王晨輝，趙貽玖，郭 偉，孟慶佳，李 濱

1. 電子科技大學(xué)自動化工程學(xué)院，四川 成都 611731； 2. 中國地質(zhì)調(diào)查局水文地質(zhì)環(huán)境地質(zhì)調(diào)查中心，河北 保定 071051； 3. 自然資源部地質(zhì)環(huán)境監(jiān)測工程技術(shù)創(chuàng)新中心，河北 保定 071051； 4. 中國地質(zhì)科學(xué)院地質(zhì)力學(xué)研究所，北京 100081

滑坡是世界上地質(zhì)災(zāi)害最嚴(yán)重的類型之一[1-2]，受限于不同的地質(zhì)環(huán)境條件，諸多影響因素會導(dǎo)致滑坡發(fā)生，預(yù)測滑坡變形及形變演化過程是一項艱巨且富有挑戰(zhàn)的關(guān)鍵任務(wù)[3]?；碌难莼^程是一個復(fù)雜的多種影響因素疊加的非線性過程[4]，因此，利用滑坡長時間位移監(jiān)測數(shù)據(jù)可以形象表示滑坡發(fā)生的非線性位移動態(tài)行為特征。對于滑坡監(jiān)測預(yù)警及預(yù)測來說，滑坡位移預(yù)測是滑坡災(zāi)害監(jiān)測預(yù)警系統(tǒng)的重要組成部分之一[5-6]，如何設(shè)計行之有效的滑坡變形監(jiān)測和預(yù)測方法，有助于了解滑坡災(zāi)害失穩(wěn)過程及形變特征，有利于減少滑坡給人類生命財產(chǎn)安全和基礎(chǔ)設(shè)施帶來風(fēng)險[7-8]。

滑坡發(fā)生運動最主要的外在特征體現(xiàn)在滑坡重點形變區(qū)域位移的不斷變化，對滑坡位移變形開展實時動態(tài)監(jiān)測和形變預(yù)測顯得至關(guān)重要。研究人員對滑坡位移預(yù)測開展了諸多研究，將多種數(shù)學(xué)模型用于預(yù)測滑坡位移，主要包括歷史經(jīng)驗?zāi)Ｐ?、?shù)學(xué)統(tǒng)計模型、非線性模型和綜合耦合模型。

(1) 歷史經(jīng)驗?zāi)Ｐ?。通過開展現(xiàn)場滑坡實時監(jiān)測和實驗室室內(nèi)模型試驗來獲取長期大量的滑坡不間斷位移形變監(jiān)測數(shù)據(jù)，主要的經(jīng)驗?zāi)Ｐ桶S藤模型、Crosta和Agliardi模型[9-10]。

(2) 數(shù)學(xué)統(tǒng)計模型。通過數(shù)學(xué)統(tǒng)計方法設(shè)計滑坡位移預(yù)測模型。典型的數(shù)學(xué)統(tǒng)計模型包括灰色系統(tǒng)模型[11]、灰色位移矢量角模型[12]、基于斜坡斜率變化的滑坡預(yù)測模型[9]。

(3) 非線性模型。通過非線性理論，包括突變理論[13]和協(xié)同理論[14]，此類模型包括傳統(tǒng)方式的非線性模型[15-16]、支持向量回歸模型[17]、BP和Elman神經(jīng)網(wǎng)絡(luò)模型[15,18-21]。

(4) 綜合耦合模型。近年來，綜合多種機器學(xué)習(xí)的復(fù)雜模型被用于預(yù)測滑坡災(zāi)害，這些模型主要結(jié)合雨量、位移、庫水位來進行滑坡預(yù)測。例如，基于移動平均線的自回歸綜合模型用于預(yù)測滑坡位移變形[22-23]。經(jīng)驗?zāi)B(tài)分解模型[24]和集成經(jīng)驗?zāi)B(tài)分解[19,25]，通過長時間序列基于LSTM模型來預(yù)測滑坡位移形變[26]。

