• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于時間序列與CNN-GRU的滑坡位移預(yù)測模型研究

    2024-03-26 09:52:41符振濤李麗敏王蓮霞任瑞斌崔成濤封青青
    人民珠江 2024年2期
    關(guān)鍵詞:時間序列

    符振濤 李麗敏 王蓮霞 任瑞斌 崔成濤 封青青

    摘要:滑坡位移預(yù)測是滑坡預(yù)警的重要依據(jù)之一。針對以往預(yù)測模型在預(yù)測精度上存在的不足,提出了一種基于時間序列與卷積門控循環(huán)單元(CNN-GRU)的滑坡位移動態(tài)預(yù)測模型。首先,利用小波分析確定存在趨勢項位移后,利用指數(shù)平滑法對累計位移分解得到趨勢項與周期項位移,將趨勢項采用五次多項式擬合;之后,采用自相關(guān)函數(shù)檢驗位移的周期特征,利用灰色關(guān)聯(lián)法判斷各因子與周期項之間的關(guān)聯(lián)度,并將周期項與影響因子一起輸入CNN-GRU模型進(jìn)行預(yù)測;最終,疊加得到累計位移預(yù)測值。以三峽庫區(qū)白水河滑坡為例,選取2004年1月至2012年12月數(shù)據(jù)進(jìn)行研究,最終預(yù)測結(jié)果平均絕對誤差百分比僅為0.525%,RMSE為9.614、R2為0.993。試驗結(jié)果表明,CNN-GRU具有更高的預(yù)測精度。

    關(guān)鍵詞:位移預(yù)測;時間序列;卷積門控循環(huán)單元;白水河滑坡

    中圖分類號:X43文獻(xiàn)標(biāo)識碼:A文章編號:1001-9235(2024)02-0001-08

    Landslide Displacement Prediction Model Based on Time Series and CNN-GRU

    FU Zhentao,LI Limin,WANG Lianxia,REN Ruibin,CUI Chengtao,F(xiàn)ENG Qingqing

    (School of Electronics and Information,Xian Polytechnic University,Xian 710600,China)

    Abstract:Landslide displacement prediction is an important basis for early landslide warning.This paper proposes a prediction model of landslide moving states based on time series and convolutional gated recurrent unit (CNN-GRU) to deal with the shortcomings of previous prediction models.Firstly,after employing wavelet analysis to determine the displacement of the trend term,the exponential smoothing method is adopted to decompose the cumulative displacement to obtain two displacement types of the trend term and the periodic term,and the trend term is fitted by a five-order polynomial.Then,the autocorrelation function is utilized to test the periodic displacement characteristics,and the gray correlation method is applied to determine the correlation degree between each factor and the periodic term.Meanwhile,the periodic term and the influencing factor are input into the CNN-GRU model for prediction,and finally the predicted cumulative displacement value is obtained by superposition.By taking the Baishui River landslide in the Three Gorges Reservoir area as an example,this paper selects the data from January 2004 to December 2012 for study,and the average absolute error percentage of the final prediction results is only 0.525%,with RMSE of 9.614 and R2of 0.993.Experimental results show that CNN-GRU has higher prediction accuracy.

    Keywords:displacement prediction;time series;convolutional gated recurrent unit;Baishui River landslide

    滑坡是常見的自然災(zāi)害之一,據(jù)國家統(tǒng)計局報告,2021年中國發(fā)生滑坡災(zāi)害2 335起,占全年地質(zhì)災(zāi)害總數(shù)的48.9%,造成直接經(jīng)濟(jì)損失數(shù)十億,因此通過歷史地質(zhì)數(shù)據(jù)綜合判斷滑坡的演變工程,并對滑坡的變化趨勢做出預(yù)測成了防災(zāi)減災(zāi)的必要手段。

    時間序列分解方法以其完善的理論獲得廣大學(xué)者的青睞。在趨勢項的分解上,楊背背等[1應(yīng)用移動平均法,將白水河滑坡累積位移分解為周期項和趨勢項。黃海峰等2使用平滑先驗法分離了趨勢項位移,對白家包滑坡進(jìn)行了預(yù)測,以上方法雖然取得了一定成果,但分離的趨勢項中仍然具有周期項的階躍特征,導(dǎo)致最終預(yù)測結(jié)果誤差較大。本文采用指數(shù)平滑法對實驗區(qū)累計位移進(jìn)行多次分解,將最后一次分解的結(jié)果作為趨勢項,克服了傳統(tǒng)方法在階躍變化時分解得到的趨勢項仍具有明顯周期性的問題。

    在周期項的預(yù)測上,鄢好等[3、宋麗偉4分別將循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)改進(jìn)的門控循環(huán)單元(GRU)與長短時記憶網(wǎng)絡(luò)(LSTM)引入滑坡位移預(yù)測,以上網(wǎng)絡(luò)通過增加“門”解決了RNN網(wǎng)絡(luò)梯度爆炸的問題,可以實現(xiàn)位移預(yù)測,但是考慮了滑坡變形的動態(tài)演化過程,單一網(wǎng)絡(luò)不能同時滿足特征提取與趨勢學(xué)習(xí),導(dǎo)致其預(yù)測誤差較大,亟待改進(jìn)?;挛灰频臄?shù)據(jù)具有連續(xù)性、周期性[5等特點(diǎn),CNN神經(jīng)網(wǎng)絡(luò)能夠自動發(fā)現(xiàn)并提取輸入數(shù)據(jù)的波形特證[6。GRU神經(jīng)網(wǎng)絡(luò)可以通過更新門和遺忘門實現(xiàn)對數(shù)據(jù)變化趨勢的學(xué)習(xí)[7,因此,本文將CNN-GRU網(wǎng)絡(luò)模型引入位移預(yù)測領(lǐng)域,提出基于CNN-GRU的滑坡位移預(yù)測方法。

