李 璐 瞿 偉 張 勤 李久元 王宇豪 劉祥斌

1 長安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院，西安市雁塔路126號(hào)，710054

滑坡在我國已成為一種嚴(yán)重危害社會(huì)經(jīng)濟(jì)可持續(xù)發(fā)展及威脅人民生命財(cái)產(chǎn)安全的主要地質(zhì)災(zāi)害之一。開展滑坡災(zāi)害研究尤其是對(duì)滑坡位移的高精度預(yù)測(cè)研究，對(duì)滑坡災(zāi)害的防災(zāi)預(yù)警具有重要的理論與現(xiàn)實(shí)意義。

造成滑坡災(zāi)害頻發(fā)原因十分復(fù)雜，會(huì)受多種外部環(huán)境因素的影響，如強(qiáng)降雨、農(nóng)業(yè)灌溉等；受人類活動(dòng)的影響，如塬邊人工削方等；也會(huì)受滑坡內(nèi)部自身地質(zhì)條件影響，如自身重力與巖層巖性變化等。為解決滑坡災(zāi)害預(yù)測(cè)預(yù)警難題，近些年許多學(xué)者利用神經(jīng)網(wǎng)絡(luò)在滑坡時(shí)序位移預(yù)測(cè)方面展開相關(guān)研究。而相較于神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)可克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型存在的模型簡單、預(yù)測(cè)穩(wěn)定性差、未充分挖掘形變數(shù)據(jù)中蘊(yùn)含的時(shí)間信息特征等局限性，已在機(jī)器翻譯和圖像注釋等數(shù)據(jù)分析領(lǐng)域得到成功應(yīng)用[1]，并結(jié)合主成分分析法與隨機(jī)森林法等應(yīng)用于滑坡位移預(yù)測(cè)[2-3]、結(jié)合重標(biāo)方差法為滑坡變形綜合評(píng)價(jià)提供決策支撐[4]及應(yīng)用到滑坡長時(shí)序位移的預(yù)測(cè)分析[5]。但上述研究在利用循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)滑坡位移進(jìn)行預(yù)測(cè)分析時(shí)，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù)的選取仍采用網(wǎng)格搜索法或傳統(tǒng)手動(dòng)調(diào)參法，會(huì)造成算法計(jì)算量大，并且構(gòu)建的循環(huán)神經(jīng)網(wǎng)絡(luò)適應(yīng)性較差。因此，探索一種有效改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù)自動(dòng)化最優(yōu)選取的方法，將更好地服務(wù)于循環(huán)神經(jīng)網(wǎng)絡(luò)在滑坡位移的實(shí)際預(yù)測(cè)應(yīng)用。

為此，本文選取我國黃土滑坡最為典型的黑方臺(tái)黨川6#滑坡體為示范實(shí)驗(yàn)區(qū)，主要基于滑坡體北斗與位移計(jì)時(shí)序監(jiān)測(cè)數(shù)據(jù)[6]，分別建立簡單循環(huán)神經(jīng)網(wǎng)絡(luò)(SimpleRNN)、長短期記憶網(wǎng)絡(luò)(LSTM)、門控循環(huán)單元(GRU)3種循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。在此基礎(chǔ)上進(jìn)一步利用遺傳算法(GA)對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)層數(shù)及每層網(wǎng)絡(luò)記憶體數(shù)量進(jìn)行隨機(jī)搜索，并以均方誤差最小為目標(biāo)函數(shù)，自動(dòng)確定循環(huán)神經(jīng)網(wǎng)絡(luò)最佳參數(shù)組合，分別構(gòu)建出3種基于遺傳算法改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)高精度位移預(yù)測(cè)模型(GA-SimpleRNN、GA-LSTM、GA-GRU)，通過計(jì)算對(duì)比驗(yàn)證改進(jìn)后的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在滑坡時(shí)序位移預(yù)測(cè)中的突出優(yōu)勢(shì)。

1 循環(huán)神經(jīng)網(wǎng)絡(luò)及其優(yōu)化模型

1.1 簡單循環(huán)神經(jīng)網(wǎng)絡(luò)(SimpleRNN)

