较大。总位移在雨量充沛和库水位下降时产生阶跃变化,特征选择符合实际情况。

为了增加特征选择模型选取输入特征的解释性,加入K折交叉验证的方法去评估模型的性能。该方法将特征集随机划分为K个子集,每个子集依次作为验证集,其余的K-1个子集作为训练集,共进行K次训练和验证,以获得更稳定的性能评估结果。将参数K设置为15,shuffle设置为true,目的是在划分子集前打乱特征集,避免由于特征集顺序导致的偏差,随机种子设置为50。评价指标选取R²,该指标与预测模型中的R²目的和评估对象不同。特征选择模型中,决定系数用于评估每一步特征选择对模型性能的影响,R²评估的是每个特征组合的性能变化,帮助选择最优特征组合。预测模型中,决定系数用于评估最终模型在预测数据上的性能,判断模型的实际预测能力,R²评估的是最终模型在整个测试集上的整体性能,结果如图12所示。随着被选择特征数量的增多,指标呈先上升后下降的趋势,在特征选择数量等于10为最大值,SFS/SBS模型的R²评估分别为0.975、0.962,说明被选中的特征组合具有较高的性能,为最优特征组合。

3.3 参数设定

运用LSTM-Attention模型对滑坡周期位移进行预测。将周期位移作为目标值,SFS和SBS选取的特征因子共同输入。为了避免大量数据降低模型训练的效率和效果,使用Min-Max归一化方法对不同尺度和量纲的数据转换到同一尺度上,将不同的特征值缩放到[0,1]范围内。

(7)

$X\text{'}=\frac{X-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{X}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

式(7)中:X为原始数据;X_min和X_max分别为数据的最小值和最大值;X'为归一化后的数据。

将趋势项和周期项数据划分为训练集、验证集和预测集,占比分别为65%、5%和30%,训练集包含648个数据,验证集包含50个数据,预测集包含299个数据,如图13和图14所示。通过验证集调整超参数,LSTM层超参数设定:滑动窗口输入步数为5,输出步数为1,滚动窗口为1,学习率为0.001,记忆单元为128,批量大小为32,训练周期为100。

3.4 预测结果分析

将分层抽样和随机抽样的LSTM-Attention模型与LSTM模型的预测结果进行对比分析,各个模型的超参数设定保持一致。其中趋势项位移呈现一定的线性变化,预测难度较低,无论随机抽样还是分层抽样的方法,预测结果都有较高的精度,模型预测结果如图15所示。

周期项位移存在非线性特征和明显的极值和拐点,导致随机抽样模型和未引入注意力机制的LSTM模型在第一个极值处绝对误差呈明显上升趋势。而分层抽样LSTM-Attention模型曲线整体贴合度最高,原因在于SFS和SBS特征选择模型增强了数据在极值和拐点处的表达能力,而注意力机制很好地利用了这一点,能够有效聚焦于对滑坡周期位移具有显著影响的变量,允许模型在历史信息中定位与当前滑坡状态相关的关键时刻,从而优化信息处理,增强了预测模型的鲁棒性,让分层抽样LSTM-Attention模型一直处于较高的预测精度,结果如图16所示。

将趋势项位移预测结果和周期项位移预测结果合并,得到总位移预测结果。对比横坐标时间,可观察到总位移阶跃段和周期项位移的拐点相对于,对周期项拐点处的精准预测会直接对总位移阶跃段产生影响,如图17所示。而分层抽样LSTM模型、随机抽样LSTM-Attention模型和LSTM模型在阶跃段开始出现明显的误差,且对于阶跃段的变形趋势表现较差。随机抽样的模型因为没有对极值和拐点处的数据进行扩充,导致模型在阶跃段的预测呈现光滑的曲线,并没有将阶跃段的起伏特征表现出来。分层抽样的LSTM模型因为没有引入注意力机制的原因,不能将扩充的数据进行动态调整和有效利用,导致预测结果和随机抽样的模型相差无几,如图18所示。