    本文以白水河滑坡為研究區(qū),首先,利用小波分析確定存在趨勢項位移后,使用指數(shù)平滑法分解累計位移,對于趨勢項位移本文采用五次多項式進(jìn)行擬合,得到趨勢項預(yù)測值;隨后,采用自相關(guān)函數(shù)檢驗位移的周期特征,引入灰色關(guān)聯(lián)度法量化影響因子與周期項位移間的相關(guān)性,保留具有較高關(guān)聯(lián)度的影響因子;之后,選擇CNN-GRU神經(jīng)網(wǎng)絡(luò)進(jìn)行周期項預(yù)測。將該結(jié)果和GRU、LSTM和CNN-LSTM預(yù)測結(jié)果一同與真實值作對比,從而驗證本文所使用模型的準(zhǔn)確性。最后將周期項與趨勢項疊加得到累計位移預(yù)測值,并利用均方根誤差、平均絕對百分比誤差等評價方法分析計算預(yù)測精度。

    1 滑坡位移預(yù)測模型

    1.1 位移序列檢驗

    a)趨勢項檢驗。小波變換是一種信號分析方法,它可以將信號分解成不同尺度的成分,從而更好地理解信號的頻率和時間特性。與傅里葉變換不同,小波變換可以同時提供時間和頻率信息,可以將信號分解成不同頻率的子信號,因此在處理非平穩(wěn)信號時更為有效,見式(1):

    式中 α——尺度,控制小波函數(shù)的伸縮;τ——平移量,控制小波函數(shù)的平移。

    在累計位移中,趨勢項通常對應(yīng)著低頻信號,如果存在趨勢項位移,那么整個信號的低頻部分會發(fā)生變化,因此可以通過小波變換檢驗是否存在趨勢項位移。

    b)周期項檢驗。自相關(guān)函數(shù)(autocorrelation function)是一種用于衡量時間序列中自身相關(guān)性的統(tǒng)計量,是信號在時域中的平均度量,它用來描述隨機(jī)信號x(t)在任意2個不同時刻s、t的取值之間的相關(guān)程度,分析自相關(guān)函數(shù)值即可得到時間序列數(shù)據(jù)的是否存在周期項,見式(2):

    式中 r(k)——自相關(guān)系數(shù);cov(Xt,X{t-k})——Xt、X{t-k}之間的協(xié)方差;std(Xt)、std(X{t-k})——Xt和X{t-k}的標(biāo)準(zhǔn)差。

    1.2 位移時間序列分解

    滑坡位移按時間序列分解理論可分解為趨勢項位移與周期項位移[8,滑坡位移時間序列模型見式(3):

    y(t)=ω(t)+c(t) ???(3)

    式中 y(t)——累計總位移;ω(t)——趨勢項位移;c(t)——周期項位移。

    由于研究區(qū)坡體不同年份階躍幅度變化較大,采用傳統(tǒng)方法得的趨勢項位移曲線仍具有明顯的周期特點(diǎn),為了解決這個問題,本文引入指數(shù)平滑法對累計位移進(jìn)行分解,將多次分解后的結(jié)果作為最終的趨勢項。

    指數(shù)平滑法是一種特殊的加權(quán)平均法,其基本原理為對t期真實值和t-1期平滑值賦予不同的權(quán)重,從而求得當(dāng)前平滑值的方法[9。指數(shù)平滑法基本原理為:

    St=ayt+(1-a)St-1(4)

    式中 St——第t期的趨勢項;yt——第t期真實值;St-1——第t-1期平滑值;a——平滑指數(shù)。

    由式(4)可知,當(dāng)a越接近1時,第t期平滑結(jié)果越接近第t期觀察值。

    1.3 CNN算法

    CNN網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型,由于其具有局部區(qū)域連接、權(quán)值共享、降采樣的結(jié)構(gòu)特點(diǎn),使得其在圖像處理領(lǐng)域具有獨(dú)特的表現(xiàn),并獲得了廣泛應(yīng)用[10。本文針對位移數(shù)據(jù)建立了一維卷積神經(jīng)網(wǎng)絡(luò)。CNN通過卷積核實現(xiàn)特征提取,具體步驟如下,首先初始化一個特征向量集M,然后在反向傳播中循環(huán)更新這個集合,讓其不斷逼近真實解,從而實現(xiàn)對位移數(shù)據(jù)的特征F的提取。一維卷積計算見式(5):

    式中 xl-1J——l-1層第j個輸出;f——激活函數(shù);wlij——卷積核的權(quán)重矩陣;xlj——l層第j個輸出;blj——偏置項。

    1.4 GRU算法

    GRU(Gate Recurrent Unit,門控循環(huán)單元)是為了解決RNN梯度爆炸問題[11而提出來的一種循環(huán)神經(jīng)網(wǎng)絡(luò)。GRU模型在RNN基礎(chǔ)上引入了2個門:更新門和重置門。結(jié)構(gòu)見圖1。

    圖中的zt和rt分別表示更新門和重置門。其數(shù)學(xué)表達(dá)式為:

    式中 ωr——重置門的權(quán)重;ωz——更新門的權(quán)重;tanh——雙曲正切函數(shù);σ——sigmoid函數(shù)。

    其中ωz、ωr、和ω0為需要訓(xùn)練的參數(shù)。

    1.5 CNN-GRU算法

    滑坡位移數(shù)據(jù)在時間序列上具有連續(xù)性及周期性,單獨(dú)使用GRU神經(jīng)網(wǎng)絡(luò)時,通過構(gòu)建多個GRU單元雖然可以學(xué)習(xí)位移數(shù)據(jù)的變化趨勢,從而實現(xiàn)位移預(yù)測,但無法提取位移數(shù)據(jù)特征導(dǎo)致結(jié)果出現(xiàn)較大誤差。因此本文提出將CNN-GRU組合網(wǎng)絡(luò)應(yīng)用于滑坡周期項位移預(yù)測中,首先通過CNN網(wǎng)絡(luò)提取輸入特征,構(gòu)建時序性的特征向量,并將結(jié)果輸入到GRU模型中學(xué)習(xí)這些特征的時間變化趨勢[12,從而實現(xiàn)對滑坡位移的預(yù)測。

    網(wǎng)絡(luò)結(jié)構(gòu)見圖2。CNN部分本文設(shè)計了2層一維卷積層,卷積核數(shù)目分別為4、8,每次卷積后都對應(yīng)一次最大池化,選取ReLU作為激活函數(shù)。在經(jīng)過2次卷積、池化、扁平處理后,得到一維全局特征向量并將其作為GRU層的輸入,經(jīng)過全連接層后輸出預(yù)測結(jié)果。將CNN與GRU相結(jié)合可以實現(xiàn)對位移數(shù)據(jù)時空特征的完整學(xué)習(xí)。