SimpleRNN是深度學(xué)習(xí)中重要的一種神經(jīng)網(wǎng)絡(luò)模型，具有可循環(huán)遞歸地處理滑坡歷史形變數(shù)據(jù)及可對(duì)歷史記憶進(jìn)行建模的特殊性能，適用于解決滑坡位移時(shí)間序列預(yù)測(cè)問題[7]。循環(huán)核中記憶體內(nèi)存儲(chǔ)著每個(gè)時(shí)刻的滑坡位移狀態(tài)信息ht可表示為：

ht=tanh(xtwxh+ht-1whh+bh)

(1)

式中，wxh、whh為權(quán)重矩陣，bh為偏置，xt為當(dāng)前時(shí)刻的滑坡位移輸入特征，ht-1為記憶體上一時(shí)刻存儲(chǔ)的滑坡位移狀態(tài)信息，tanh為激活函數(shù)。滑坡位移輸出特征yt計(jì)算公式為：

yt=softmax(htwhy+by)

(2)

式中，why為權(quán)重矩陣，by為偏置，softmax為激活函數(shù)，相當(dāng)于一層全連接層?？赏ㄟ^設(shè)定記憶體數(shù)量改變記憶容量，當(dāng)記憶體個(gè)數(shù)及xt、yt被指定時(shí)，待訓(xùn)練參數(shù)的維度即被限定。在前向傳播時(shí)，記憶體內(nèi)存儲(chǔ)的滑坡位移狀態(tài)信息ht在每個(gè)時(shí)刻均被刷新，而3個(gè)參數(shù)矩陣wxh、whh、why和2個(gè)偏置項(xiàng)bh、by均固定不變；在反向傳播時(shí)，3個(gè)參數(shù)矩陣和兩個(gè)偏置項(xiàng)則可利用梯度下降法進(jìn)行更新確定[8]。

1.2 長短期記憶網(wǎng)絡(luò)(LSTM)

輸入門：it=σ(Wi·[ht-1,xt]+bi)

(3)

遺忘門：ft=σ(Wf·[ht-1,xt]+bf)

(4)

輸出門：ot=σ(Wo·[ht-1,xt)+bo)

(5)

(6)

記憶體：ht=ot·tanh(Ct)

(7)

(8)

式中，3個(gè)門限的取值范圍為0～1，σ代表Sigmoid激活函數(shù)，Wi·、Wf·、Wo·、Wc·分別為待訓(xùn)練參數(shù)矩陣，bi、bf、bo、bc分別為待訓(xùn)練偏置項(xiàng)，tanh為激活函數(shù)[10]。輸入門決定新輸入的滑坡位移特征是否容許被更新，是否被保存至記憶體；遺忘門控制著記憶體記住或遺忘之前的滑坡位移狀態(tài)；輸出門決定滑坡位移信息是否容許被輸出；細(xì)胞態(tài)存儲(chǔ)長期滑坡位移信息；記憶體存儲(chǔ)短期滑坡位移信息；候選態(tài)則代表循環(huán)神經(jīng)網(wǎng)絡(luò)歸納出的滑坡新位移信息。

1.3 門控循環(huán)單元(GRU)

更新門：zt=σ(Wz·[ht-1,xt])

(9)

重置門：rt=σ(Wr·[ht-1,xt])

(10)

(11)

(12)

式中，σ代表Sigmoid激活函數(shù)，Wz·、Wr·、W·代表待訓(xùn)練參數(shù)矩陣，其余參數(shù)含義同LSTM。更新門決定當(dāng)前時(shí)間步t的滑坡位移輸入特征xt是否對(duì)網(wǎng)絡(luò)產(chǎn)生影響；重置門決定新的滑坡位移輸入特征與歷史滑坡位移信息相結(jié)合的方式；記憶體則通過更新門將長期滑坡位移信息與短期滑坡位移信息相結(jié)合；候選隱藏層代表現(xiàn)在的滑坡位移信息，其由過去滑坡位移信息通過重置門和當(dāng)前滑坡位移輸入特征xt共同決定。

1.4 遺傳算法(GA)及其優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)

