李麗敏， 郭 伏， 溫宗周， 陳鵬年， 張順鋒

(西安工程大學電子信息學院， 西安 710600)

滑坡災害嚴重威脅國家和人民的安全，因此滑坡預測預警顯得尤為重要。位移作為滑坡災害的一個宏觀表征，長期以來被中外學者作為滑坡預測預報的關(guān)鍵參數(shù)。目前對位移預測的方法主要有：一是將研究區(qū)觀測點累計變形位移分解為受內(nèi)在因素影響的趨勢性位移與受外界因素影響的周期性位移或波動性位移，并分別對其進行建模預測，最終將以上兩項預測值相加得到累計位移預測值[1]。該方法考慮了滑坡體變形的演化機制，但沒有切實考慮滑坡體演化過程中的動態(tài)特性。檀夢皎等[2]利用自適應噪聲完整集合經(jīng)驗模態(tài)分解法將滑坡體變形位移分解為趨勢項位移和波動項位移，并對其進行預測；李驊錦等[3]考慮到滑坡體變形成因，分別對趨勢項與周期項進行預測，預測效果相對較好。二是通過建立研究區(qū)位移特征影響因子與位移之間的預測模型，從而獲得預測位移。該方法能夠根據(jù)滑坡體變形特征與變形位移之間的相關(guān)性，在減少運算量的同時進一步提高了預測精度，但為避免時間復雜度，其所選影響因子不夠全面。徐峰等[4]將滑坡位移分解為受其自身基礎地質(zhì)條件控制的趨勢項位移以及由外界因素(如降雨、庫水位變動等)影響的周期項位移，應用時間序列分析方法建立滑坡位移預報模型。可見該方法對滑坡災害位移預測研究具有一定的促進意義。

近年來，多項式擬合、神經(jīng)網(wǎng)絡、極限學習機、機器學習等智能算法因其具有較強的非線性映射能力以及可實現(xiàn)任意精度的函數(shù)逼近等優(yōu)勢，從而被眾多學者廣泛應用于地質(zhì)災害預報預警領(lǐng)域，并取得了一定的成果[5]。然而在以往的滑坡位移預測案例中使用的BP(back propagation)、ELM(extreme learning machine)等模型屬于靜態(tài)網(wǎng)絡，沒有考慮滑坡自身演變的動態(tài)特性，不能反映滑坡變形的演化過程，預測效果不佳。為此，有關(guān)學者提出了一種動態(tài)神經(jīng)網(wǎng)絡-循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network，RNN)，因其具有記憶信息的能力從而用于對時序數(shù)據(jù)的處理和預測。然而在實際應用中由于RNN本身的結(jié)構(gòu)特點，使其只能記憶上一時刻或者鄰近時刻的信息，對于較遠時刻的信息無法保留，導致RNN在訓練時存在梯度消失或梯度爆炸問題[6]，致使模型精度不夠，預測結(jié)果不準確。為解決該問題，Hochreiter等[7]在RNN的基礎上，提出了長短時記憶神經(jīng)網(wǎng)絡(long short time memory,LSTM)，引入一個單元狀態(tài)(c)以及“門”解決了RNN存在的梯度消失或梯度爆炸的問題，LSTM在其他領(lǐng)域也取得了一定的成就。朱肖穎等[8]基于LSTM算法在新聞分類中對原始數(shù)據(jù)展開格式變換、分詞加工后，進行特征提取并建立LSTM網(wǎng)絡模型，解決了在海量新聞數(shù)據(jù)下RNN存在的梯度消失問題，LSTM算法表現(xiàn)出了較高的模型準確度和良好的擴展性；王森等[9]基于LSTM-RNN的質(zhì)子交換膜燃料電池故障檢測方法，以LST包和6種常見異常數(shù)據(jù)構(gòu)建時序序列LSTM模型，并通過貝葉斯優(yōu)化獲取最佳參數(shù)，結(jié)果表明，LSTM在對燃料電池故障分類的準確率達95%以上?？梢奓STM在諸多領(lǐng)域應用中表顯出一定的優(yōu)勢，因此考慮將其應用于地質(zhì)災害預報領(lǐng)域。