对监测点1-5和监测点2-5总位移预测结果采用均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R²)等评价指标,如表1所示。RMSE和MAPE越低,R²越大表示模型预测效果越好。分层抽样的预测模型精度大于随机抽样模型。其中监测点1-5和监测点2-5总位移预测模型中,分层抽样LSTM-Attention模型具有最高的预测精度,RMSE分别为3.16、1.56,MAPE分别为0.27、0.83,R²分别为0.948、0.984。

3.5 模型应用

为进一步讨论预测模型的鲁棒性,选取三峡库区的八字门滑坡和白水河滑坡进行验证。两者在三峡库区蓄水后,库水渗透改变了斜坡水文条件,加剧了滑坡变形。两者变形均与库水位波动和降雨密切相关。收集两处滑坡在2006年12月—2012年12月的累计位移数据,得出在库水位变动和降雨的作用下,其产生明显的阶跃变形,如图19所示。预测步骤及模型与前文一致,将两处滑坡数据集划分为65%的训练集、5%的验证集和30%的测试集。最终测试集预测结果如图20所示。可见对两处滑坡累计位移的预测都有较高的精度,特别是阶跃段的特合度较高。各评价指标都反映出该预测模型在两处滑坡的预测结果较为准确,具有一定的鲁棒性,如表2所示。

4 结论

(1)针对阶跃型滑坡位移预测的复杂性与挑战,提出了基于分层抽样的SFS、SBS特征选择模型、双向LSTM模型和注意力机制的组合预测模型。通过林邦滑坡实例,验证了该模型在滑坡位移预测中的准确性。

(2)在滑坡总位移分解时采用SSA进行优化,最大程度上保留了趋势项位移的线性相关性和周期项位移的规律性,降低了趋势项位移的预测难度,使得特征提取更好地利用周期项位移的规律性提取关键特征。

(3)分层抽样能够有效增强特征提取模型的多样性,注意力机制则能基于这些多样化的特征更精准地聚焦于关键部分,两者结合能提升模型对复杂数据的处理能力,从而提升模型的预测精度。

(4)以三峡库区的八字门和白水河为例,验证了将注意力权重与分层抽样结果联动的预测模型具有一定的鲁棒性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Gong W, Juang C H, Wasonwski J. Geohazards and human settlements: lessons learned from multiple relocation events in Badong, China: engineering geologist’s perspective[J]. Engineering Geology, 2021, 285. DOI: 10.1016/j.enggeo.2021.106051.

[2]	侯圣山, 李昂, 韩冰, 等. 四川雅安地质灾害预警预报及分析[J]. 中国地质灾害与防治学报, 2014, 25(4): 134-138.

[3]	Hou Shengshan, Li Ang, Han Bing, et al. An approach of geo-hazard warning system in Ya’an, Sichuan and its analysis[J]. The Chinese Journal of Geological Hazard and Control, 2014, 25(4): 134-138.

[4]	许强, 陆会燕, 李为乐, 等. 滑坡隐患类型与对应识别方法[J]. 武汉大学学报(信息科学版), 2022, 47(3): 377-387.

[5]	Xu Qiang, Lu Huiyan, Li Weile, et al. Types of potential landslide and corresponding identification technologies[J]. Geomatics and Information Science of Wuhan University, 2022, 47(3): 377-387.

[6]	郭子正, 殷坤龙, 刘庆丽, 等. 基于位移比模型的三峡库区云阳县域内蠕变型滑坡降雨预警[J]. 地球科学, 2020, 45(2): 672-684.

[7]	Guo Zizheng, Yin Kunlong, Liu Qingli, et al. Rainfall warning of creeping landslide in Yunyang County of Three Gorges Reservoir Region based on displacement ratio mode[J]. Earth Science, 2020, 45(2): 672-684.

[8]	李龙起, 王梦云, 赵皓璆, 等. 基于CEEMDAN-BA-SVR-Adaboost模型的白水河滑坡位移预测[J]. 长江科学院院报, 2021, 38(6): 52-59.