遺傳算法是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法。該算法利用計(jì)算機(jī)進(jìn)行仿真運(yùn)算，將問題求解過程轉(zhuǎn)換成染色體基因的交叉、變異等過程，適合求解較復(fù)雜優(yōu)化問題。鑒于遺傳算法的良好拓展性且易與其他算法相結(jié)合的特性[12]，適用于循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù)尋優(yōu)，可避免人工設(shè)置循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù)的盲目性，提高循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的運(yùn)行效率和準(zhǔn)確度。

基于遺傳算法優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型技術(shù)路線主要可分為以下6個(gè)步驟(圖1)：

1)產(chǎn)生初始種群。設(shè)置種群規(guī)模、交叉概率、變異概率與進(jìn)化代數(shù)。隨機(jī)產(chǎn)生初始種群，每個(gè)個(gè)體基因編碼為[P，N1，N2，N3]，其中P表示神經(jīng)網(wǎng)絡(luò)層數(shù)，范圍為1～3；N1、N2、N3分別代表第1層、第2層和第3層記憶體數(shù)量。

2)計(jì)算適應(yīng)度。適應(yīng)度函數(shù)設(shè)計(jì)為均方誤差的倒數(shù)乘以常系數(shù)k，這樣就將尋求均方誤差最小的目標(biāo)轉(zhuǎn)化為搜索適應(yīng)度最高的個(gè)體，即最佳網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。根據(jù)個(gè)體基因編碼配置循環(huán)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，訓(xùn)練模型并進(jìn)行預(yù)測(cè)。根據(jù)預(yù)測(cè)結(jié)果計(jì)算第i組網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的適應(yīng)度fi：

(13)

3)選擇。該運(yùn)算利用每組網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的適應(yīng)度占種群適應(yīng)度總和的比重決定其遺傳到下一代的可能性。若設(shè)種群數(shù)為n，第i組網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的適應(yīng)度為fi，該組參數(shù)在進(jìn)化中遺傳的概率pi可表示為：

(14)

4)交叉。以2組網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為一對(duì)，將種群中所有網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)組合隨機(jī)分成若干對(duì)。每對(duì)參數(shù)組合給定一個(gè)0～1的隨機(jī)數(shù)p0，在給定交叉概率pc的情況下，若p0

5)變異。如果只進(jìn)行交叉操作，適應(yīng)度較高的某組網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)可能會(huì)造成算法過早收斂而陷入局部最優(yōu)解。因此，需要對(duì)少量參數(shù)組合進(jìn)行變異操作從而產(chǎn)生新的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)組合。每組網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)給定一個(gè)0～1的隨機(jī)數(shù)p1，在給定變異概率pm的條件下，如果p1

6)逐代進(jìn)化。循環(huán)計(jì)算適應(yīng)度，由交叉和變異操作產(chǎn)生新的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)組合，返回到步驟2)。進(jìn)化結(jié)束時(shí)，種群中適應(yīng)度最大的參數(shù)組合即為循環(huán)神經(jīng)網(wǎng)絡(luò)的最佳參數(shù)組合。

圖1 基于遺傳算法優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)技術(shù)路線Fig.1 Technology road map of recurrent neural network optimized by genetic algorithm

2 滑坡時(shí)序位移預(yù)測(cè)實(shí)例

2.1 示范實(shí)驗(yàn)區(qū)滑坡概況與監(jiān)測(cè)信息

黑方臺(tái)位于甘肅省永靖縣鹽鍋峽鎮(zhèn)，是我國典型且近年最為頻發(fā)的黃土滑坡災(zāi)害域之一。黑方臺(tái)為典型黃土塬地貌，其上堆積有離石黃土和馬蘭黃土。離石黃土在臺(tái)塬北部堆積而在臺(tái)塬南部則無大量堆積。馬蘭黃土在研究區(qū)內(nèi)分布廣泛，堆積厚度約為25～50 m。粘土層(4～17 m)結(jié)構(gòu)致密，具有弱透水性，其下為卵礫石層(2～5 m)，透水性較好，最下層為單斜構(gòu)造的砂質(zhì)泥巖[13]。本文所選典型滑坡體黨川6#位于永靖縣西北向約25 km的黑方臺(tái)臺(tái)塬南側(cè)，黑方臺(tái)曾發(fā)生過多起滑坡災(zāi)害事件，本次滑塌事件發(fā)生于2019-03-26。

