基于改进灰狼优化与支持向量回归的滑坡位移预测

doi:10.11772/j.issn.1001-9081.2023030331

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (3): 972-982.DOI: 10.11772/j.issn.1001-9081.2023030331

基于改进灰狼优化与支持向量回归的滑坡位移预测

任帅¹^,²^,³, 纪元法¹^,²^,³(), 孙希延¹^,²^,³^,⁴, 韦照川¹^,²^,³, 林子安¹^,³

^1.广西精密导航技术与应用重点实验室(桂林电子科技大学), 广西桂林 541004
^2.桂林电子科技大学信息与通信学院, 广西桂林 541004
^3.桂林电子科技大学卫星导航定位与位置服务国家地方联合工程研究中心, 广西桂林 541004
^4.南宁桂电电子科技研究院有限公司, 南宁 530031

收稿日期:2023-03-29 修回日期:2023-04-27 接受日期:2023-05-11 发布日期:2023-05-24 出版日期:2024-03-10
通讯作者: 纪元法
作者简介:任帅（2000—），男，陕西渭南人，硕士研究生，主要研究方向：滑坡灾害预警系统
孙希延（1973—），女，山东潍坊人，教授，博士，主要研究方向：卫星导航
韦照川（1973—），男，广西河池人，副教授，硕士，主要研究方向：信号处理
林子安（1991—），男，广西梧州人，博士研究生，主要研究方向：计算机图形学。
基金资助:
国家自然科学基金资助项目(62061010);广西科技厅项目(桂科AD20302022)

Prediction of landslide displacement based on improved grey wolf optimizer and support vector regression

Shuai REN¹^,²^,³, Yuanfa JI¹^,²^,³(), Xiyan SUN¹^,²^,³^,⁴, Zhaochuan WEI¹^,²^,³, Zian LIN¹^,³

^1.Guangxi Key Laboratory of Precision Navigation Technology and Application （Guilin University of Electronic Technology），Guilin Guangxi 541004，China
^2.School of Information and Communication，Guilin University of Electronic Technology，Guilin Guangxi 541004，China
^3.National & Local Joint Engineering Research Center of Satellite Navigation Positioning and Location Service，Guilin University of Electronic Technology，Guilin Guangxi 541004，China
^4.GUET-Nanning E-Tech Research Institute Company Limited，Nanning Guangxi 530031，China

Received:2023-03-29 Revised:2023-04-27 Accepted:2023-05-11 Online:2023-05-24 Published:2024-03-10
Contact: Yuanfa JI
About author:REN Shuai， born in 2000， M. S. candidate. His research interests include landslide disaster warning system.
SUN Xiyan， born in 1973， Ph. D.， professor. Her research interests include satellite navigation.
WEI Zhaochuan， born in 1973， M. S.， associate professor. His research interests include signal processing.
LIN Zian， born in 1991， Ph. D. candidate. His research interests include computer graphics.
Supported by:
National Natural Science Foundation of China(62061010);Guangxi Science and Technology Department Project(Gui Ke AA20302022)

摘要/Abstract

摘要：

针对滑坡位移难以预测、影响因素难以选择等问题，提出一种结合了二次移动平均（DMA）法、变分模态分解（VMD）、改进灰狼优化（IGWO）算法与支持向量回归（SVR）的模型进行滑坡位移预测。首先，利用DMA提取滑坡位移趋势项和周期项，采用多项式拟合对趋势项进行预测；其次，对滑坡周期项的影响因素进行分类，采用VMD对原始影响因子序列进行分解获得最优序列；再次，提出一种结合SVR与基于改进Circle多策略的灰狼优化算法CTGWO-SVR（Circle Tactics Grey Wolf Optimizer with SVR）对滑坡周期项进行预测；最后采用时间序列加法模型求出累计位移预测序列，并采用灰色预测的后验证差校验和小概率误差对模型进行评价。实验结果表明，与GA-SVR和GWO-SVR模型相比，CTGWO-SVR的预测精度更高，拟合度达到0.979，均方根误差分别减小了51.47%与59.25%，预测精度等级为一级，可满足滑坡预测的实时性和准确性要求。

关键词: 滑坡位移预测, 位移分解, 时间序列, 变分模态分解, 灰色关联分析, 灰狼优化算法, 支持向量回归

Abstract:

To address the issues of difficult prediction of landslide displacement and difficulty in selecting influencing factors， a model combining Double Moving Average （DMA）， Variational Modal Decomposition （VMD）， Improved Gray Wolf Optimizer （IGWO） algorithm and Support Vector Regression （SVR） was proposed for landslide displacement prediction. Firstly， DMA was used to extract the trend and periodic terms of landslide displacement， and polynomial fitting was used to predict the trend term. Secondly， the influencing factors of the landslide periodic term were classified， and VMD was used to decompose the original factor sequence to obtain the optimal sequence. Then， a grey wolf optimizer algorithm combining SVR with an improved Circle-based multi-tactic， called CTGWO-SVR （Circle Tactics Grey Wolf Optimizer with SVR）， was proposed to predict the landslide periodic term. Finally， the cumulative displacement prediction sequence was obtained using a time series additive model， and the model was evaluated using post validation difference verification and small probability error in grey prediction. Experimental results show that compared with GA （Genetic Algorithm）-SVR and GWO-SVR models， CTGWO-SVR has higher prediction accuracy with a fitting degree of 0.979， and the Root Mean Square Error （RMSE） reduces by 51.47% and 59.25%， respectively. The model evaluation accuracy is level one， which can meet the real-time and accuracy requirements of landslide prediction.

Key words: landslide displacement prediction, displacement decomposition, time series, Variational Modal Decomposition (VMD), grey correlation analysis, Gray Wolf Optimizer (GWO) algorithm, Support Vector Regression (SVR)

中图分类号:

TP183

任帅, 纪元法, 孙希延, 韦照川, 林子安. 基于改进灰狼优化与支持向量回归的滑坡位移预测[J]. 计算机应用, 2024, 44(3): 972-982.

Shuai REN, Yuanfa JI, Xiyan SUN, Zhaochuan WEI, Zian LIN. Prediction of landslide displacement based on improved grey wolf optimizer and support vector regression[J]. Journal of Computer Applications, 2024, 44(3): 972-982.

图/表 26

图1 灰狼等级制度

Fig. 1 Grey wolf hierarchy

图2 Circle映射及其改进

Fig. 2 Circle mapping and its improvement

图3 收敛因子对比

Fig. 3 Comparison of convergence factors

图4 CTGWO-SVR预测模型流程

Fig. 4 Flow of CTGWO-SVR prediction model

图5 八字门滑坡监测点ZG111监测数据

Fig. 5 Monitoring data of ZG111， a landslide monitoring site in Bazimen

图6 位移预测流程

Fig. 6 Flow of displacement prediction

表1 测试函数

Tab. 1 Test functions

函数名	函数表达式	维数	搜索范围
Sphere	$F 1 x = ∑ i = 1 n x i 2$	30	［-100，100］
Schwefel 2.22	$F 2 x = ∑ i = 1 n x i + ∏ i = 1 n x i$	30	［-10，10］
Schwefel 1.2	$F 3 x = ∑ i = 1 n ∑ j = 1 i x j 2$	30	［-100，100］
Schwefel 2.21	$F 4 x = m a x i x i, 1 ≤ i ≤ n$	30	［-100，100］
Quartic	$F 5 x = ∑ i = 1 n i x i 4 + r a n d o m 0,1$	30	［-1.28，1.28］
Rastrigin	$F 6 x = ∑ i = 1 n x i 2 - 10 c o s 2 π x i + 10$	30	［-5.12，5.12］
Ackley	$F 7 x = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n 2 π x i + 20 + e$	30	［-32，32］
Griewank	$F 8 x = 1 4 000 ∑ i = 1 n x i 2 - ∏ i = 1 n c o s x i i + 1$	30	［-600，600］

表1 测试函数

Tab. 1 Test functions

函数名	函数表达式	维数	搜索范围
Sphere	$F 1 x = ∑ i = 1 n x i 2$	30	［-100，100］
Schwefel 2.22	$F 2 x = ∑ i = 1 n x i + ∏ i = 1 n x i$	30	［-10，10］
Schwefel 1.2	$F 3 x = ∑ i = 1 n ∑ j = 1 i x j 2$	30	［-100，100］
Schwefel 2.21	$F 4 x = m a x i x i, 1 ≤ i ≤ n$	30	［-100，100］
Quartic	$F 5 x = ∑ i = 1 n i x i 4 + r a n d o m 0,1$	30	［-1.28，1.28］
Rastrigin	$F 6 x = ∑ i = 1 n x i 2 - 10 c o s 2 π x i + 10$	30	［-5.12，5.12］
Ackley	$F 7 x = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n 2 π x i + 20 + e$	30	［-32，32］
Griewank	$F 8 x = 1 4 000 ∑ i = 1 n x i 2 - ∏ i = 1 n c o s x i i + 1$	30	［-600，600］