    1.6 模型精度評價

    本文采用均方根誤差(Root Mean Square Error,RMSE)、平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)、決定系數(shù)(R-Square,R2[13以及絕對誤差指標(biāo)評估模型預(yù)測精度。

    2 白水河滑坡概況

    2.1 工程地質(zhì)概況

    白水河滑坡地處湖北省秭歸縣,距離三峽大壩56 km,屬于三峽庫區(qū)范圍?;虑熬墰]入長江;左右兩側(cè)以基巖山脊為界[14;后緣以巖土分界處為界?;轮骰较蚣s為 NE20°,NS向長約 600 m,EW向?qū)捈s700 m,平均厚度30 m,體積約1.26×107m3,屬大型堆積層滑坡[15。白水河滑坡歷史上已發(fā)生多次較大的變形。2005年8月至2006年8月,滑坡地表多處出現(xiàn)下沉拉裂縫。2007年6月30日,預(yù)警區(qū)后緣發(fā)生較大規(guī)模坍塌。2009年8月,滑坡西部邊界裂縫呈羽狀斷續(xù)擴(kuò)展。

    2.2 滑坡特征分析

    白水河滑坡平面見圖3,本文選取白水河滑坡區(qū)ZG118監(jiān)測點(diǎn)數(shù)據(jù)進(jìn)行研究。

    通過整理實驗區(qū)自2004年1月至2012年12月的降雨量和庫水位數(shù)據(jù),分別得到滑坡位移變化與庫水位、降雨量的關(guān)系見圖4、5,圖4顯示白水河滑坡在庫水位減少后往往會發(fā)生階躍性增長,如2008年12月至2009年8月,庫水位由170.5 m減少至152.8 m,位移由828.4 mm增加至1 072.8 mm。白水河滑坡變形也受降雨的影響,見圖5。每年6—9月為汛期,汛期時因為降雨滲入土壤,會破壞坡體水-土力學(xué)平衡[15,導(dǎo)致發(fā)生階躍性增長。

    3 滑坡位移預(yù)測

    3.1 趨勢項位移檢驗

    小波分解中,信號被分解成多個子信號,每個子信號對應(yīng)著不同頻率的成分。小波系數(shù)反映了每個子信號中不同頻率成分的能量大小,可以用來描述信號的頻率特征。如果小波系數(shù)在高尺度上較大,而在低尺度上較小,則說明存在趨勢項,依據(jù)式(1)編寫程序,計算各個尺度下的小波系數(shù)。第四層小波系數(shù)的最大值要大于低層小波系數(shù)最大值,故可知存在趨勢項位移,見圖6。

    3.2 趨勢項提取及預(yù)測

    本文取2004年1月至2012年12月的滑坡位移數(shù)據(jù)作為原始數(shù)據(jù)。由于需要取前12月位移均值作為平滑初值,在此步驟使用了2004年1月至2006年12月的數(shù)據(jù),最終得到的趨勢項時間范圍為2007年1月至2012年12月。

    3.2.1 指數(shù)平滑法

    為了解決傳統(tǒng)方法提取的趨勢項仍然具有明顯周期性特點(diǎn)的問題,本文采用指數(shù)平滑法提取趨勢項位移,該方法分解結(jié)果由α取值決定,α的取值范圍為0~1,取值趨近于1時,平滑曲線與真實值越接近,曲線趨近于0時,曲線越接近直線。

    不同α取值結(jié)果見圖7。測試中當(dāng)α大于0.5后雖然趨勢項曲線更加平滑,但會失去滑坡位移特征。當(dāng)α小于0.3時,得到的趨勢項位移中仍然具有周期項特征。所以,當(dāng)α處于0.3~0.5時,分解效果最好。

    指數(shù)平滑法使用次數(shù)越多,得到的曲線越平滑,但最終預(yù)測精度會受到影響。綜合考慮分解效果和預(yù)測精度,取α=0.35,平滑次數(shù)為3次。

    趨勢項提取結(jié)果見圖8。只使用1次平滑時結(jié)果具有明顯的階躍變化,此時結(jié)果仍然具有周期性特征。重復(fù)使用3次平滑后,去除了累計位移中的周期性特征部分,取此結(jié)果作為趨勢項位移。

    3.2.2 趨勢項位移預(yù)測

    將分解得到的趨勢性位移的各時段數(shù)據(jù)進(jìn)行五次多項式擬合,擬合計算式為:

    y=a1x5+a2x4+a3x3+a4x2+a5x+a6(14)

    式中 y——趨勢項位移預(yù)測值;a1、a2、a3、a4、a5、a6——多項式系數(shù);x——從1至N依次取值。

    計算得到的擬合函數(shù)公式見式(15)。

    y=-1.62×105x5+0.002234x4-0.109x3+2.219x2+1.718x+703.9 ???(15)

    趨勢項位移擬合結(jié)果見圖9,且計算可得均方根誤差(RMSE)為10.48 mm,虛擬優(yōu)度R2為0.998 1,預(yù)測效果較好。

    3.3 周期項位移預(yù)測

    3.3.1 周期項檢驗

    依據(jù)式(2)計算各時間段的自相關(guān)函數(shù),計算結(jié)果見圖10。自相關(guān)函數(shù)會在一個周期時出現(xiàn)明顯的峰值,分析圖10可知,峰值出現(xiàn)在每年的12月份,因此位移數(shù)據(jù)存在周期項,并且周期為12個月,與現(xiàn)實相符合。

    3.3.2 周期項位移提取

    從累積位移中剔除趨勢項位移,即可得到周期項位移,見圖11。將2007年1月至2012年12月的位移分解為趨勢項與周期項,將2012年以前的數(shù)據(jù)作為訓(xùn)練集,2012年1—12月數(shù)據(jù)作為測試集。