為精細(xì)刻畫出滑坡體運(yùn)動(dòng)變形過程，依據(jù)切線角判別法作為滑坡階段演變的劃分依據(jù)。對(duì)HF08北斗監(jiān)測(cè)偏移量進(jìn)行分析發(fā)現(xiàn)，黨川6#滑坡體是一個(gè)較典型的漸變破壞型滑坡體。滑坡體從2018-11-03～2019-01-24為等速變形階段(α≈45°)，2019-01-25～03-12為初加速變形階段(45°<α<80°)，2019-03-13～03-24為中加速變形階段(α≥80°)，2019-03-25起滑坡則進(jìn)入臨滑階段[14]。

鑒于研究區(qū)域滑坡災(zāi)害具有多發(fā)性，長安大學(xué)空間定位與災(zāi)害監(jiān)測(cè)研究所在該區(qū)域建設(shè)了由12個(gè)北斗監(jiān)測(cè)站組成的滑坡位移實(shí)時(shí)監(jiān)測(cè)網(wǎng)絡(luò)(基準(zhǔn)點(diǎn)為HF01)，此外還布設(shè)了12個(gè)位移計(jì)監(jiān)測(cè)點(diǎn)(圖2)。

HF**為北斗監(jiān)測(cè)站，DCF**為位移計(jì)監(jiān)測(cè)站，白色虛線框代表黨川6#典型滑坡體圖2 黑方臺(tái)黨川6#典型滑坡區(qū)域監(jiān)測(cè)站點(diǎn)分布Fig.2 Distribution of monitoring stations of 6# typical landslide in Dangchuan, Heifangtai

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)位移預(yù)測(cè)分析

本文以黨川6#滑坡體2019-03-26滑塌事件為例，選取該滑坡體上HF08北斗監(jiān)測(cè)站和DCF10位移計(jì)監(jiān)測(cè)數(shù)據(jù)，數(shù)據(jù)段均為2018-10-25～2019-03-25，數(shù)據(jù)采樣間隔為1 h，經(jīng)聚合運(yùn)算后轉(zhuǎn)換為間隔1 d的時(shí)間序列，最終獲得的位移計(jì)與北斗監(jiān)測(cè)數(shù)據(jù)均為152期。需要說明的是，DCF10位移計(jì)監(jiān)測(cè)的是滑坡體的后緣裂縫寬度變化，位移計(jì)累積位移的量值在2019-01-14為11.43 mm，2019-03-25為85.79 mm，2個(gè)時(shí)段位移計(jì)的累積位移變化了74.36 mm。HF08北斗監(jiān)測(cè)站監(jiān)測(cè)的是滑坡體E、N、U三個(gè)方向的位移，其中E方向累積位移量值在2019-01-14為-29.86 mm，2019-03-25為-94.67 mm，2個(gè)時(shí)間段累積位移變化了-64.81 mm；N方向累積位移量值在2019-01-14為-62.63 mm，2019-03-25為-190.91 mm，累積位移變化了-128.28 mm；U方向累積位移量值在2019-01-14為-97.86 mm，2019-03-25為-357.69 mm，累積位移變化了-259.83 mm。為同時(shí)對(duì)兩類滑坡時(shí)序監(jiān)測(cè)數(shù)據(jù)進(jìn)行高精度預(yù)測(cè)分析，將北斗三維監(jiān)測(cè)數(shù)據(jù)歸算至偏移量，并聯(lián)合位移計(jì)監(jiān)測(cè)獲得的滑坡后緣裂縫累積位移形成位移時(shí)間序列。位移時(shí)間序列進(jìn)行歸一化處理后，取前5 d的累積位移和偏移量作為訓(xùn)練輸入特征，第6 d的數(shù)據(jù)作為訓(xùn)練輸出結(jié)果。訓(xùn)練數(shù)據(jù)構(gòu)建成三維結(jié)構(gòu)，第1個(gè)維度為樣本數(shù)量(147個(gè))，第2個(gè)維度為樣本長度(5 d)，第3個(gè)維度為輸入特征維度(2類)；測(cè)試數(shù)據(jù)構(gòu)建成二維結(jié)構(gòu)，第1個(gè)維度為樣本數(shù)量(71個(gè))，第2個(gè)維度為輸出特征維度(2 d)；采用測(cè)試集作為驗(yàn)證集，每迭代一次使用驗(yàn)證集驗(yàn)證一次結(jié)果。