表2 不同策略改进GWO算法的性能测试结果对比

Tab. 2 Comparison of performance test results of GWO algorithms improved by different strategies

函数	IGWO-1		IGWO-2		EGWO		HGWO		CTGWO
函数	平均值	标准差	平均值	标准差	平均值	标准差	平均值	标准差	平均值	标准差
F₁	0	0	3.15E-14	4.38E-14	3.32E-50	5.32E-50	1.12E-32	2.32E-32	0	0
F₂	1.46E-180	0	1.70E-24	1.00E-24	6.93E-30	9.33E-30	9.33E-20	6.92E-20	0	0
F₃	0	0	4.58E-09	4.17E-09	2.83E-12	7.53E-12	3.18E-08	6.55E-08	0	0
F₄	2.97E-173	0	2.50E-10	1.08E-10	1.68E-13	2.37E-13	4.17E-08	4.56E-08	0	0
F₅	0.000 326 7	1.21E-04	0.001 548	0.001 706	1.71E-04	1.91E-04	1.49E-03	7.53E-04	4.88E-05	6.88E-05
F₆	0	3.066 8	3.593 496	1.14E-14	0	0	2.27E-01	9.20E-01	0	0
F₇	4.44E-15	0	1.87E-14	1.65E-14	-4.40E-16	0	4.27E-14	4.37E-15	8.88E-16	8.882E-16
F₈	0	0.052 3	0.003 629	0	4.99E-04	2.69E-03	1.37E-03	5.82E-03	0	0

表3 四种算法性能测试结果对比

Tab. 3 Comparison of performance test results of four algorithms

函数	PSO		SSA		GWO		CTGWO
函数	平均值	标准差	平均值	标准差	平均值	标准差	平均值	标准差
F₁	2.435 352	2.378 911	6.940 00E-67	9.28E-56	1.292 00E-27	1.60E-27	0	0
F₂	4.491 009	4.181 337	7.669 76E-28	3.74E-31	8.390 54E-17	7.28E-17	0	0
F₃	212.093 600	174.288 900	1.005 92E-30	4.13E-25	2.474 11E-05	0.000 665 000	0	0
F₄	1.906 436	2.060 081	7.325 47E-27	1.33E-30	7.154 11E-07	9.38E-07	0	0
F₅	14.435 840	14.752 670	0.001 295 708	0.001 653	0.001 732 140	0.001 818 027	4.88E-05	6.88E-05
F₆	163.087 900	156.233 300	0	0	2.753 117 129	2.500 410 916	0	0
F₇	2.718 287	2.653 917	8.881 78E-16	8.88E-16	1.004 83E-13	1.002 46E-13	8.88E-16	8.88E-16
F₈	0.116 163	0.140 406	0	0	0.004 924 486	0.004 041 731	0	0

图7 F1~F8测试函数对比不同优化算法的迭代效果

Fig. 7 Iteration effect comparison among different optimizer algorithms on F1 to F8 test functions

图8 八字门滑坡位移二次移动平均分解结果

Fig. 8 Results of secondary moving average decomposition for Bazimen landslide displacement

表4 各影响因子与滑坡周期项关联度

Tab. 4 Correlation between each influence factor and landslide periodic term

项目	关联度	项目	关联度
$R 1$	0.693 7	$W 1$	0.611 3
$R 2$	0.692 1	$W 2$	0.646 8
$R 3$	0.649 1	$W 3$	0.763 3
$R 4$	0.651 5	$W 4$	0.733 8
$R 5$	0.749 3	$W 5$	0.643 3
$R 6$	0.715 0	$W 6$	0.607 1
$R 7$	0.710 9	$W 7$	0.611 9
$L 1$	0.726 1	$L 2$	0.780 4

