In order to accurately predict the displacement of waste dump slope with small samples and nonlinear characteristics，an EEMD-HW-PSO-ELM slope displacement combined prediction model based on empirical mode decomposition method，cubic exponential smoothing method and particle swarm optimization limit learning machine was proposed.Taking the GPS displacement monitoring data of Yiminhe open pit waste dump as an example to verify the effectiveness of the model，the research results show that the time series of slope displacement decomposed by EEMD model includes four IMF components and one margin.The decomposed data is reconstructed into trend term and fluctuation term with clear physical meaning.The cubic exponential smoothing method and particle swarm optimization limit learning machine were selected to predict the displacement of trend term and fluctuation term respectively.The equal weight superposition value is the final prediction result.The average relative error of the prediction value is 0.38% and the root mean square error is 1.15.BP model and Elman model were selected for comparative prediction.The results show that the com-bined prediction model has good prediction effect and can provide a theoretical basis for safety management.
KANG Ensheng, ZHAO Zexi, MENG Haidong. Displacement Prediction of Dump Slope Based on EEMD-HW-PSO-ELM Coupling Model[J]. Gold Science and Technology, 2022, 30(4): 594-602 doi:10.11872/j.issn.1005-2518.2022.04.164
排土场滑坡地质灾害给矿山安全生产带来严重威胁。以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）。受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果。随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）。杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题。韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系。李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足。以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）。
相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）。经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）。然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）。集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）。针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）。
Research on theory and method of landslide early warning in open-pit mine
［J］.China Safety Science Journal，27（3）：163-168.
DengDongmei， LiangYe， WangLiangqing，et al，2017.
Displacement prediction method based on ensemble empirical mode decomposition and support vector machine regression—A case of landslides in Three Gorges Reservoir area
［J］.Rock and Soil Mechanics，38（12）：3660-3669.
DuJuan， YinKunlong， ChaiBo，2009.
Study of displacement prediction model of landslide based on response analysis of inducing factors
［J］.Chinese Journal of Rock Mechanics and Engineering，28（9）：1783-1789.
DuanGonghao， NiuRuiqing， ZhaoYannan，et al，2016.
Rainfall induced landslide prediction based on dynamic exponential smoothing model
［J］.Geomatics and Information Science of Wuhan University，41（7）：958-962.
Research on theory and method of landslide early warning in open-pit mine
0
2017
Displacement prediction method based on ensemble empirical mode decomposition and support vector machine regression—A case of landslides in Three Gorges Reservoir area
0
2017
Study of displacement prediction model of landslide based on response analysis of inducing factors
0
2009
Rainfall induced landslide prediction based on dynamic exponential smoothing model
1
2016
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
A hybrid EMD-SVR model for the short-term prediction of significant wave height
0
2016
Landslide displacement prediction based on surface monitoring data and nonlinear time series combination model
0
2018
Ｒesearch on LMD-BA-ELM-based model for nonlinear prediction of slope deformation time-series
0
2015
Extreme learning machine：Theory and applications
1
2006
... Huang et al.（2006）提出的极限学习机（ELM）是一种前馈神经网络算法，初始化过程随机确定输入权重和偏差，计算过程不需调整，由广义逆矩阵计算得到输出层权重，能够有效避免过拟合现象和局部最优现象.相比传统的梯度下降算法，该模型对非线性数据的训练速度和精度大大提高（Zhang et al.，2015；李彬等，2011）. ...
The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis
1
1998
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
Chaotic time series prediction based on ELM learning algorithm
0
2011
Predictive model of landslide displacement by wavelet analysis and multiple extreme learning machines
0
2016
Dynamic prediction of landslide displacement based on long short time memory and multiple influencing factors
0
2020
Research on coal mining workface gas emission prediction method based on EMD-Elman and its application
0
2014
Ensemble of extreme learning machine for landslide displacement prediction based on time series analysis
1
2014
... 在维空间，个粒子构成种群，第个粒子为一个维向量，其含义为潜在解，粒子位置表示适应度（Lian et al.，2014）.粒子速度随移动轨迹动态调整，决定搜索方向和搜索距离.粒子在搜索过程中，跟踪个体极值和群体极值进行迭代.计算过程如下： ...