[9]	Li Longqi, Wang Mengyun, Zhao Haoqiu, et al. Predicting displacement of Baishuihe landslide using CEEMDAN-BA-SVR-Adaboost model[J]. Journal of Yangtze River Scientific Research Institute, 2021, 38(6): 52-59.

[10]	杨背背, 殷坤龙, 杜娟. 基于时间序列与长短时记忆网络的滑坡位移动态预测模型[J]. 岩石力学与工程学报, 2018, 37(10): 2334-2343.

[11]	Yang Beibei, Yin Kunlong, Du Juan, et al. A model for predicting landslide displacement based on time series and long and short term memory neural network[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(10): 2334-2343.

[12]	Dai K, Chen C, Shi X L, et al. Dynamic landslides susceptibility evaluation in Baihetan Dam area during extensive impoundment by integrating geological model and InSAR observations[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 116. DOI: 10.1016/j.jag.2022.103157.

[13]	Du H, Song D Q, Chen Z, et al. Prediction model oriented for landslide displacement with step-like curve by applying ensemble empirical mode decomposition and the PSO-ELM method[J]. Journal of Cleaner Production, 2020, 270. DOI: 10.1016/j.jclepro.2020.122248.

[14]	Zhang J R, Lin C Y, Tang H M, et al. Input-parameter optimization using a SVR based ensemble model to predict landslide displacements in a reservoir area: a comparative study[J]. Applied Soft Computing, 2024, 150. DOI: 10.1016/j.asoc.2023.111107.

[15]	万智, 董辉, 刘宝琛. 基于正交设计下SVM滑坡变形时序回归预测的超参数选择[J]. 岩土力学, 2010, 31(2): 503-508.

[16]	Wan Zhi, Dong Hui, Liu Baochen. On choice of hyper-parameters of support vector machines for time series regression and prediction with orthogonal design[J]. Rock and Soil Mechanics, 2010, 31(2): 503-508.

[17]	安冬, 宋琨, 仪政, 等. 一种基于EEMD-RFR的水库滑坡台阶状位移预测模型[J]. 山地学报, 2021, 39(1): 143-150.

[18]	An Dong, Song Kun, Yi Zheng, et al. A prediction model for rese-rvoir landslide step-like displacements using combined EEMD and RFR method[J]. Mountain Research, 2021, 39(1): 143-150.

[19]	王智伟, 王利, 黄观文, 等. 基于BP神经网络的滑坡监测多源异构数据融合算法研究[J]. 地质力学学报, 2020, 26(4): 575-582.

[20]	Wang Zhiwei, Wang Li, Huang Guanwen, et al. Research on multi-source heterogeneous data fusion algorithm of landslide monitoring based on BP neural network[J]. Journal of Geomechanics, 2020, 26(4): 575-582.

[21]	Li H J, Xu Q, He Y S, et al. Prediction of landslide displacement with an ensemble-based extreme learning machine and copula models[J]. Landslides, 2018, 15(6): 2047-2059.

[22]	Wang Y K, Tang H M, Huang J S, et al. A comparative study of different machine learning methods for reservoir landslide displacement prediction[J]. Engineering Geology, 2022, 298. DOI: 10.1016/j.enggeo.2022.106544.

[23]	张磊, 巨能攀, 何朝阳, 等. 滑坡裂缝计时序数据实时异常检测分析[J]. 岩石力学与工程学报, 2024, 43(1): 206-215.

[24]	Zhang Lei, Ju Nengpan, He Chaoyang, et al. Real-time anomaly detection and analysis of time series data for crack gauge in landslides[J]. Chinese Journal of Rock Mechanics and Engineering, 2024, 43(1): 206-215.

[25]	陈朗, 陈娱, 何俊霖, 等. 基于前期累积降雨和高斯过程回归模型的滑坡位移预测[J]. 岩石力学与工程学报, 2024, 43(S1): 3491-3497.