表4 各影响因子与滑坡周期项关联度

Tab. 4 Correlation between each influence factor and landslide periodic term

项目	关联度	项目	关联度
$R 1$	0.693 7	$W 1$	0.611 3
$R 2$	0.692 1	$W 2$	0.646 8
$R 3$	0.649 1	$W 3$	0.763 3
$R 4$	0.651 5	$W 4$	0.733 8
$R 5$	0.749 3	$W 5$	0.643 3
$R 6$	0.715 0	$W 6$	0.607 1
$R 7$	0.710 9	$W 7$	0.611 9
$L 1$	0.726 1	$L 2$	0.780 4

表5 L2分解后与滑坡周期项关联度

Tab. 5 Correlation between L2 decomposition and landslide periodic term

影响因子	关联度
上月周期项滑坡（ $L 2$ ）	0.780 4
上月周期项滑坡高频	0.737 5
上月周期项滑坡低频	0.745 0

表5 L2分解后与滑坡周期项关联度

Tab. 5 Correlation between L2 decomposition and landslide periodic term

影响因子	关联度
上月周期项滑坡（ $L 2$ ）	0.780 4
上月周期项滑坡高频	0.737 5
上月周期项滑坡低频	0.745 0

表6 L1分解后与滑坡周期项关联度

Tab. 6 Correlation between L1 decomposition and landslide periodic term

影响因子	关联度
上月滑坡（ $L 1$ ）	0.726 1
上月滑坡高频	0.819 1
上月滑坡低频	0.767 4

表6 L1分解后与滑坡周期项关联度

Tab. 6 Correlation between L1 decomposition and landslide periodic term

影响因子	关联度
上月滑坡（ $L 1$ ）	0.726 1
上月滑坡高频	0.819 1
上月滑坡低频	0.767 4

表7 L1高频分解后与滑坡周期项关联度

Tab. 7 Correlation between L1 high frequency after decomposition and landslide periodic term

影响因子	关联度
上月滑坡高频	0.819 1
上月滑坡高频-高频	0.810 9
上月滑坡高频-低频	0.809 4

图9 滑坡类灰色关联分析

Fig. 9 Grey correlation analysis for landslide classes

表8 库水位月间变化分解后与滑坡周期项关联度

Tab. 8 Correlation between decomposed inter-month variation of reservoir water level and landslide periodic term

影响因子	关联度
库水位月间变化	0.763 3
库水位月间变化-高频	0.668 7
库水位月间变化-低频	0.689 0

图10 库水位类灰色关联分析

Fig. 10 Grey correlation analysis of reservoir water level classes

表9 前两月累计降雨分解后与滑坡周期项关联度

Tab. 9 Correlation between decomposed cumulative rainfall in the first two months and landslide cycle term

影响因子	关联度
前两月累计降雨	0.749 3
前两月累计降雨-高频	0.762 4
前两月累计降雨-低频	0.724 1

表10 前两月累计降雨高频分解后与滑坡周期项关联度

Tab. 10 Correlation between high frequency decomposition of accumulated rainfall in first two months and landslide periodic term

影响因子	关联度
前两月累计降雨高频	0.762 4
前两月累计降雨高频-高频	0.756 9
前两月累计降雨高频-低频	0.736 1

图11 降雨类灰色关联分析

Fig. 11 Grey correlation analysis of rainfall classes

表11 不同模型寻优和训练结果

Tab. 11 Optimization and training results of different models

模型	C	ε	γ	$R 2$	RMSE
GA-SVR	69.14	6.05	0.13	0.884	9.89
GWO-SVR	2 368.84	0.52	0.11	0.836	11.78
CTGWO-SVR	2 024.57	0.10	0.96	0.979	4.80

表11 不同模型寻优和训练结果

Tab. 11 Optimization and training results of different models

模型	C	ε	γ	$R 2$	RMSE
GA-SVR	69.14	6.05	0.13	0.884	9.89
GWO-SVR	2 368.84	0.52	0.11	0.836	11.78
CTGWO-SVR	2 024.57	0.10	0.96	0.979	4.80

图12 不同优化算法周期项预测

Fig. 12 Period term predictions by different optimization algorithms

图13 CTGWO迭代寻优

Fig. 13 Iterative optimization of CTGWO

表12 精度等级

Tab. 12 Accuracy grade

等级	后验证差比值	小概率误差	精度结果
1	<0.35	>0.95	好
2	<0.50	>0.80	合格
3	<0.65	>0.70	勉强
4	≥0.65	≤0.70	不合格

