段青达, 陈天伟, 田立佳, 郑旭东, 陈 明

(1.桂林理工大学 a.广西空间信息与测绘重点实验室; b.测绘地理信息学院, 广西 桂林 541006;2.广西交投科技有限公司, 南宁 530012)

0 引 言

由于受降雨、 地下水、 风化等因素的影响, 原本稳定的高边坡极易出现滑坡现象[1]。为了保证工程施工和运行的安全, 对边坡进行长期监测并预测其变形趋势至关重要[2]。

目前常用的预测模型有: 时间序列分析预测法、 神经网络、 灰色模型、 遗传算法等[3], 各种预测模型都取得了一定的成果, 但也存在一定的局限性[4]： 灰色模型对样本数据具有很强的依赖性, 短期预测较好； 遗传算法训练时间长, 对参数的选择没有准确的标准； 而时间序列分析法能较好地突出高边坡位移变形随时间的变化关系； 神经网络具有很强的鲁棒性和容错性, 可以充分逼近任意复杂的非线性关系[5]。

本文提出了将差分整合移动平均自回归模型[6](ARIMA)与广义回归神经网络(GRNN)联合的方法运用到高边坡变形预测中, 利用ARIMA模型本质上只能捕捉线性关系而不能捕捉非线性关系[7]、 GRNN神经网络对非线性数据具有极强的映射能力[8], 将二者耦合, 组建ARIMA-GRNN模型。原始的观测数据中可能存在大量的噪声, 由于噪声的存在直接影响了观测数据的波动性[9], 致使ARIMA模型前期无法准确获取高边坡位移实际的变形趋势, 从而降低了GRNN神经网络后期的预测效果。现阶段研究发现, 常用的消噪方法主要有小波分析[10]与集合经验模态分解[11](EEMD)。 小波分析能有效提取低频有用信息, 但容易忽略中高频有用信息[12], 同时选择不同的小波基和分解层数, 对消噪效果的影响很大[13], 从而加大了小波分析消噪的难度。……