綜上所述，研究人員利用多種模型實現(xiàn)了對滑坡位移的形變預(yù)測，但是上述模型也存在一些不足和缺點。歷史經(jīng)驗?zāi)Ｐ托枰ㄟ^大量的真實數(shù)據(jù)或蠕變試驗來驗證模型的準(zhǔn)確性，只有合適的應(yīng)用場景滑坡位移才能得到較好的預(yù)測，因此經(jīng)驗?zāi)Ｐ途哂袊?yán)格的應(yīng)用適用條件限制；統(tǒng)計學(xué)模型在一定程度上解決了一些物理機制相對復(fù)雜的滑坡形變，對于單個影響因素的滑坡監(jiān)測效果較好，但是對多重影響因素的統(tǒng)計學(xué)模型并不能較好地解決問題；神經(jīng)網(wǎng)絡(luò)等非線性模型具有良好的預(yù)測性能，但是非線性模型存在收斂速度慢且容易陷入局部極小值問題。

綜合耦合模型有助于從多個模型角度出發(fā)實現(xiàn)對滑坡位移預(yù)測，在一定條件下提高了滑坡位移預(yù)測的準(zhǔn)確率，例如采用EEMD方法可以消除長時間監(jiān)測數(shù)據(jù)存在的模態(tài)混合問題[25,27]，該方法根據(jù)監(jiān)測數(shù)據(jù)本身的時間尺度特征進行數(shù)據(jù)分解，非常適用于各種數(shù)據(jù)趨勢項的提取分解。通過EEMD方法進行分解來獲取各個監(jiān)測子序列的不同頻率特征，利用EEMD方法可以探討研究誘發(fā)滑坡位移發(fā)生變形的局部特征，探索蠕變性滑坡在降雨情況下是否會對滑坡的變形發(fā)生重要的影響作用，可以有效避免采用原始位移數(shù)據(jù)所遇到的非線性和隨機性問題。支持向量回歸(SVR)對于處理非線性數(shù)據(jù)具有很大的靈活性，利用SVR模型有助于解決非線性回歸問題?；谝陨戏治?，本文研究通過EEMD-SVR方法來構(gòu)建滑坡位移預(yù)測模型，通過EEMD方法提取滑坡位移數(shù)據(jù)的趨勢項和周期項，結(jié)合降雨誘發(fā)因素，通過SVR模型采用高斯核函數(shù)實現(xiàn)對滑坡位移監(jiān)測數(shù)據(jù)的有效預(yù)測。

該模型參數(shù)設(shè)置方便靈活、易于實現(xiàn)且運算效率高，可以有效控制滑坡位移預(yù)測中非線性局部最小值導(dǎo)致的預(yù)測效果不佳等問題。本文以貴州水城區(qū)發(fā)耳鎮(zhèn)尖山營滑坡為例，通過分析滑坡內(nèi)部孕育發(fā)展運動過程和外部環(huán)境因素，綜合考慮滑坡位移、降雨量和預(yù)測數(shù)據(jù)在內(nèi)的長時間監(jiān)測序列集來構(gòu)建滑坡預(yù)測模型，通過建立預(yù)測模型性能評價指標(biāo)，將預(yù)測結(jié)果與測試樣本進行對比，再與Elman神經(jīng)網(wǎng)絡(luò)、支持向量機(SVR)模型分別對比分析，從而驗證EEMD-SVR模型的有效性和準(zhǔn)確性，實現(xiàn)對滑坡位移的精準(zhǔn)預(yù)測，有效提高滑坡位移預(yù)測的準(zhǔn)確率。

1 EEMD-SVR位移預(yù)測模型構(gòu)建

1.1 集合經(jīng)驗?zāi)B(tài)分解(EEMD)