    3.3.3 影響因子關(guān)聯(lián)度評價

    一個灰色系統(tǒng)中,各個因素之間發(fā)展趨勢的相似或相異程度,稱為灰色關(guān)聯(lián)度[16。在演變過程中,如果兩者的變化顯示出較高的相似度,則認(rèn)為兩者具有關(guān)聯(lián)。本文采用該方法計算單月降雨量、雙月降雨量等影響因子與滑坡位移變化之間的關(guān)聯(lián)度系數(shù),從而判斷該因子是否會對坡體位移演變產(chǎn)生影響,各個影響因子與滑坡位移關(guān)聯(lián)度見表1。

    當(dāng)影響因子的關(guān)聯(lián)度超過0.6,即可認(rèn)為該因子滑坡位移的推進(jìn)起到正向作用。由此可知,降雨量與庫水位對位移變化量有相關(guān)性,因此本文將單月降雨量、雙月降雨量、庫水位高程、當(dāng)月庫水位平均值作為CNN-GRU預(yù)測模型中的輸入數(shù)據(jù),可以提高模型的預(yù)測精度。

    3.3.4 周期項位移預(yù)測及結(jié)果對比分析

    選用LSTM、GRU與CNN-LSTM 3種動態(tài)神經(jīng)網(wǎng)絡(luò)與CNN-GRU做對比,4種神經(jīng)網(wǎng)絡(luò)參數(shù)保持一致。

    4種動態(tài)神經(jīng)網(wǎng)絡(luò)對周期項位移的預(yù)測結(jié)果見圖12,基本上都能保持與周期項位移真實值保持一致。但是在階躍式劇增部分GRU與LSTM預(yù)測效果并不好。4種網(wǎng)絡(luò)預(yù)測效果排名依次為CNN-GRU網(wǎng)絡(luò)模型、CNN-LSTM網(wǎng)絡(luò)模型、GRU網(wǎng)絡(luò)模型、LSTM網(wǎng)絡(luò)模型。

    各模型相對誤差誤差見圖13,評價指標(biāo)結(jié)果見表2,具體分析如下。

    a)在1—6月份未出現(xiàn)劇增數(shù)據(jù)前,4種預(yù)測模型都可以較好地跟隨位移真實值的變化趨勢。預(yù)測誤差普遍較小,最大誤差為LSTM網(wǎng)絡(luò)模型6月份的2.953%。6—7月,位移出現(xiàn)劇烈增長,此時LSTM網(wǎng)絡(luò)模型與GRU網(wǎng)絡(luò)模型誤差較大,分別為13.151%與10.656%。CNN-LSTM網(wǎng)絡(luò)模型誤差較小為6.84%,CNN-GRU網(wǎng)絡(luò)模型精度最高,誤差僅為3.789%。

    b)7月之后位移進(jìn)入遞減階段,分別于8、10月發(fā)生了2次較大幅度衰減,4種模型網(wǎng)絡(luò)均可跟隨變化,其中CNN-GRU的預(yù)測誤差最低,分別為-0.903%與-0.578%。

    c)CNN-GRU的RMSE為4.986,MAPE為1.447%,R2為0.997。指標(biāo)結(jié)果均優(yōu)于其他神經(jīng)網(wǎng)絡(luò)。

    3.4 累計位移預(yù)測

    將趨勢項位移預(yù)測值與周期項位移預(yù)測值疊加,即可得到滑坡位移累計預(yù)測值。累計位移及誤差見圖14,預(yù)測值能夠很好地跟隨實際值,平均絕對誤差百分比為0.525%,絕對誤差百分比最高僅為0.742%,RMSE為9.614、MAPE為0.525%、R2為0.993。預(yù)測結(jié)果顯示:CNN-GRU動態(tài)神經(jīng)網(wǎng)絡(luò)對于滑坡位移的預(yù)測精度比較高,能夠很好地反映坡體的動態(tài)演化過程。

    4 結(jié)論

    本文將特征提取能力較強(qiáng)的CNN網(wǎng)絡(luò)和變化趨勢學(xué)習(xí)能力較強(qiáng)的GRU網(wǎng)絡(luò)相結(jié)合,提出了基于時間序列和CNN-GRU動態(tài)神經(jīng)網(wǎng)絡(luò)的滑坡位移動態(tài)預(yù)測模型,并將此模型應(yīng)于白水河滑坡監(jiān)測點(diǎn)進(jìn)行預(yù)測。

    本文基于時間序列理論,使用小波分析與自相關(guān)函數(shù)分別檢驗滑坡位移的趨勢特征與周期特征,保證了后續(xù)研究的合理性與可行性。引入指數(shù)平滑法,將累計位移分解為周期項與趨勢項,相較于傳統(tǒng)的移動平均法,能夠保證得到的趨勢項更加平滑,且更符合客觀規(guī)律。對趨勢項位移采用五次多項式函數(shù)進(jìn)行擬合,擬合結(jié)果能夠較好地跟隨趨勢項真實值演化過程。對周期項與各類影響因子采用灰色關(guān)聯(lián)度分析,得到對周期項有影響的因子分別為單、雙月降雨量、當(dāng)月庫水位高程、當(dāng)月平均庫水位。并采用CNN-GRU模型對周期項進(jìn)行預(yù)測,將趨勢項預(yù)測結(jié)果與周期項預(yù)測結(jié)果疊加得到累計位移預(yù)測值,累計位移預(yù)測值平均絕對誤差百分比僅為0.525%,絕對誤差百分比最高為0.742%,RMSE為9.614、R2為0.993。取得了較好的位移預(yù)測效果,可以為相似滑坡體提供預(yù)警服務(wù)。

    參考文獻(xiàn):

    [1]楊背背,殷坤龍,杜娟.基于時間序列與長短時記憶網(wǎng)絡(luò)的滑坡位移動態(tài)預(yù)測模型[J].巖石力學(xué)與工程學(xué)報,2018,37(10):2334-2343.

    [2]黃海峰,易武,易慶林,等.滑坡位移分解預(yù)測中的平滑先驗分析方法[J].水文地質(zhì)工程地質(zhì),2014,41(5):95-100.

    [3]鄢好,陳驕銳,李紹紅,等.基于時間序列和GRU的滑坡位移預(yù)測[J].人民長江,2021,52(1):102-107,133.

    [4]宋麗偉.基于經(jīng)驗?zāi)B(tài)分解和LSTM模型的滑坡位移預(yù)測[J].人民長江,2020,51(5):144-148.