图14 八字门的滑坡趋势项预测

Fig. 14 Bazimen prediction of landslide trend term

参考文献 31

1	郝小员，郝小红，熊红梅，等.滑坡时间预报的非平稳时间序列方法研究［J］.工程地质学报， 1999， 7（3）：279-283. 10.3969/j.issn.1004-9665.1999.03.014
	HAO X Y， HAO X H， XIONG H M， et al. Research on landslide time forecast by the unstable time series method ［J］. Journal of Engineering Geology， 1999， 7（3）： 279-283. 10.3969/j.issn.1004-9665.1999.03.014
2	刘晓，曾祥虎，刘春宇.边坡非线性位移的神经网络–时间序列分析［J］.岩石力学与工程学报，2005， 24（19）：3499-3504.
	LIU X， ZENG X H， LIU C Y. Research on artificial neural network-time series analysis of slope nonlinear displacement ［J］. Chinese Journal of Rock Mechanics and Engineering，2005， 24（19）： 3499-3504.
3	刘小珊，罗文强，李飞翱，等.基于SVR的滑坡位移研究［J］.长江大学学报（自科版）， 2013，10（4）：76-78，90.
	LIU X S， LUO W Q， LI F A， et al. Research on landslide displacement based on SVR［J］. Journal of Yangtze University （Natural Science Edition），2013， 10（4）： 76-78， 90.
4	董辉，傅鹤林，冷伍明，等.Boosting集成支持向量回归机的滑坡位移预测［J］.湖南大学学报（自然科学版），2007， 34（9）：6-10.
	DONG H， FU H L， LENG W M， et al. Boosting ensemble of support vector regression for landslide prediction ［J］. Journal of Hunan University （Natural Sciences）， 2007， 34（9）： 6-10.
5	鄢好，陈骄锐，李绍红，等.基于时间序列和GRU的滑坡位移预测［J］.人民长江，2021，52（1）：102-107，133. 10.16232/j.cnki.1001-4179.2021.01.017
	YAN H， CHEN J R， LI S H， et al. Predicting of landslide displacement based on time series and Gated Recurrent Unit ［J］. Yangtze River，2021，52（1）：102-107， 133. 10.16232/j.cnki.1001-4179.2021.01.017
6	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， 2017，38（12）：3660-3669.
	DENG D M， LIANG Y， WANG L Q， et al. Displacement prediction method based on ensemble empirical mode decomposition and support vector machine regression — a case of landslides in Three Gorges Reservoir area ［J］. Rock and Soil Mechanics， 2017， 38（12）： 3660-3669.
7	李仕波，李德营，张玉恩，等.基于LS-SVM模型的白水河滑坡台阶状位移预测［J］.长江科学院院报，2019，36（4）：55-59，76.
	LI S B， LI D Y， ZHANG Y E， et al. Displacement prediction of Baishuihe step-like landslide by least square support vector machine［J］. Journal of Yangtze River Scientific Research Institute， 2019，36（4）： 55-59， 76.
8	张俊，殷坤龙，王佳佳，等.基于时间序列与PSO-SVR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，2015，34（2）：382-391.
	ZHANG J， YIN K L， WANG J J， et al. Displacement prediction of Baishuihe landslide based on time series and PSO-SVR model ［J］. Chinese Journal of Rock Mechanics and Engineering， 2015， 34（2）： 382-391.
9	张洪银，童严文，谢继香.混沌序列GA-SVM模型在滑坡监测中的应用［J］.人民黄河，2014，36（12）：114-117，121. 10.3969/j.issn.1000-1379.2014.12.036
	ZHANG H Y， TONG Y W， XIE J X. Application of GA-SVM model based on chaos theory to monitoring landslide ［J］. Yellow River， 2014， 36（12）： 114-117，121. 10.3969/j.issn.1000-1379.2014.12.036
10	李麟玮，吴益平，苗发盛，等.基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究［J］.岩石力学与工程学报，2018，37（6）：1395-1406.
	LI L W， WU Y P， MIAO F S， et al. Displacement prediction of landslides based on variational mode decomposition and GWO-MIC-SVR model ［J］. Chinese Journal of Rock Mechanics and Engineering， 2018， 37（6）： 1395-1406.
11	苗发盛，吴益平，谢媛华，等.基于多算法参数优化与SVR模型的白水河滑坡位移预测［J］.工程地质学报，2016，24（6）：1136-1144.
	MIAO F S， WU Y P， XIE Y H， et al. Displacement prediction of Baishuihe landslide based on multi algorithm optimization and SVR model ［J］. Journal of Engineering Geology， 2016， 24（6）： 1136-1144.
12	GAMSE S， HENRIQUES M J， OBERGUGGENBERGER M， et al. Analysis of periodicities in long‐term displacement time series in concrete dams ［J］. Structural Control and Health Monitoring， 2019， 27（3）： e2477. 10.1002/stc.2477
13	PEREIRA FILHO H G， SAMESIMA N， MADALOSO B A， et al. Modified moving average methodology applied to the treadmill stress testing analysis of microvolt T-wave alternans ［J］. Scientific Reports， 2022， 12： 22454. 10.1038/s41598-022-26535-x
14	GAO Y， CHEN X， TU R， et al. Prediction of landslide displacement based on the combined VMD-stacked LSTM-TAR model ［J］. Remote Sensing， 2022， 14（5）： 1164. 10.3390/rs14051164