文獻[28]提出的本征模函數(shù)(intrinsic mode function，IMF)概念，認(rèn)為任何時間序列都可以通過經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)方法分解為多個IMF和一個趨勢量。該文獻提出的基于篩分(sifting)算法的EMD得到的IMF分量存在模態(tài)混疊(mode mixing，MM)。模態(tài)混疊的出現(xiàn)不僅會導(dǎo)致錯假的時頻分布，也使IMF失去物理意義，還存在端點效應(yīng)、篩分迭代停止標(biāo)準(zhǔn)等問題。文獻[29]提出一種噪聲輔助信號分析方法—集合經(jīng)驗?zāi)B(tài)分解(ensemble EMD，EEMD)，主要目的是在原始序列中加入高斯白噪聲信號以消除模態(tài)混疊現(xiàn)象。以裂縫傳感器獲取到的監(jiān)測數(shù)據(jù)為例說明EEMD算法步驟[30]：假定傳感器節(jié)點每次采集L個監(jiān)測數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，設(shè)置長度為N的訓(xùn)練窗口，采用先進先出結(jié)構(gòu)每次更新數(shù)據(jù)為ΔL個數(shù)據(jù)，xh(t)為第h個滑動窗口的數(shù)據(jù)。具體步驟如下。

(1) 在原始數(shù)據(jù)序列xh(t)中加入高斯白噪聲信號n(t)為，得到新序列

(1)

(2) 根據(jù)數(shù)據(jù)序列求解極大值點構(gòu)成的上包絡(luò)線(max0(t))和極小值點構(gòu)成的下包絡(luò)線(min0(t))，上、下包絡(luò)線均值為mean0(t)，數(shù)據(jù)序列減去均值曲線為

(2)

(3) 判斷d0(t)是否滿足IMF要求，若滿足，則d0(t)為IMF；否則，記d0(t)為xh(t)重復(fù)步驟(1)—步驟(2)直至得到第1個IMF，記為c1(t)。

1.2 支持向量回歸

支持向量回歸(support vector regression,SVR)是支持向量機(support vector machine,SVM)對回歸問題的一種運用場景。SVM是一種基于統(tǒng)計學(xué)習(xí)VC維(Vapnik-Chervonenkis dimension)和結(jié)構(gòu)風(fēng)險最小化理論的監(jiān)督學(xué)習(xí)分類技術(shù)，是一種二類分類模型，主要解決特征空間上間隔最大的線性分類問題，而對于線性不可分問題，利用核函數(shù)將低維數(shù)據(jù)映射到高維空間，從而將低維空間上的線性不可分問題轉(zhuǎn)化為高維空間上的線性可分問題，通過求解再映射回到低維空間。

支持向量機可以有效解決小樣本、非線性和高維數(shù)問題，并且能克服神經(jīng)網(wǎng)絡(luò)在處理非線性問題上的缺陷[24,31]，SVR通過SVM來對曲線進行擬合從而實現(xiàn)數(shù)據(jù)的回歸分析。SVR主要操作步驟為：給定訓(xùn)練樣本D，希望學(xué)得一個回歸模型f(x)與y盡可能接近。其中

D={(x1,y1),(x2,y2),…,(xm,ym)}yi∈R

(3)

f(x)=wT+b

(4)

式中，w、b是待確定的參數(shù)。在這個模型中，只有當(dāng)f(x)與y完全相同時，損失才為零，而支持向量回歸假設(shè)能容忍的f(x)與y之間最多有ε的偏差，當(dāng)且僅當(dāng)f(x)與y的差別絕對值大于ε時，才計算損失，此時相當(dāng)于以f(x)為中心，構(gòu)建一個寬度為2ε的間隔帶，若訓(xùn)練樣本落入此間隔帶，則被認(rèn)為是預(yù)測正確的。

1.3 EEMD-SVR位移預(yù)測模型構(gòu)建

為了對發(fā)耳尖山營發(fā)生的滑坡位移進行詳細(xì)分析，通過EEMD將位移監(jiān)測數(shù)據(jù)分解為趨勢項、周期項，考慮到滑坡位移發(fā)生的因素是多種原因?qū)е?，尤其考慮到降雨因素、人工擾動因素及地下采礦等外界因素，本文研究結(jié)合EEMD-SVR模型分別對位移的趨勢項、周期項和位移累計監(jiān)測數(shù)據(jù)分別做預(yù)測分析[32]，方法流程圖如圖1所示。