    [5]張明岳,李麗敏,溫宗周.RNN與LSTM方法用于滑坡位移動態(tài)預(yù)測的研究[J].人民珠江,2021,42(9):6-13.

    [6]楊飛,郝曉莉,楊建,等.基于多車型CNN-GRU性能預(yù)測模型的軌道狀態(tài)評價[J].西南交通大學(xué)學(xué)報,2023,58(2):322-331.

    [7]彭偉,熊佳藝,江顯群,等.基于神經(jīng)網(wǎng)絡(luò)的小型水庫洪水預(yù)報研究[J].人民珠江,2023,44(3):1-8.

    [8]郭子正,楊玉飛,何俊,等.考慮注意力機(jī)制的新型深度學(xué)習(xí)模型預(yù)測滑坡位移[J/OL].地球科學(xué):1-21[2023-12-05].http://kns.cnki.net/kcms/detail/42.1874.P.20220823.0908.004.html.

    [9]南驍聰,劉俊峰,張永選,等.基于多源時間序列的滑坡位移動態(tài)預(yù)測[J].人民珠江,2023,44(4):54-62.

    [10]王連云,陶洪峰,徐琛,等.基于多層訓(xùn)練干擾的CNN軸承故障診斷[J].控制工程,2022,29(9):1652-1657.

    [11]王錦濤,文曉濤,何易龍,等.基于CNN-GRU神經(jīng)網(wǎng)絡(luò)的測井曲線預(yù)測方法[J].石油物探,2022,61(2):276-285.

    [12]WAN J,F(xiàn)U J F,TAN D M,et al.Solar Flare Forecast Model Based on Resampling and Fusion Method[J].Research in Astronomy and Astrophysics,2022,22(8):240-250.

    [13]李麗敏,張明岳,溫宗周,等.基于奇異譜分析法和長短時記憶網(wǎng)絡(luò)組合模型的滑坡位移預(yù)測[J].信息與控制,2021,50(4):459-469,482.

    [14]陳銳,范小光,吳益平.基于數(shù)據(jù)挖掘技術(shù)的白水河滑坡多場信息關(guān)聯(lián)準(zhǔn)則分析[J].中國地質(zhì)災(zāi)害與防治學(xué)報,2021,32(6):1-8.

    [15]喬素云,馬云彪,尹思杰,等.基于巖土參數(shù)變異特性的三峽庫區(qū)白水河滑坡失穩(wěn)概率分析[J].中國地質(zhì)災(zāi)害與防治學(xué)報,2018,29(5):38-43,51.

    [16]程立文,黃生志,李沛,等.耦合二次因子篩選和深度學(xué)習(xí)的徑流預(yù)報研究[J].人民珠江,2023,44(6):41-52,69.

    (責(zé)任編輯:李澤華)