實(shí)驗(yàn)采用Keras-Sequential方法分別搭建SimpleRNN、LSTM、GRU三種循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，配置均方誤差作為損失函數(shù)，配置訓(xùn)練方法為自適應(yīng)矩估計(jì)(加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練)，配置自動(dòng)保存網(wǎng)絡(luò)權(quán)重參數(shù)。循環(huán)神經(jīng)網(wǎng)絡(luò)一般很少超過3層。記憶體數(shù)量太少或太多均會(huì)導(dǎo)致模型的預(yù)測(cè)精度降低，而記憶體數(shù)量越多則網(wǎng)絡(luò)規(guī)模越大，網(wǎng)絡(luò)權(quán)重參數(shù)越多，模型訓(xùn)練時(shí)間也就越長。因此，基于實(shí)測(cè)數(shù)據(jù)經(jīng)多次測(cè)試后，本文構(gòu)建3種循環(huán)神經(jīng)網(wǎng)絡(luò)模型時(shí)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)(神經(jīng)網(wǎng)絡(luò)的層數(shù)及記憶體數(shù)量)均設(shè)置為[2，10，10，0]。

基于黨川6#滑坡體的HF08北斗監(jiān)測(cè)偏移量和DCF10位移計(jì)監(jiān)測(cè)累積位移，首先采用SimpleRNN、LSTM、GRU三種循環(huán)神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練和預(yù)測(cè)，訓(xùn)練過程中，循環(huán)核按時(shí)間步展開，記憶體根據(jù)更新公式進(jìn)行刷新，最后循環(huán)核提取滑坡位移數(shù)據(jù)的時(shí)間特征后將其送入全連接網(wǎng)絡(luò)。經(jīng)30次迭代后，3種神經(jīng)網(wǎng)絡(luò)均收斂，模型預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果對(duì)比如圖3所示。

圖3 3種循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)值與觀測(cè)值對(duì)比Fig.3 Comparison of prediction and observation results of the three kinds of recurrent neural network models

從圖3可看出，3種循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)滑坡的等速和大部分初加速變形趨勢(shì)整體上能進(jìn)行較好的預(yù)測(cè)，但在部分滑坡初加速、中加速和臨滑變形階段則相差較大，GRU整體的預(yù)測(cè)效果相比SimpleRNN與LSTM略好。

由表1可定量看出，SimpleRNN(HF08)、SimpleRNN(DCF10)預(yù)測(cè)均方根誤差分別為18.2 mm、5.3 mm；LSTM(HF08)、LSTM(DCF10)預(yù)測(cè)均方根誤差分別為10.6 mm、4.4 mm，可見LSTM在解決長時(shí)序預(yù)測(cè)問題上較SimpleRNN具有優(yōu)勢(shì)；而GRU(HF08)、GRU(DCF10)預(yù)測(cè)均方根誤差僅分別為7.9 mm、3.2 mm。此外，計(jì)算得到LSTM網(wǎng)絡(luò)權(quán)重參數(shù)總量為1 371，而GRU網(wǎng)絡(luò)權(quán)重參數(shù)總量則為1 091，表明GRU網(wǎng)絡(luò)中的參數(shù)較LSTM少，這也與GRU網(wǎng)絡(luò)模型復(fù)雜度較LSTM更低、訓(xùn)練速度更快、收斂時(shí)間更短且預(yù)測(cè)精度更高的優(yōu)異性能相符。

表1 3種循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)HF08北斗與DCF10位移計(jì)位移時(shí)序預(yù)測(cè)精度對(duì)比