圖1 EEMD-SVR模型流程Fig.1 Flowchart of EEMD-SVR model

1.4 位移預(yù)測模型性能評估

為了分析研究位移監(jiān)測數(shù)據(jù)模型的預(yù)測能力，采用評估指數(shù)來分析位移預(yù)測性能，主要包括均方根誤差(root mean squared error，RMSE)、平均絕對誤差(mean absolute error，MAE)、平均絕對百分比誤差(mean absolute percentage error，MAPE)、決定系數(shù)(coefficient of determination，R2)。

RMSE是預(yù)測值與位移監(jiān)測數(shù)據(jù)真實值偏差的平方與樣本數(shù)據(jù)n比值的平方根，計算公式為

(5)

MAE是觀測值與真實值的誤差絕對值的平均值，計算公式為

(6)

上述兩個指數(shù)可以較好地反映預(yù)測模型的精確度，主要用來描述預(yù)測值與真實值的誤差情況。

MAPE主要用來對預(yù)測方法的預(yù)測精度進行度量，通常以百分?jǐn)?shù)表示準(zhǔn)確性，計算公式為

(7)

R2主要用來判斷預(yù)測模型的好壞，其取值范圍為[0,1]，R2越大，表示預(yù)測模型效果越好

(8)

2 應(yīng)用研究與方法對比

2.1 研究區(qū)地質(zhì)概況

尖山營滑坡位于貴州省六盤水市水城區(qū)發(fā)耳鎮(zhèn)西北部，地處貴州高原西部，地形跌宕起伏，切割強烈，屬于構(gòu)造侵蝕而成的低中山至中低山地貌。該滑坡在地形上表現(xiàn)為東南側(cè)高，西北側(cè)低；滑坡邊界在平面上呈不規(guī)則的半圓形狀，包括尖山營陡崖及其下方緩平臺區(qū)，不穩(wěn)定斜坡變形區(qū)前緣高程范圍為1040～1120 m，后緣高程范圍為1380～1502 m，高差約483 m，斜坡體后壁近于陡立，前緣坡度約63°。在該滑坡共部署5套監(jiān)測設(shè)備，編號分別為EI19001—EI19005，采用LoRa+4G方式采集現(xiàn)場傳感器數(shù)據(jù)，EI19001作為網(wǎng)關(guān)節(jié)點負(fù)責(zé)監(jiān)測該滑坡區(qū)域內(nèi)降雨量情況，此外還負(fù)責(zé)獲取現(xiàn)場其他終端節(jié)點的裂縫傳感器監(jiān)測數(shù)據(jù)，EI19002—EI19005作為終端節(jié)點負(fù)責(zé)監(jiān)測該滑坡區(qū)域內(nèi)4處關(guān)鍵地表裂縫的變化情況，監(jiān)測設(shè)備部署示意如圖2所示。

圖2 監(jiān)測設(shè)備部署Fig.2 Deployment diagram of monitoring equipment

2.2 滑坡監(jiān)測數(shù)據(jù)

4個裂縫位移監(jiān)測點分別設(shè)置在滑坡主要裂縫形變區(qū)域，通過LoRa無線自組網(wǎng)通信方式準(zhǔn)確可靠地獲取滑坡監(jiān)測數(shù)據(jù)，分別設(shè)置低功耗變頻工作模式和采集觸發(fā)工作模式，低功耗變頻工作模式時，微處理器主頻由16 MHz降至65 KHz，設(shè)備功能模塊定時上傳監(jiān)測數(shù)據(jù)；采集觸發(fā)工作模式時，微處理器打開實時監(jiān)聽模式實時監(jiān)測裂縫變化情況，一旦超過預(yù)定閾值即可啟動數(shù)據(jù)通信接口上傳位移監(jiān)測數(shù)據(jù)。