[26]	Chen Lang, Chen Yu, He Junlin, et al. Prediction of landslide displacement based on previous accumulated rainfall and Gaussian process regression model[J]. Chinese Journal of Rock Mechanics and Engineering, 2024, 43(S1): 3491-3497.

[27]	仉文岗, 顾鑫, 刘汉龙, 等. 基于贝叶斯更新的非饱和土坡参数概率反演及变形预测[J]. 岩土力学, 2022, 43(4): 1112-1122.

[28]	Zhang Wengang, Gu Xin, Liu Hanlong, et al. Probabilistic back analysis of soil parameters and displacement prediction of unsaturated slopes using Bayesian updating[J]. Rock and Soil Mechanics, 2022, 43(4): 1112-1122.

[29]	李俊峰, 张小琼, 马滔, 等. 基于XGBoost和SHAP的可解释性滑坡位移预测模型[J]. 工程地质学报, 2025, 33(4): 1428-1438.

[30]	Li Junfeng, Zhang Xiaoqiong, Ma Tao, et al. An interpretable landslide displacement prediction model based on XGBoost and SHAP[J]. Journal of Engineering Geology, 2025, 33(4): 1428-1438.

[31]	许江波, 侯鑫敏, 吴雄, 等. 基于MIC-XGBoost-LSTM模型的边坡位移预测研究[J]. 中国公路学报, 2024, 37(10): 38-48.

[32]	Xu Jiangbo, Hou Xinmin, Wu Xiong, et al. Research on slope displacement prediction based on MIC-XGBoost-LSTM model[J]. China Journal of Highway and Transport, 2024, 37(10): 38-48.

[33]	杨万里, 何永强, 张建良, 等. 基于GCformer的滑坡长期位移预测[J]. 科学技术与工程, 2025, 25(12): 4913-4919.

[34]	Yang Wanli, He Yongqiang, Zhang Jianliang, et al. Long term displacement prediction of landslides based on GCformer[J]. Science Technology and Engineering, 2025, 25(12): 4913-4919.

[35]	Ma J W, Xia D, Guo H X, et al. Metaheuristic-based support vector regression for landslide displacement prediction: a comparative study[J]. Landslides, 2022, 19(10): 2489-2511.

[36]	Cai Z L, Xu W Y, Meng Y D, et al. Prediction of landslide displacement based on GA-LSSVM with multiple factors[J]. Bulletin of Engineering Geology and the Environment, 2016, 75(2): 637-646.

[37]	Zhu X, Ma S Q, Xu Q, et al. A WD-GA-LSSVM model for rainfall-triggered landslide displacement prediction[J]. Journal of Mountain Science, 2018, 15(1): 156-166.

[38]	冯谕, 涂鹏飞, 曾怀恩. 降雨及库水位共同作用下滑坡阶跃位移临界面的识别方法[J]. 岩石力学与工程学报, 2023, 42(11): 2788-2805.

[39]	Feng Yu, Tu Pengfei, Zeng Huaien, et al. A method for identifying critical displacement threshold of landslide step under combined effects of rainfall and reservoir water level[J]. Chinese Journal of Rock Mechanics and Engineering, 2023, 42(11): 2788-2805.

[40]	Zeng T R, Jiang H G, Liu Q L, et al. Landslide displacement prediction based on variational mode decomposition and MICGWO-LSTM model[J]. Landslide, 2022, 17(11): 567-583.

[41]	曾子健, 肖慧, 徐哈宁, 等. 基于CRITIC赋权法与PSO-SVR模型的滑坡地表位移预测[J]. 科学技术与工程, 2024, 24(35): 14940-14946.

[42]	Zeng Zijian, Xiao Hui, Xu Haning, et al. Landslide surface displacement prediction based on CRITIC weight method and PSO-SVR model[J]. Science Technology and Engineering, 2024, 24(35): 14940-14946.

[43]	罗超雷, 徐哈宁, 肖慧, 等. 基于鲸鱼优化混合神经网络的滑坡位移预测[J]. 科学技术与工程, 2024, 24(16): 6610-6616.