Time series analysis and support vector machine for landslide displacement prediction
0
2013
An improved method of EMD and its applications in rotating machinery fault diagnosis
0
2013
Displacement prediction based on optimized gray model of dump slope of Zijinshan
0
2017
Landslide displacement prediction based on CEEMDAN method and Particle Swarm Optimized-Extreme Learning Machine model
0
2019
Slope displacement prediction method based on EEMD-PSO-ELM model
0
2020
Decomposing the association of completed suicide with air pollution，weather and unemployment data at different time scales
1
2011
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
Efficient non-consecutive feature tracking for robust structure from motion
1
2015
... Huang et al.（2006）提出的极限学习机（ELM）是一种前馈神经网络算法，初始化过程随机确定输入权重和偏差，计算过程不需调整，由广义逆矩阵计算得到输出层权重，能够有效避免过拟合现象和局部最优现象.相比传统的梯度下降算法，该模型对非线性数据的训练速度和精度大大提高（Zhang et al.，2015；李彬等，2011）. ...
Landslide displacement prediction based on wavelet transform and external response
0
2017
Evolution characteristics of weak intercalation in massive layered rockslides－A case study of Jiweishan rockslide in Wulong，Chong-qing
0
2018
A hybrid machine learning and computing model for forecasting displacement of multifactor-induced landslides
1
2017
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
露天矿滑坡预警理论与方法研究
1
2017
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
基于集合经验模态分解与支持向量机回归的位移预测方法：以三峡库区滑坡为例
1
2017
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
基于诱发因素响应分析的滑坡位移预测模型研究
1
2009
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
基于LMD-BA-ELM的边坡变形时序非线性预测模型研究
1
2015
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
基于 ELM 学习算法的混沌时间序列预测
1
2011
... Huang et al.（2006）提出的极限学习机（ELM）是一种前馈神经网络算法，初始化过程随机确定输入权重和偏差，计算过程不需调整，由广义逆矩阵计算得到输出层权重，能够有效避免过拟合现象和局部最优现象.相比传统的梯度下降算法，该模型对非线性数据的训练速度和精度大大提高（Zhang et al.，2015；李彬等，2011）. ...
WA联合ELM与OS-ELM的滑坡位移预测模型
1
2016
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
基于长短时记忆与多影响因子的滑坡位移动态预测
2
2020
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
时间序列分析与支持向量机的滑坡位移预测
1
2013
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
一种EMD改进方法及其在旋转机械故障诊断中的应用
2
2013
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
... 相关研究表明，组合模型比单一预测模型具有更高的预测精度和稳定性（李润求等，2014；李骅锦等，2016）.经验模态分解（EMD）降噪方法，通过数据序列自身的特征时间尺度进行数据平稳化，无需预先设定基函数，挖掘数据的不同频率特征，能够有效提高预测精度（时培明等，2013）.然而，EMD在处理时间尺度变化较大的数据时容易陷入模态混叠（Huang et al.，1998），集成经验模态分解法（EEMD）在经验模态分解法（EMD）基础上加入白噪声取平均，能够有效抑制模态混叠现象效应（Duan et al.，2016）.集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列，能够较好地分析数据样本从而达到分解目的（Yang et al.，2011）.针对边坡位移时间序列，将监测数据分解后，分别进行子序列的影响因素分析，并建立预测模型进行分项预测，将各分项预测结果等权叠加后作为最终预测值，能够有效提高预测精度（彭令等，2013；张凯翔等，2017）. ...
大型层状基岩滑坡软弱夹层演化特征研究——以重庆武隆鸡尾山滑坡为例
1
2018
... 排土场滑坡地质灾害给矿山安全生产带来严重威胁.以边坡位移监测数据为基础，提高边坡位移预测精度，实现矿山排土场滑坡早期预测预警，对矿山灾害预防和安全管理至关重要（曹兰柱等，2017）.受边坡地质条件、生产状态等因素的影响，边坡位移呈现多维性、非线性和动态性等特点，传统的预测方法在实际生产中往往难以起到预期效果.随着模式识别与智能计算方法的发展，滑坡预警预测研究取得了一系列研究成果（郭子正等，2018；邓冬梅等，2017；朱赛楠等，2018；Zhu et al.，2017）.杜娟等（2009）选取移动平均法将边坡位移时间序列分解为趋势项和波动项，采用BP神经网络分别对分项进行预测，但存在数据样本时间短和分项拟合精度低的问题.韩永亮等（2015）将局域均值分解（LMD）、蝙蝠算法（BA）和极限学习机（ELM）相结合，进行露天矿边坡变形预测，但预测过程中未考虑形变与影响因素之间的非线性关系.李丽敏等（2020）将移动平均法（MA）和长短时记忆神经网络（LSTM）相结合，进行滑坡位移动态预测，弥补了滑坡位移预测模型对历史数据遗忘的不足.以往预测模型对非线性特点的边坡位移变化有一定的预测能力，但在应用于排土场边坡位移预测时，受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响，预测效率和精度受到一定的限制（孙世国等，2017）. ...
甘公网安备 62010202000672号