    猜你喜歡
    時間序列
    基于分布式架構(gòu)的時間序列局部相似檢測算法
    基于嵌入式向量和循環(huán)神經(jīng)網(wǎng)絡(luò)的用戶行為預(yù)測方法
    醫(yī)學(xué)時間序列中混沌現(xiàn)象的初步研究
    科技視界(2016年26期)2016-12-17 17:12:56
    基于時間序列分析南京市二手房的定價模型
    云南銀行產(chǎn)業(yè)集聚與地區(qū)經(jīng)濟(jì)增長研究
    時代金融(2016年30期)2016-12-05 19:55:50
    基于Eviews上證綜合指數(shù)預(yù)測
    時代金融(2016年29期)2016-12-05 16:12:09
    上證綜指收益率的影響因素分析
    時代金融(2016年27期)2016-11-25 17:21:02
    基于指數(shù)平滑的電站設(shè)備故障時間序列預(yù)測研究
    基于時間序列的我國人均GDP分析與預(yù)測
    商(2016年32期)2016-11-24 16:20:57
    基于線性散列索引的時間序列查詢方法研究
    軟件工程(2016年8期)2016-10-25 15:43:57
    涩涩av久久男人的天堂| 大香蕉97超碰在线| 国产精品蜜桃在线观看| 国产探花极品一区二区| 日本午夜av视频| 少妇的逼好多水| 一级毛片我不卡| 欧美亚洲日本最大视频资源| 熟女av电影| 日本-黄色视频高清免费观看| 五月伊人婷婷丁香| 日韩强制内射视频| 国产黄色视频一区二区在线观看| 亚洲av成人精品一区久久| 黄色一级大片看看| 亚洲美女视频黄频| 久久97久久精品| 亚洲成人一二三区av| 少妇的逼水好多| 男的添女的下面高潮视频| 亚洲av.av天堂| 久久韩国三级中文字幕| 99久久人妻综合| www.av在线官网国产| 日韩一本色道免费dvd| 国产成人精品婷婷| 最近2019中文字幕mv第一页| 亚洲精华国产精华液的使用体验| 免费人妻精品一区二区三区视频| 久久综合国产亚洲精品| 特大巨黑吊av在线直播| 久久国产精品大桥未久av| av福利片在线| 国产免费一区二区三区四区乱码| 精品亚洲成国产av| 日本-黄色视频高清免费观看| 十分钟在线观看高清视频www| 一二三四中文在线观看免费高清| 成年av动漫网址| 看免费成人av毛片| 极品人妻少妇av视频| 亚洲成人手机| 国产精品麻豆人妻色哟哟久久| 国产av码专区亚洲av| 国产成人免费观看mmmm| 老司机亚洲免费影院| 一级爰片在线观看| 我的老师免费观看完整版| 国产一区亚洲一区在线观看| 国产精品一区www在线观看| 精品一区二区三卡| 久久99精品国语久久久| 久久97久久精品| 18禁观看日本| 狠狠婷婷综合久久久久久88av| www.色视频.com| 99九九在线精品视频| 老熟女久久久| 欧美xxⅹ黑人| 男女高潮啪啪啪动态图| 亚洲精品456在线播放app| 99国产精品免费福利视频| 黄片无遮挡物在线观看| 丝袜美足系列| 中文字幕久久专区| 2022亚洲国产成人精品| 亚洲情色 制服丝袜| 久久久精品区二区三区| 国产成人一区二区在线| 搡女人真爽免费视频火全软件| 免费观看无遮挡的男女| 中文字幕人妻熟人妻熟丝袜美| 成人亚洲欧美一区二区av| 少妇人妻久久综合中文| 精品久久久精品久久久| 成年女人在线观看亚洲视频| 街头女战士在线观看网站| 天堂8中文在线网| 91精品国产九色| 久久鲁丝午夜福利片| av福利片在线| 热99国产精品久久久久久7| 日韩视频在线欧美| av在线观看视频网站免费| 成人18禁高潮啪啪吃奶动态图 | 亚洲中文av在线| 人人妻人人澡人人看| 国产精品久久久久久av不卡| 免费少妇av软件| 91久久精品电影网| 午夜免费鲁丝| 日本91视频免费播放| 天堂中文最新版在线下载| 精品午夜福利在线看| 免费日韩欧美在线观看| 日韩成人伦理影院| 国产极品粉嫩免费观看在线 | 亚洲久久久国产精品| 国产精品一国产av| av电影中文网址| 日本欧美视频一区| 亚洲激情五月婷婷啪啪| 久久97久久精品| 成人国产av品久久久| 插逼视频在线观看| 精品一区在线观看国产| 三上悠亚av全集在线观看| 亚洲人成77777在线视频| 色婷婷av一区二区三区视频| 最近2019中文字幕mv第一页| 日韩熟女老妇一区二区性免费视频| 亚洲国产av影院在线观看| 一本久久精品| 亚洲精华国产精华液的使用体验| 精品久久久久久电影网| 日韩 亚洲 欧美在线| 日韩精品免费视频一区二区三区 | 日本色播在线视频| 一本久久精品| 亚洲性久久影院| 最新中文字幕久久久久| 插阴视频在线观看视频| 中国美白少妇内射xxxbb| 国产 一区精品| av国产精品久久久久影院| 久久精品国产亚洲av天美| 高清午夜精品一区二区三区| 99九九线精品视频在线观看视频| 国产日韩欧美亚洲二区| 亚洲精品视频女| 国产成人av激情在线播放 | 汤姆久久久久久久影院中文字幕| 美女福利国产在线| 欧美97在线视频| 亚洲精品日韩在线中文字幕| 亚洲高清免费不卡视频| 久热这里只有精品99| 黄片无遮挡物在线观看| 日韩免费高清中文字幕av| 男人添女人高潮全过程视频| 国产熟女午夜一区二区三区 | 永久网站在线| 中国国产av一级| 99热这里只有精品一区| 日韩av不卡免费在线播放| 国产成人av激情在线播放 | 国产熟女午夜一区二区三区 | 这个男人来自地球电影免费观看 | 国产成人精品久久久久久| 免费av中文字幕在线| 久久久精品区二区三区| 国产成人精品久久久久久| 在线观看国产h片| 亚洲人成网站在线播| 肉色欧美久久久久久久蜜桃| 黑人欧美特级aaaaaa片| 免费少妇av软件| 亚洲精品日韩在线中文字幕| 一本久久精品| 国产成人freesex在线| 国产成人91sexporn| 久久久久精品性色| 成人亚洲精品一区在线观看| 中文字幕最新亚洲高清| 国产精品麻豆人妻色哟哟久久| 亚洲av中文av极速乱| 国产成人免费无遮挡视频| 久久久久久久亚洲中文字幕| 久久99精品国语久久久| 99九九在线精品视频| 成人午夜精彩视频在线观看| 99热网站在线观看| 狂野欧美白嫩少妇大欣赏| 精品少妇黑人巨大在线播放| 国产一区亚洲一区在线观看| 