本文選取2020年7月6日—2020年10月30日的監(jiān)測數(shù)據(jù)開展分析研究。初步設(shè)置系統(tǒng)的工作模式為定時回傳間隔為1 h一條，同時開啟數(shù)據(jù)采集端口觸發(fā)回傳模式，雨量觸發(fā)回傳閾值設(shè)為0.2 mm，位移觸發(fā)回傳閾值設(shè)為20 mm。雨量、裂縫位移綜合分析曲線圖如圖3所示。為了探究降雨量與滑坡裂縫位移變化的響應(yīng)關(guān)系，以降雨周期內(nèi)位移變化作為數(shù)據(jù)的研究樣本，通過構(gòu)建訓(xùn)練集和測試集來分別預(yù)測在有降雨和無降雨情況下位移的變化情況。

圖3 雨量和位移綜合分析曲線Fig.3 Comprehensive analysis curve of rainfall and displacement

2.3 EEMD-SVR滑坡位移預(yù)測模型

在EEMD-SVR模型中，主要利用EEMD方法將滑坡累計位移分解為趨勢項和周期項[33-34]，通過對滑坡裂縫位移的變形特征分析，滑坡于2020年7月6日開始出現(xiàn)位移變形，故選取2020年7月6日—2020年10月30日的117 d監(jiān)測數(shù)據(jù)開展數(shù)據(jù)分析，選取2020年7月6日—2020年10月10日的97 d監(jiān)測數(shù)據(jù)作為訓(xùn)練集，選取2020年10月11日—2020年10月30日的20 d作為測試數(shù)據(jù)驗證預(yù)測模型?？紤]到影響滑坡位移變形主要包括滑坡內(nèi)在條件和外界因素，趨勢項代表滑坡長期內(nèi)動力下的變形趨勢，周期項代表滑坡可能受到外界降雨因素作用下的動力響應(yīng)[32,35]。

首先利用EEMD對滑坡累計位移進行分解，圖4代表EI19003設(shè)備累計位移分解后的趨勢項和周期項。周期項位移主要發(fā)生在7～9月，也是滑坡所在區(qū)域的降雨季節(jié)，這表明周期項位移的變化可能受到了強降雨因素的影響。

圖4 位移時間序列EEMD分解結(jié)果Fig.4 EEMD decomposition results of displacement time series

通過EEMD分解結(jié)果，觀察到IMF1到IMF5波動頻率依次降低，Residue為殘余分量。由于IMF1—IMF3頻率較高，波動幅度較小，可合并為滑坡位移的周期項，IMF4、IMF5相對較低，變化幅度相對較高，可以將IMF4和IMF5兩項合并為滑坡位移的趨勢項。嚴(yán)格意義上，EEMD分解結(jié)果的所有IMF之和并不等于原始位移，考慮到預(yù)測模型的準(zhǔn)確性，在本文中規(guī)定趨勢項=IMF4+IMF5，周期項=原始位移-趨勢項。

然后設(shè)置SVR模型的輸入變量，SVR模型輸入?yún)?shù)主要包括核函數(shù)、懲罰因子C和寬度系數(shù)γ，本文選取核函數(shù)為“rbf”，通過網(wǎng)格搜索函數(shù)(gridSearchCV)多次訓(xùn)練得到最佳懲罰因子C=100、寬度系數(shù)γ=0.01。綜合考慮滑坡內(nèi)在條件和外界降雨因素，SVR輸入變量的屬性設(shè)置為前t1d位移、前t2d降雨量，輸出為td的位移。t1和t2根據(jù)實際預(yù)測效果再進行天數(shù)調(diào)優(yōu)。例如，t1=2，t2=3時，表示輸入變量為t1-1、t1-2 d位移和t2-1、t2-2、t2-3 d的降雨量。為了觀察外界降雨因素對預(yù)測結(jié)果的影響，分別考慮有降雨量特征、無降雨量特征，連續(xù)預(yù)測1、10、20 d等6種情況下模型的預(yù)測情況。連續(xù)預(yù)測時采用滾動預(yù)測法，即將t時刻的預(yù)測位移作為t+1時刻的輸入特征。

