1.一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,包括:获取滑坡累计位移监测数据,所述滑坡累计位移监测数据包括:滑坡累计位移、降雨量以及库水位;
对所述滑坡累计位移监测数据进行预处理得到滑坡累计位移时间序列;
通过局部均值分解算法LMD对所述滑坡累计位移时间序列进行分解,得到多个乘积分量PF和一个残余分量R,计算每个分量的样本熵值,并进行重构得到波动项和趋势项;
通过多项式拟合对所述趋势项进行预测得到趋势项位移预测结果;
对所述降雨量进行计算得到原始影响因子,根据所述原始影响因子和波动项计算皮尔逊相关系数,筛选强相关性因子作为有效影响因子;
将所述有效影响因子和波动项输入预先训练完成的DBO-XGBoost模型进行预测得到波动项位移预测结果;
将所述趋势项位移预测结果和波动项位移预测结果进行叠加得到累计位移预测结果,并将所述累计位移预测结果作为点预测结果;
计算点预测结果与实际值之间的误差得到误差序列,将所述误差序列输入SMPSO-ABKDE模型得到位移预测区间,其中,所述SMPSO-ABKDE模型由速度约束的多目标粒子群优化算法SMPSO优化自适应带宽核密度估计ABKDE模型得到。
2.根据权利要求1所述的一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,对所述滑坡累计位移监测数据进行预处理得到滑坡累计位移时间序列,包括:对所述滑坡累计位移监测数据中的异常值进行剔除和去除噪声。
3.根据权利要求2所述的一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,通过局部均值分解算法LMD对所述滑坡累计位移时间序列进行分解,得到多个乘积分量PF和一个残余分量R,计算每个分量的样本熵值,并进行重构得到波动项和趋势项,包括:通过局部均值分解算法LMD分解所述滑坡累计位移时间序列,得到乘积分量PF1、乘积分量PF2、乘积分量PF3和残余分量R;
计算每个分量的样本熵值,基于计算得到的样本熵值,对乘积分量PF1、乘积分量PF2、乘积分量PF3进行重构得到波动项,对残余分量R进行重构得到趋势项。
4.根据权利要求3所述的一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,所述原始影响因子包括:15天内的累计降雨量Y1、前15天内的累计降雨量Y2、30天内的累计降雨量Y3、前30天的累计降雨量Y4、15天内的库水位变动值K1、前15天内的库水位变动值K2、30天内的库水位变动值K3、前30天的库水位变动值K4、15天内的累计位移L1、前15天内的累计位移L2、30天内的累计位移L3、前30天的累计位移L4;
所述有效影响因子包括:前15天内的累计降雨量Y2、前30天内的库水位变动值K4、15天内的累计位移L1、30天内的库水位变动值K3。
5.根据权利要求4所述的一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,所述DBO-XGBoost模型的训练包括:设置种群数量为30,最大迭代次数为50,设置参数上下限,通过蜣螂优化算法DBO对XGBoost模型中最佳最大迭代次数、最佳树深度和最佳学习率进行寻优得到最优参数,基于所述最优参数对XGBoost模型进行参数配置。
6.根据权利要求5所述的一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,使用速度约束的多目标粒子群优化算法SMPSO对自适应带宽核密度估计ABKDE模型进行优化,包括:S10、基于高斯核函数和自适应带宽构建自适应带宽核密度函数,自适应带宽核密度函数表达式为:,
,
,
其中,为局部核密度函数,为自适应带宽核密度函数,是第i个核函数的权重,;是第i个核函数的带宽;m为位移数据点样本总量,表示核函数;
S20、初始化粒子群:基于时间位移误差数据随机生成由N个粒子构成的初始粒子群,并为每个粒子赋予随机初始化的速度向量;其中,每个粒子的初始位置为,h为全局带宽参数,为第m个核函数的权重;
S30、多目标适应度函数构建:融合覆盖率不足风险与区间过宽风险,构建适应度函数以量化预测区间性能,公式为:,其中,、为权重系数,且;
S40、更新粒子:对粒子的速度和位置进行迭代调整;
S50、多项式变异与存档更新:对15%的粒子施加变异操作,更新非支配解集,保留兼顾区间覆盖率PICP和预测区间平均宽度PINAW的参数组合,并计算拥挤距离保留解集多样性;
重复步骤S30-S50进行迭代优化,直至满足预设的终止条件,所述终止条件为:最大迭代次数达到200或当适应度函数值的变化小于10-4。
7.根据权利要求6所述的一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,计算点位移预测结果与实际值之间的误差得到误差序列,将所述误差序列输入SMPSO-ABKDE模型得到位移预测区间,包括:通过自适应带宽核密度估计ABKDE对误差序列生成概率密度函数,基于所述概率密度函数和预设的不同置信水平获得不同置信水平下的位移预测区间。
8.根据权利要求7所述的一种基于DBO-XGBoost和SMPSO优化ABKDE的滑坡表面位移区间预测方法,其特征在于,采用区间覆盖率PICP、预测区间平均宽度PINAW和综合指数CWC作为预测区间评价指标对不同置信水平下的位移预测区间进行效果评价。