日本黄色片子视频| 亚洲av日韩在线播放| 亚洲国产精品一区三区| 欧美一级a爱片免费观看看| av在线观看视频网站免费| 王馨瑶露胸无遮挡在线观看| 欧美老熟妇乱子伦牲交| 黑人高潮一二区| 三级国产精品片| 久久久久久久久久人人人人人人| 久久人人爽av亚洲精品天堂| 欧美97在线视频| 国产一区二区三区av在线| 成人无遮挡网站| 国产午夜精品一二区理论片| 亚洲精品乱久久久久久| 嘟嘟电影网在线观看| 精品国产露脸久久av麻豆| 成人影院久久| 一个人免费看片子| 欧美日韩精品成人综合77777| 夜夜骑夜夜射夜夜干| 国产又色又爽无遮挡免| 18禁裸乳无遮挡动漫免费视频| 51国产日韩欧美| 国产在线免费精品| 欧美国产精品一级二级三级| 精品人妻一区二区三区麻豆| 国产黄频视频在线观看| 色婷婷久久久亚洲欧美| 大香蕉久久网| 丰满迷人的少妇在线观看| av黄色大香蕉| 欧美日韩视频精品一区| 少妇人妻精品综合一区二区| 久久精品人人爽人人爽视色| √禁漫天堂资源中文www| 午夜精品国产一区二区电影| 天天躁夜夜躁狠狠久久av| 91久久精品国产一区二区成人| 中文字幕久久专区| 色婷婷av一区二区三区视频| 久久久久久久大尺度免费视频| 满18在线观看网站| 精品国产国语对白av| 国产精品国产av在线观看| 国产极品粉嫩免费观看在线 | 人妻夜夜爽99麻豆av| 黄色怎么调成土黄色| 男人添女人高潮全过程视频| 日韩精品有码人妻一区| 国产精品一二三区在线看| 99精国产麻豆久久婷婷| 91在线精品国自产拍蜜月| 国产色婷婷99| 亚洲综合色惰| 18禁动态无遮挡网站| 美女大奶头黄色视频| 美女福利国产在线| 国产在线视频一区二区| 成人影院久久| 久热这里只有精品99| 亚洲国产av影院在线观看| 麻豆乱淫一区二区| av网站免费在线观看视频| 精品少妇内射三级| 精品人妻熟女毛片av久久网站| 欧美精品国产亚洲| 中文字幕人妻熟人妻熟丝袜美| 欧美精品一区二区免费开放| 日韩 亚洲 欧美在线| 国产av精品麻豆| 视频中文字幕在线观看| 在线播放无遮挡| 97超视频在线观看视频| 内地一区二区视频在线| 日本av免费视频播放| 日本黄色日本黄色录像| 在线观看国产h片| 精品久久久噜噜| 久久精品国产自在天天线| 黄色视频在线播放观看不卡| .国产精品久久| 久久久久人妻精品一区果冻| 精品视频人人做人人爽| 成人国产av品久久久| 亚洲怡红院男人天堂| 亚洲精品第二区| 免费观看av网站的网址| 亚洲精品av麻豆狂野| 日日啪夜夜爽| 伊人亚洲综合成人网| 一二三四中文在线观看免费高清| 大又大粗又爽又黄少妇毛片口| 天天操日日干夜夜撸| 国产免费一区二区三区四区乱码| 日韩熟女老妇一区二区性免费视频| 国产日韩一区二区三区精品不卡 | 成人国产麻豆网| 国产日韩欧美视频二区| 美女大奶头黄色视频| 能在线免费看毛片的网站| 在线精品无人区一区二区三| 久久久久人妻精品一区果冻| 午夜免费男女啪啪视频观看| 欧美少妇被猛烈插入视频| 91成人精品电影| 看非洲黑人一级黄片| 青春草国产在线视频| 国产免费一级a男人的天堂| av国产久精品久网站免费入址| 91精品三级在线观看| 有码 亚洲区| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩精品成人综合77777| 久久人人爽人人片av| 国产成人精品无人区| 精品卡一卡二卡四卡免费| 欧美激情国产日韩精品一区| 久久人人爽av亚洲精品天堂| 久久av网站| 欧美国产精品一级二级三级| 一级毛片aaaaaa免费看小| av免费在线看不卡| av在线app专区| 久久精品久久久久久噜噜老黄| 麻豆精品久久久久久蜜桃| 伊人亚洲综合成人网| 大香蕉97超碰在线| 午夜福利在线观看免费完整高清在| 卡戴珊不雅视频在线播放| 欧美人与善性xxx| 亚洲欧洲精品一区二区精品久久久 | 免费看不卡的av| 亚洲综合色网址| 国产亚洲av片在线观看秒播厂| 婷婷色综合大香蕉| 国产一级毛片在线| 亚洲精品,欧美精品| 久久精品夜色国产| 国产永久视频网站| 国产精品一区www在线观看| 欧美xxⅹ黑人| 老司机影院成人| 中文字幕人妻丝袜制服| 性色avwww在线观看| 色94色欧美一区二区| 一区二区三区四区激情视频| 人妻制服诱惑在线中文字幕| 亚洲色图综合在线观看| 人妻一区二区av| 精品一区在线观看国产| 日韩精品免费视频一区二区三区 | 99九九线精品视频在线观看视频| 亚洲国产精品999| 亚洲欧洲精品一区二区精品久久久 | 日韩av不卡免费在线播放| 女性被躁到高潮视频| 夜夜看夜夜爽夜夜摸| 精品少妇内射三级| 欧美最新免费一区二区三区| 一级毛片我不卡| 久久国产精品大桥未久av| 卡戴珊不雅视频在线播放| 看免费成人av毛片| 美女福利国产在线| 亚洲成人av在线免费| 国产成人a∨麻豆精品| 久久鲁丝午夜福利片| 久久久久久久精品精品| 免费看光身美女| 美女xxoo啪啪120秒动态图| 热99久久久久精品小说推荐| 久久影院123| 亚洲精华国产精华液的使用体验| 丰满迷人的少妇在线观看| 国产成人午夜福利电影在线观看| 丰满迷人的少妇在线观看| 在线播放无遮挡| 国产精品一区二区在线不卡| 91精品一卡2卡3卡4卡| a级毛片免费高清观看在线播放| 精品视频人人做人人爽| 又粗又硬又长又爽又黄的视频| 又黄又爽又刺激的免费视频.| 色吧在线观看| 国产日韩欧美在线精品| 亚洲综合色网址| 中文字幕久久专区| 一级毛片电影观看| 亚洲精华国产精华液的使用体验| 国产视频首页在线观看| 人人妻人人爽人人添夜夜欢视频| 国产综合精华液| 伦精品一区二区三区| 天堂8中文在线网| 国产精品99久久久久久久久| 日本爱情动作片www.在线观看| 国产成人freesex在线| av国产精品久久久久影院| 久久鲁丝午夜福利片| 一区二区三区四区激情视频| 欧美最新免费一区二区三区| 免费观看的影片在线观看| 精品国产露脸久久av麻豆| av电影中文网址| av.