2.3 基于GA優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)高精度位移預(yù)測(cè)分析

當(dāng)前對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)中參數(shù)的選取多是憑經(jīng)驗(yàn)進(jìn)行手動(dòng)調(diào)參或是采用效率低下的網(wǎng)格搜索法，這些做法主要有兩點(diǎn)弊端：一是計(jì)算效率低下，二是建立的網(wǎng)絡(luò)魯棒性差。因此，本文進(jìn)一步基于§1.4優(yōu)化策略引入遺傳算法改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)，使其具有自動(dòng)調(diào)參功能。

在執(zhí)行遺傳算法時(shí)有4個(gè)參數(shù)需提前設(shè)定，這些參數(shù)一般在以下區(qū)間內(nèi)進(jìn)行設(shè)置：群體大小為20～100，交叉概率為0.4～0.99，變異概率為0.000 1～0.1，進(jìn)化代數(shù)為10～500。上述4個(gè)參數(shù)的設(shè)置均會(huì)影響到網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)以及計(jì)算效率等，如種群規(guī)模太小進(jìn)行交叉操作時(shí)會(huì)產(chǎn)生低效的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，規(guī)模太大則難以收斂；交叉概率太小也不能有效更新參數(shù)庫且易導(dǎo)致有效參數(shù)迅速丟失，交叉概率太大則易破壞現(xiàn)有參數(shù)庫且會(huì)破壞已找到的較優(yōu)解；進(jìn)化代數(shù)太小會(huì)導(dǎo)致算法不易收斂，進(jìn)化代數(shù)太大又會(huì)浪費(fèi)計(jì)算資源。因此，本文基于實(shí)測(cè)數(shù)據(jù)經(jīng)多次測(cè)試，應(yīng)用遺傳算法進(jìn)行參數(shù)尋優(yōu)時(shí)最終設(shè)置如下：種群個(gè)體為40，交叉概率為0.5，變異概率為0.1，進(jìn)化代數(shù)為20，記憶體數(shù)量搜索范圍為10～50，變異范圍為50～100[15]。

經(jīng)遺傳算法優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參，僅在20次種群進(jìn)化后3種循環(huán)神經(jīng)網(wǎng)絡(luò)算法在搜索空間即能快速找到最優(yōu)解(對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的層數(shù)及最佳記憶體數(shù)量)：遺傳算法對(duì)SimpleRNN、LSTM與GRU分別進(jìn)行優(yōu)化后得到的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)分別為[2，24，10，0]、[3，19，24，47]與[3，21，18，36]。圖4顯示，GA-SimpleRNN的種群平均適應(yīng)度在進(jìn)化中從121.71逐漸上升至191.92，GA-LSTM從28.34逐漸上升至209.05，GA-GRU則從780.86逐漸上升至1 048.04。基于遺傳算法改進(jìn)的3種循環(huán)神經(jīng)網(wǎng)絡(luò)種群平均適應(yīng)度變化曲線整體均呈現(xiàn)上升趨勢(shì)，這種特性體現(xiàn)了種群在進(jìn)化中經(jīng)過了優(yōu)勝劣汰(輪盤賭法)、交叉、變異的算法優(yōu)化過程。

圖4 基于遺傳算法改進(jìn)的3種循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型種群平均適應(yīng)度變化曲線Fig.4 Variation curves of population average fitness based on the three types of recurrent neural network models optimized by genetic algorithm

利用遺傳算法搜索得到的最優(yōu)參數(shù)分別重新訓(xùn)練3種循環(huán)神經(jīng)網(wǎng)絡(luò)，優(yōu)化后3種模型的預(yù)測(cè)結(jié)果與監(jiān)測(cè)結(jié)果對(duì)比如圖5所示。

圖5 基于遺傳算法優(yōu)化后3種循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)值與觀測(cè)值對(duì)比Fig.5 Comparison of prediction and observation results of the three kinds of recurrent neural network models optimized by genetic algorithm

對(duì)比圖3和圖5可明顯看出，基于遺傳算法優(yōu)化后的3種循環(huán)神經(jīng)網(wǎng)絡(luò)較優(yōu)化前對(duì)滑坡變形趨勢(shì)無論在滑坡初加速與中加速變形，還是加速變形階段均表現(xiàn)出更優(yōu)的預(yù)測(cè)性能，特別是GA-GRU模型預(yù)測(cè)值與觀測(cè)值相關(guān)系數(shù)達(dá)到0.99。