圖5、圖6分別為t1=4、t2=7時EEMD-SVR模型對位移周期項的訓(xùn)練和測試結(jié)果。

圖5 EEMD-SVR模型對位移周期項的訓(xùn)練結(jié)果Fig.5 Training results of the periodic component using EEMD-SVR model

圖6 EEMD-SVR模型對滑坡位移周期項的預(yù)測結(jié)果Fig.6 Prediction results of the periodic component using EEMD-SVR model

圖7、圖8分別為EEMD-SVR模型對位移趨勢項的訓(xùn)練和測試結(jié)果。圖9為SVR模型對滑坡位移連續(xù)1、10、20 d情況下與原始位移的對比，由于連續(xù)滾動預(yù)測20 d包括連續(xù)預(yù)測10 d的數(shù)據(jù)，所以在曲線展示中連續(xù)10 d的預(yù)測曲線被隱藏在連續(xù)20 d的預(yù)測曲線中。

圖7 EEMD-SVR模型對位移趨勢項的訓(xùn)練結(jié)果Fig.7 Training results of the trend component using EEMD-SVR model

圖8 EEMD-SVR模型對位移趨勢項的預(yù)測結(jié)果Fig.8 Prediction results of the trend component using EEMD-SVR model

圖9 EEMD-SVR模型對位移測試集的預(yù)測結(jié)果Fig.9 Prediction results of displacement test set based on EEMD-SVR model

通過觀察滑坡整個數(shù)據(jù)集的預(yù)測結(jié)果(圖10)可知，EEMD-SVR模型表現(xiàn)出了比較好的擬合結(jié)果，誤差相對更低，證明該機器學(xué)習(xí)模型的穩(wěn)健性比較好。結(jié)果表明，EEMD-SVR機器學(xué)習(xí)模型能夠準(zhǔn)確預(yù)測尖山營滑坡的累積位移，具有較好的位移預(yù)測能力。

圖10 EEMD-SVR模型對整個數(shù)據(jù)集的預(yù)測結(jié)果Fig.10 Prediction results of total displacement set based on EEMD-SVR model

通過性能指標(biāo)評價對比分析(表1)，位移預(yù)測值與原始位移的絕對誤差均可以控制在1%之內(nèi)，基本可以反映出趨勢項和周期項的變化趨勢?？紤]到噪聲因素和模型訓(xùn)練的差異性，連續(xù)預(yù)測1、10、20 d在無降雨條件下相比降雨條件下RMSE、MAE、MAPE和R2均低于有降雨情況條件下，可以初步認(rèn)為考慮降雨量因素情況下對模型預(yù)測影響較小，說明該滑坡在降雨情況下對滑坡裂縫位移的影響較小。

表1 EEMD-SVR模型測試集模型性能評價

2.4 模型性能評估

采用2020年尖山營滑坡在雨季汛期內(nèi)的原始監(jiān)測數(shù)據(jù)通過EEMD-SVR模型進行學(xué)習(xí)預(yù)測，為了評價其預(yù)測性能，利用1.4節(jié)中的性能指標(biāo)來進行評價。在考慮有無降雨作用下，許多機器學(xué)習(xí)模型(如SVR和Elman)可以提供令人滿意的預(yù)測性能[24,36]。為了驗證所提方法的有效性和科學(xué)意義，各種模型之間的準(zhǔn)確性比較是至關(guān)重要的[37-38]，各模型配置參數(shù)如下：EEMD-SVR和SVR模型中的懲罰因子C=100、寬度系數(shù)γ=0.01，Elman模型中的迭代次數(shù)maxgen=50、種群規(guī)模sizepop=40、交叉概率pcross=0.7、變異概率pmutation=0.01。圖11為2020年雨季汛期內(nèi)無降雨條件下不同機器學(xué)習(xí)模型預(yù)測值與真實值的對比。