在线天堂| av不卡在线播放| 三级国产精品欧美在线观看| 久久久久国产精品人妻一区二区| 久久久午夜欧美精品| 曰老女人黄片| 国产黄色免费在线视频| 国产69精品久久久久777片| 欧美精品一区二区免费开放| 中文字幕免费在线视频6| 免费播放大片免费观看视频在线观看| av在线app专区| 亚洲精品乱久久久久久| h视频一区二区三区| 黑人猛操日本美女一级片| 热99久久久久精品小说推荐| 观看美女的网站| 国产精品99久久久久久久久| 美女福利国产在线| 肉色欧美久久久久久久蜜桃| 国产 精品1| a级毛片在线看网站| 少妇人妻精品综合一区二区| 亚洲色图 男人天堂 中文字幕 | 欧美97在线视频| 国产精品免费大片| 中国美白少妇内射xxxbb| 人人妻人人添人人爽欧美一区卜| 久久精品人人爽人人爽视色| 久久国内精品自在自线图片| 一级,二级,三级黄色视频| 国产乱来视频区| 亚洲美女黄色视频免费看| 91精品国产九色| 日韩不卡一区二区三区视频在线| 亚洲精品一区蜜桃| 又粗又硬又长又爽又黄的视频| 久热这里只有精品99| 久久久久人妻精品一区果冻| 黄色配什么色好看| 一区二区三区乱码不卡18| 免费观看av网站的网址| 51国产日韩欧美| 成人手机av| 18禁动态无遮挡网站| www.色视频.com| 一级爰片在线观看| 久久ye,这里只有精品| 亚洲无线观看免费| 毛片一级片免费看久久久久| 国产成人精品久久久久久| 国产精品一区www在线观看| 国产精品国产三级专区第一集| 人妻 亚洲 视频| 国产精品三级大全| 国产伦理片在线播放av一区| 国精品久久久久久国模美| 成人亚洲欧美一区二区av| 色婷婷久久久亚洲欧美| 超色免费av| 欧美成人精品欧美一级黄| 日韩不卡一区二区三区视频在线| 天天影视国产精品| 男女高潮啪啪啪动态图| 看免费成人av毛片| 免费观看的影片在线观看| a级毛片在线看网站| 热re99久久精品国产66热6| 日韩中字成人| 国产亚洲av片在线观看秒播厂| 九色成人免费人妻av| 亚洲精华国产精华液的使用体验| 国产免费视频播放在线视频| 天堂中文最新版在线下载| 51国产日韩欧美| 视频在线观看一区二区三区| 999精品在线视频| 超色免费av| 国产黄色视频一区二区在线观看| 91aial.com中文字幕在线观看| 国产有黄有色有爽视频| 下体分泌物呈黄色| 只有这里有精品99| 亚洲av不卡在线观看| 美女国产视频在线观看| 亚洲丝袜综合中文字幕| 亚洲精品久久午夜乱码| 高清午夜精品一区二区三区| 久久人人爽人人片av| 精品国产乱码久久久久久小说| 久久久国产欧美日韩av| 国产亚洲最大av| 一个人看视频在线观看www免费| 亚洲婷婷狠狠爱综合网| 久久热精品热| 特大巨黑吊av在线直播| 亚洲国产欧美在线一区| 亚洲精品一二三| 啦啦啦视频在线资源免费观看| 美女脱内裤让男人舔精品视频| 国产精品嫩草影院av在线观看| 超色免费av| 丝瓜视频免费看黄片| 欧美精品国产亚洲| 久久精品国产亚洲av涩爱| 99九九在线精品视频| 美女大奶头黄色视频| 91精品国产九色| 一本—道久久a久久精品蜜桃钙片| 久久久久久久亚洲中文字幕| 9色porny在线观看| 人体艺术视频欧美日本| 亚洲欧美日韩另类电影网站| 99热国产这里只有精品6| 亚洲欧美色中文字幕在线| 搡老乐熟女国产| www.av在线官网国产| 国产精品熟女久久久久浪| av播播在线观看一区| av黄色大香蕉| av天堂久久9| 亚洲中文av在线| 男人爽女人下面视频在线观看| 国产一区二区三区av在线| 在线观看人妻少妇| 欧美性感艳星| 美女脱内裤让男人舔精品视频| 久久精品夜色国产| 少妇人妻 视频| 欧美97在线视频| 校园人妻丝袜中文字幕| 亚洲欧美精品自产自拍| 国产精品久久久久久精品古装| 久久久久久伊人网av| 国产又色又爽无遮挡免| 国模一区二区三区四区视频| 18在线观看网站| 九九爱精品视频在线观看| 国产成人精品婷婷| 看免费成人av毛片| av女优亚洲男人天堂| 哪个播放器可以免费观看大片| 日本91视频免费播放| 成人漫画全彩无遮挡| 最近中文字幕2019免费版| 韩国av在线不卡| 久久久久久久久大av| 欧美变态另类bdsm刘玥| 精品少妇内射三级| 亚洲av国产av综合av卡| 自线自在国产av| 少妇的逼好多水| 国产成人精品福利久久| 国产成人aa在线观看| 亚洲av成人精品一二三区| 一级毛片aaaaaa免费看小| 一二三四中文在线观看免费高清| 国产永久视频网站| 老熟女久久久| 制服人妻中文乱码| 国产有黄有色有爽视频| 超碰97精品在线观看| 18禁裸乳无遮挡动漫免费视频| 人人妻人人爽人人添夜夜欢视频| 亚洲四区av| 欧美人与性动交α欧美精品济南到 | 久久午夜综合久久蜜桃| 插逼视频在线观看| 免费看av在线观看网站| 欧美精品国产亚洲| 国产成人精品福利久久| 51国产日韩欧美| 亚洲国产精品专区欧美| 人妻一区二区av| 国内精品宾馆在线| 看非洲黑人一级黄片| 久热这里只有精品99| 亚洲婷婷狠狠爱综合网| av在线观看视频网站免费| av在线老鸭窝| 国产高清有码在线观看视频| 欧美精品一区二区大全| 高清毛片免费看| 精品一区在线观看国产| 高清午夜精品一区二区三区| 999精品在线视频| 国产男女内射视频| 久久精品人人爽人人爽视色| 国产精品国产三级国产专区5o| 一本色道久久久久久精品综合| 久久精品国产亚洲av涩爱| 久久久久精品性色| 日本wwww免费看| 在线播放无遮挡| 国内精品宾馆在线| 最新中文字幕久久久久| 亚洲精品一二三| 热99国产精品久久久久久7| 最黄视频免费看| 久久这里有精品视频免费| 一区二区三区免费毛片| 91aial.com中文字幕在线观看| 亚洲三级黄色毛片| 美女内射精品一级片tv| 亚洲美女黄色视频免费看| 大又大粗又爽又黄少妇毛片口| 男男h啪啪无遮挡| 国产精品国产三级专区第一集| 亚洲av成人精品一区久久| 91久久精品国产一区二区成人| 婷婷色麻豆天堂久久| 欧美精品高潮呻吟av久久| 啦啦啦视频在线资源免费观看| 婷婷色麻豆天堂久久| 亚洲欧美色中文字幕在线| 久久国产亚洲av麻豆专区| 永久免费av网站大全| 亚洲国产精品国产精品| 亚洲情色 制服丝袜| 纵有疾风起免费观看全集完整版| 亚洲人成网站在线播| 成人18禁高潮啪啪吃奶动态图 | 精品久久久精品久久久| 欧美人与性动交α欧美精品济南到 | 久久精品久久精品一区二区三区| 国产女主播在线喷水免费视频网站| 99久久人妻综合| 观看美女的网站| 天天躁夜夜躁狠狠久久av| 少妇精品久久久久久久| 啦啦啦视频在线资源免费观看| 欧美日韩成人在线一区二区| 大又大粗又爽又黄少妇毛片口| 午夜91福利影院|