15	GUO W， MENG Q， WANG X， et al. Landslide displacement prediction based on variational mode decomposition and GA-Elman model ［J］. Applied Sciences， 2023， 13（1）：450. 10.3390/app13010450
16	徐峰，范春菊，徐勋建，等.基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测［J］.上海交通大学学报，2018，52（10）：1388-1395，1416.
	XU F， FAN C J， XU X J， et al. Displacement prediction of landslide based on variational mode decomposition and AMPSO-SVM coupling model ［J］. Journal of Shanghai Jiao Tong University， 2018，52（10）：1388-1395，1416.
17	HUANG Z， DONG M， DU X， et al. A nonlinear prediction model of antislide pile top displacement based on MIC-SVR for Jurassic landslides ［J］. Advances in Civil Engineering， 2022， 2022： 9101234. 10.1155/2022/9101234
18	HICKMANN T， GRAMANI L M， KAVISKI E， et al. Wavelet-SVR hybrid methodology for the projection of relative displacements in block I11 of the Itaipu hydroelectric plant dam［J］. GEPROS： Gestão da Produção， Operações e Sistemas， 2016， 11（2）： 103-120. 10.15675/gepros.v11i2.1419
19	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69： 46-61. 10.1016/j.advengsoft.2013.12.007
20	张达敏，徐航，王依柔，等.嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法［J］.控制与决策，2021，36（5）：1173-1180.
	ZHANG D M， XU H， WANG Y R， et al. Whale optimization algorithm for embedded Circle mapping and one-dimensional oppositional learning based small hole imaging ［J］. Control and Decision， 2021，36（5）：1173-1180.
21	林诗洁，董晨，陈明志，等.新型群智能优化算法综述［J］.计算机工程与应用，2018，54（12）：1-9.
	LIN S J， DONG C， CHEN M Z， et al. Summary of new swarm intelligent optimization algorithms［J］. Computer Engineering and Applications， 2018， 54（12）：1-9.
22	宋玉生，刘光宇，朱凌，等.改进的灰狼优化算法在SVM参数优化中的应用［J］.传感器与微系统，2022，41（9）：151-155.
	SONG Y S， LIU G Y， ZHU L， et al. Application of improved GWO algorithm in SVM parameter optimization ［J］. Transducer and Microsystem Technologies， 2022，41（9）：151-155.
23	郭振洲，刘然，拱长青，等.基于灰狼算法的改进研究［J］.计算机应用研究，2017，34（12）：3603-3606，3610. 10.3969/j.issn.1001-3695.2017.12.019
	GUO Z Z， LIU R， GONG C Q， et al. Study on improvement of gray wolf algorithm［J］. Application Research of Computers， 2017， 34（12）： 3603-3606，3610. 10.3969/j.issn.1001-3695.2017.12.019
24	WANG J， XU X， XU Y， et al. Fouling prediction of heat exchanger surface under alternating magnetic field based on IGWO-SVR ［J］. International Journal of Thermal Sciences， 2023， 184：108018. 10.1016/j.ijthermalsci.2022.108018
25	尚敏，刘昱廷，侯时平，等.三峡库区秭归县盐关滑坡变形特征及成因机制分析［J］.三峡大学学报（自然科学版），2019，41（6）：43-47.
	SHANG M， LIU Y T， HOU S P， et al. Deformation characteristics and formation analysis of Yanguan landslide in Zigui county， Hubei province， Three Gorges Reservoir area ［J］. Journal of China Three Gorges University （Natural Sciences）， 2019，41（6）：43-47.
26	张旭，谭卓英，周春梅.库水位变化下滑坡渗流机制与稳定性分析［J］.岩石力学与工程学报，2016，35（4）：713-723.
	ZHANG X， TAN Z Y， ZHOU C M. Seepage and stability analysis of landslide under the change of reservoir water levels ［J］. Chinese Journal of Rock Mechanics and Engineering， 2016，35（4）：713-723.
27	ZHU A， XU C， LI Z， et al. Hybridizing grey wolf optimization with differential evolution for global optimization and test scheduling for 3D stacked SoC ［J］. Journal of Systems Engineering and Electronics， 2015， 26（2）：317-328. 10.1109/jsee.2015.00037
28	黎素涵，叶春明.重选精英个体的非线性收敛灰狼优化算法［J］.计算机工程与应用，2021，57（1）：62-68.
	LI S H， YE C M. Improved grey wolf optimizer algorithm using nonlinear convergence factor and elite re-election strategy ［J］. Computer Engineering and Applications，2021，57（1）：62-68.
29	XUE J， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm ［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34. 10.1080/21642583.2019.1708830
30	KENNEDY J， EBERHART R. Particle swarm optimization ［C］//Proceedings of the 1995 International Conference on Neural Networks. Piscataway： IEEE， 1995， 4： 1942-1948. 10.1109/ICNN.1995.488968
31	LI S， WU N. A new grey prediction model and its application in landslide displacement prediction ［J］. Chaos， Solitons & Fractals， 2021， 147： 110969. 10.1016/j.chaos.2021.110969