圖11 EEMD-SVR和SVR、Elman模型對原始位移與預(yù)測位移的對比分析Fig.11 Comparative analysis of EEMD-SVR, SVR and Elman models on original and predicted displacement

表2為EEMD-SVR和SVR、Elman模型的測試集預(yù)測性能的不同評價標(biāo)準(zhǔn)。本文由于涉及到的監(jiān)測數(shù)據(jù)規(guī)模相對較小，結(jié)果表明，SVR和Elman模型在滑坡位移預(yù)測中表現(xiàn)出了一定的預(yù)測性能，但是經(jīng)過EEMD分解之后的SVR模型比單一模型具有更好的預(yù)測性能，其預(yù)測結(jié)果更接近于原始位移監(jiān)測值。由表2可知，EEMD-SVR連續(xù)1 d預(yù)測測試集的RMSE是0.648 mm，MAPE是0.518%，均低于其他單一模型。說明EEMD-SVR模型在該類地形的位移預(yù)測表現(xiàn)更佳?？傮w而言，基于EEMD-SVR的綜合耦合模型在該滑坡位移預(yù)測方面優(yōu)于單一模型，具有較好的預(yù)測性能，可以滿足一般的工程應(yīng)用需求。

表2 各種模型測試集預(yù)測結(jié)果性能評價

3 討論和結(jié)論

本文選取貴州省巖溶山區(qū)一處典型滑坡為研究對象，通過對滑坡位移變形特征的分析，采用機器學(xué)習(xí)模型來預(yù)測滑坡位移的下一步變形趨勢，該模型基于EEMD分解和SVR模型，預(yù)先考慮滑坡位移的動態(tài)變化可能會受到降雨季節(jié)的影響，通過EEMD將滑坡累計位移分為趨勢項和周期項，然后利用SVR模型分別對趨勢項和周期項進行了預(yù)測分析，然后將兩個分量之和計為滑坡累計總的預(yù)測位移。選取前t1d位移、前t2d降雨量作為SVR模型的輸入向量，分別預(yù)測在有降雨因素和無降雨因素下周期項和趨勢項的位移變形情況。

利用尖山營滑坡2020年雨季汛期內(nèi)的位移監(jiān)測數(shù)據(jù)，通過滑坡后20 d位移數(shù)據(jù)對模型進行驗證分析。通過預(yù)測結(jié)果表明，EEMD-SVR模型能夠準(zhǔn)確預(yù)測滑坡位移變形情況，通過性能評價指標(biāo)可以做出初步判斷，該滑坡在長期內(nèi)在條件作用下，短時間內(nèi)可能受降雨因素滑坡位移發(fā)生變化，但降雨因素對于長期位移預(yù)測影響較小?；贓EMD-SVR的綜合耦合模型表現(xiàn)均優(yōu)于其他單一模型，對比其他傳統(tǒng)的機器學(xué)習(xí)算法，EEMD-SVR模型可以深入了解滑坡位移變形與降雨量之間的關(guān)聯(lián)關(guān)系，對分析滑坡位移變形提供了可靠穩(wěn)定的技術(shù)手段，說明EEMD-SVR模型在該滑坡的位移預(yù)測表現(xiàn)更佳。同時，EEMD-SVR模型有較好的適用性和穩(wěn)健性，算法穩(wěn)定、解算效率高、性能突出、誤差較小，可以滿足工程實踐需要。EEMD-SVR模型結(jié)果表明，由于滑坡的動態(tài)變形過程會受到內(nèi)外因素的綜合影響，對不同影響因素采用不同的模型可以有效提高滑坡變形的預(yù)測精度。因此，在以后的工作中應(yīng)將引入其他更多的影響因素加入模型研究中，以此來進一步提高滑坡位移預(yù)測的準(zhǔn)確度和精確度。