對(duì)比表1和表2可以直觀定量地看出，遺傳算法優(yōu)化后的3種循環(huán)神經(jīng)網(wǎng)絡(luò)整體預(yù)測(cè)性能均較優(yōu)化前有顯著提升，其中GA-SimpleRNN(HF08)、GA-SimpleRNN(DCF10)預(yù)測(cè)的均方根誤差分別為7.2 mm、3.0 mm，較優(yōu)化前的SimpleRNN(HF08)與SimpleRNN(DCF10)分別減少11.0 mm與2.3 mm；GA-LSTM(HF08)、GA-LSTM(DCF10)預(yù)測(cè)的均方根誤差分別為6.9 mm、2.3 mm，較優(yōu)化前的LSTM(HF08)與LSTM(DCF10)分別減少3.7 mm與2.1 mm；GA-GRU(HF08)、GA-GRU(DCF10)預(yù)測(cè)的均方根誤差僅分別為3.1 mm、1.7 mm，較優(yōu)化前的GRU(HF08)與GRU(DCF10)分別減少4.8 mm與1.5 mm。

表2 基于遺傳算法優(yōu)化后3種循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)時(shí)間序列的預(yù)測(cè)精度對(duì)比

為進(jìn)一步展示遺傳算法優(yōu)化后的3種循環(huán)神經(jīng)網(wǎng)絡(luò)在位移計(jì)與北斗監(jiān)測(cè)時(shí)序位移預(yù)測(cè)中的突出優(yōu)勢(shì)，綜合給出神經(jīng)網(wǎng)絡(luò)優(yōu)化前后模型預(yù)測(cè)精度對(duì)比柱狀圖(圖6)。由圖可見，優(yōu)化后的3種循環(huán)神經(jīng)網(wǎng)絡(luò)無論在位移計(jì)還是在北斗監(jiān)測(cè)時(shí)序位移的預(yù)測(cè)中其預(yù)測(cè)性能均有顯著提升，其中GA-GRU相較于GA-SimpleRNN與GA-LSTM在滑坡位移時(shí)間序列預(yù)測(cè)中表現(xiàn)出更優(yōu)的預(yù)測(cè)性能。

圖6 遺傳算法優(yōu)化前后的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)比Fig.6 Comparison chart of recurrent neural network prediction models before and after genetic algorithm optimization

3 結(jié) 語

本文針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型存在的預(yù)測(cè)精度低，特別是調(diào)參困難的突出問題，通過引入遺傳算法用于改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù)的自動(dòng)化最優(yōu)選取，構(gòu)建出GA-SimpleRNN、GA-LSTM和GA-GRU三種改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并將其成功應(yīng)用于我國典型黃土滑坡區(qū)域黑方臺(tái)黨川6#滑坡體形變時(shí)間序列高精度預(yù)測(cè)研究，取得主要結(jié)論如下：

1)遺傳算法可對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)層數(shù)及每層網(wǎng)絡(luò)記憶體數(shù)量進(jìn)行隨機(jī)搜索且自動(dòng)確定出最佳參數(shù)組合，從而優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，顯著提高網(wǎng)絡(luò)預(yù)測(cè)性能。

2)3種基于遺傳算法改進(jìn)后的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)均方誤差、均方根誤差、平均絕對(duì)誤差均較改進(jìn)前循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度更高，特別是GA-GRU模型預(yù)測(cè)精度最優(yōu)，更加適用于滑坡長時(shí)間時(shí)序位移的高精度預(yù)測(cè)。

本文構(gòu)建出一種主要針對(duì)滑坡時(shí)序監(jiān)測(cè)位移的改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，但在實(shí)際中影響滑坡高精度預(yù)測(cè)的因素極為繁雜。隨著深度學(xué)習(xí)算法研究的不斷發(fā)展，結(jié)合滑坡多源監(jiān)測(cè)數(shù)據(jù)、先進(jìn)深度學(xué)習(xí)算法、滑坡外部多環(huán)境影響因素及滑坡自身地質(zhì)條件的滑坡災(zāi)害綜合高精度預(yù)測(cè)模型將是本文下一步重點(diǎn)研究方向。