库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测

被引：7

作者：

黄发明 ^{[1
]}

殷坤龙 ^{[2
]}

何涛 ^{[3
]}

孟颂颂 ^{[2
]}

机构：

[1] 中国地质大学地质调查研究院

[2] 中国地质大学工程学院

[3] 温州大学瓯江学院

来源：

地质科技情报 | 2015年 / 34卷 / 06期

关键词：

库岸滑坡; 地下水位时间序列; 混沌分析; 相空间重构; 粒子群算法; 最小二乘支持向量机;

D O I：

暂无

中图分类号：

P641 [水文地质学（地下水水文学）]; P642.22 [滑坡];

学科分类号：

0818 ; 081803 ; 0837 ;

摘要：

地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。

引用

页码：186 / 192

页数：7

共 16 条

[1]

混沌时间序列预测理论与方法.[M].韩敏; 编著.中国水利水电出版社.2007,

[2]

A comparative study of artificial neural network; adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region.[J].Zhibin He;Xiaohu Wen;Hu Liu;Jun Du.Journal of Hydrology.2014,

[3]

An integrated wavelet-support vector machine for groundwater level prediction in Visakhapatnam; India.[J].Ch. Suryanarayana;Ch. Sudheer;Vazeer Mahammood;B.K. Panigrahi.Neurocomputing.2014,

[4] A comparative study of artificial neural networks, Bayesian neural networks and adaptive neuro-fuzzy inference system in groundwater level prediction [J].

Maiti, Saumen ;

Tiwari, R. K. .

ENVIRONMENTAL EARTH SCIENCES, 2014, 71 (07) :3147-3160

[5]

Hybrid PSO–SVM method for short-term load forecasting during periods with significant temperature variations in city of Burbank.[J].A. Selakov;D. Cvijetinović;L. Milović;S. Mellon;D. Bekut.Applied Soft Computing Journal.2014,

[6] Groundwater-level prediction using multiple linear regression and artificial neural network techniques: a comparative assessment [J].