[44]	Luo Chaolei, Xu Haning, Xiao Hui, et al. Landslide displacement prediction based on whale optimization hybrid neural network[J]. Science Technology and Engineering, 2024, 24(16): 6610-6616.

[45]	Zhang K, Zhang K, Cai C, et al. Displacement prediction of step-like landslides based on feature optimization and VMD-Bi-LSTM: a case study of the Bazimen and Baishuihe landslides in the Three Gorges, China[J]. Bulletin of Engineering Geology and the Environment, 2021, 80(11): 8481-8502.

[46]	尚敏, 熊德兵, 张惠强, 等. 基于时间序列与混合核函数SA-SVR的滑坡位移预测模型研究[J]. 工程地质学报, 2022, 30(2): 575-588.

[47]	Shang Min, Xiong Debing, Zhang Huiqiang, et al. Landslide displacement prediction model based on timeseries and mixed kernel function SA-SVR[J]. Journal of Engineering Geology, 2022, 30(2): 575-588.

[48]	马飞燕, 李向新. 基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型[J]. 科学技术与工程, 2022, 22(5): 1786-1793.

[49]	Ma Feiyan, Li Xiangxin. Landslide displacement prediction model using improved SSA-KELM coupling algorithm[J]. Science Technology Engineering, 2022, 22(5): 1786-1793.

[50]	Wang H Y, Ao Y, Wang C G, et al. A dynamic prediction model of landslide displacement based on VMD-SSO-LSTM approach[J]. Scientific Reports, 2024, 14(5). DOI: 10.1038/s41598-024-59517-2.

[51]	Wang T L, Luo R, Ma T X, et al. Study and verification on an improved comprehensive prediction model of landslide displacement[J]. Bulletin of Engineering Geology and the Environment, 2024, 83(90). DOI: 10.1007/s10064-024-03581-5.

[52]

Meng S Q, Shi Z M, Ming P, et al. Landslide displacement prediction with step-like curve based on convolutional neural network coupled with bi-directional gated recurrent unit optimized by attention mechanism[J]. Engineering Applications of Artificial Intelligence, 2024, 133. DOI: 10.1016/j.engappai.2024.108078.

[53]	刘航源, 陈伟涛, 李远耀, 等. 基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用[J]. 地质力学学报, 2024, 30(4): 633-646.

[54]	Liu Hangyuan, Chen Weitao, Li Yuanyao, et al. Application of a novel integrated model based on EEMD-CNN-LSTM in landslide displacement prediction[J]. Journal of Geomechanics, 2024, 30(4): 633-646.

[55]	沈赋, 刘思蕊, 徐潇源, 等. 基于多尺度特征提取的IES多元负荷短期联合预测[J]. 高电压技术, 2024, 50(7): 2948-2930.

[56]	Shen Fu, Liu Sirui, Xu Xiaoyuan, et al. Joint short-term multi-load forecasting of integrated energy system based on multi-scale feature extraction[J]. High Voltage Engineering, 2024, 50(7): 2948-2930.

[57]	龙志友, 万昭龙, 董是, 等. 基于变分模态分解和极端梯度提升的公路边坡位移预测[J]. 吉林大学学报(工学版), 2025, 55(7): 2320-2332.

[58]	Long Zhiyou, Wan Zhaolong, Dong Shi, et al. Displacement prediction of highway slope based on variational mode decomposition and extreme gradient boosting[J]. Journal of Jilin University(Engineering and Technology Edition), 2025, 55(7): 2320-2332.

[59]	Ladha L, Deepa T. Feature selection methods and algorithms[J]. International Journal on Computer Science and Engineering, 2011, 3(5): 1787-1797.

[60]	Hamed S K, Ab A M J, Yaakub M R. Fake news detection model on social media by leveraging sentiment analysis of news content and emotion analysis of users’ comments[J]. Sensors, 2023, 23(4). DOI: 10.3390/s23041748.