《表2 不同模型的累积位移预测误差》
由表2可见,在相加了趋势项位移的累积预测结果后,相较于基于网格搜索寻优支持向量回归机(GS-SVR)和遗传算法寻优支持向量回归机(GA-SVR)的预测,粒子群寻优支持向量回归机(PSO-SVR)结果的RMSE和MAPE均为最小,而且R2最大,R2为0.89801,表明预测值与观测值具有极强的相关性,即PSO-SVR模型在经过KPCA分析后是最佳预测模型,并且该方法在分析影响因子对滑坡位移的变形影响作用中,具有极好的预测及泛化能力。从而证实了在参数优化算法中,PSO算法对白水河滑坡预测的参数优化明显优于传统的网格搜索法和遗传算法。同时,由于DES兼容了全期平均和移动平均所长,通过定权的方式决定观测数据的贡献量,不舍弃过去的数据,使得其预测结果的收敛性明显优于多项式拟合。综合以上分析可知,本文所提出的滑坡组合优化预测模型具有很好的预测能力,滑坡位移预测效果可靠性高。
图表编号 | XD00189039100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 罗袆沅、蒋亚楠、许强、唐斌 |
绘制单位 | 成都理工大学地球科学学院、成都理工大学地球科学学院、成都理工大学地质灾害防治与地质环境保护国家重点实验室、成都理工大学地质灾害防治与地质环境保护国家重点实验室、成都理工大学地球科学学院 |
更多格式 | 高清、无水印(增值服务) |