[1]	王华华, 张旭, 李峰. 面向高速移动环境的二级信号检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1236-1241.
[2]	徐丽, 符祥远, 李浩然. 基于门控卷积的时空交通流预测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2760-2765.
[3]	欧云, 周恺卿, 尹鹏飞, 刘雪薇. 双收敛因子策略下的改进灰狼优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2679-2685.
[4]	陆辉, 黄瑞章, 薛菁菁, 任丽娜, 林川. 深度动态文本聚类模型DDDC[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2370-2375.
[5]	邱莲鹏, 宋承云. 噪声鲁棒的动态时间规整算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1855-1860.
[6]	王逸, 裴生雷, 王煜. 基于CSI和K-means-SVR的多指纹库室内定位方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1636-1640.
[7]	夏进, 王正群, 朱世明. 基于时间序列分解的交通流量预测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1129-1135.
[8]	陈容均, 严宣辉, 杨超城. 面向时间序列的混合图像化循环胶囊分类网络[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 692-699.
[9]	尹春勇, 周立文. 基于再编码的无监督时间序列异常检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 804-811.
[10]	孟玉飞, 武优西, 王珍, 李艳. 对比保序模式挖掘算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3740-3746.
[11]	张安勤, 王小慧. 基于时序异常检测的动力电池安全预警[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3799-3805.
[12]	罗香玉, 闫克, 卢琰, 王甜, 辛刚. 基于社区改变量估计的非均匀时间片划分方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3457-3463.
[13]	郎祎平, 毛文涛, 罗铁军, 范黎林, 任颖莹, 刘侠. 间歇性时间序列的可预测性评估及联合预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2722-2731.
[14]	张丰婷, 杨菊花, 任金荟, 金坤. 基于优化变分模态分解和核极限学习机的集装箱吞吐量预测[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2333-2342.
[15]	吴明晖, 张广洁, 金苍宏. 基于多模态信息融合的时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2326-2332.

基于改进灰狼优化与支持向量回归的滑坡位移预测

Prediction of landslide displacement based on improved grey wolf optimizer and support vector regression

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 26

参考文献 31

相关文章 15

编辑推荐

Metrics