現(xiàn)以新灘滑坡為例，首先將滑坡監(jiān)測點累計位移分解為趨勢項與波動項；隨后，采用多項式擬合預測趨勢項位移，灰色關(guān)聯(lián)度篩選外界因子后利用LSTM預測波動項位移，并與RNN及傳統(tǒng)靜態(tài)預測模型BP、ELM進行比較，使用均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)、擬合優(yōu)度(R2)分別對其進行評價，驗證本文模型的優(yōu)越性。最后，疊加周期項與波動項，得到滑坡累計位移。

1 滑坡位移預測模型

1.1 位移時間序列分解

滑坡體變形位移因山體內(nèi)部復雜的地質(zhì)構(gòu)造以及外部誘發(fā)因素的共同影響，其增長方式表現(xiàn)為非線性。研究表明，滑坡累計位移時間曲線可分解為3項[3]。①趨勢項：在坡體內(nèi)部(地形地貌、地層巖性等)環(huán)境作用下，滑坡位移表現(xiàn)為隨時間變化的近似單調(diào)增函數(shù)[10]；②波動項：受地場環(huán)境(季節(jié)性降雨、地表水位等)因素作用產(chǎn)生的波動性位移[10]；③隨機項：諸如人類活動、植被覆蓋率、地震等突發(fā)性事件作用所產(chǎn)生的響應位移；由于監(jiān)測手段的限制，目前只考慮滑坡體趨勢項位移與波動項位移，基于以上分析，根據(jù)時間序列加法模型將滑坡累計變形位移時間曲線分解為

St=ωt+ψt

(1)

式(1)中：St為滑坡體變形總位移；ωt為趨勢項位移；ψt為波動項位移。

通過歷史數(shù)據(jù)進行模型訓練，并將各監(jiān)測點數(shù)據(jù)輸入模型中進行預測。采用多項式擬合預測趨勢項位移，在對波動項位移進行預測時引入外界誘發(fā)因子，通過灰色關(guān)聯(lián)度提取主要相關(guān)因子，并將其作為LSTM預測模型初始輸入。其具體流程如圖1所示。

圖1 技術(shù)路線圖Fig.1 Technical roadmap

1.2 RNN與LSTM算法描述

1.2.1 RNN基本原理

圖2 RNN網(wǎng)絡結(jié)構(gòu)Fig.2 RNN network structure

圖2為RNN結(jié)構(gòu)圖。圖2中，該網(wǎng)絡分為3層：輸入層、隱藏層、輸出層[11]。其中x為輸入層的向量，s為隱藏層的向量[12]，o為輸出層的向量。輸入層與隱含層之間的U為連接輸入層到隱含層的權(quán)重矩陣；W為隱藏層的權(quán)重矩陣；V為隱藏層到輸出層的權(quán)重矩陣[13]。

RNN網(wǎng)絡在t時刻接收到輸入xt之后，隱藏層的輸出值是st，輸出層的結(jié)果是ot[14]，st的結(jié)果不僅取決于xt，還取決于st-1。RNN計算公式為

ot=g(Vst)

(2)

st=f(Uxt+Wst-1)

(3)

式(2)表示輸出層ot的計算過程，它的每個節(jié)點都和隱藏層的每個節(jié)點相連；Vst為輸出層的權(quán)重矩陣；g為激活函數(shù)；f為激活函數(shù)。式(3)表示隱藏層的計算過程。

1.2.2 LSTM基本原理

傳統(tǒng)RNN，每個重復的模塊里都有一個簡單tanh層。LSTM屬于一種特殊的RNN，兩者差異在于每個模塊中的結(jié)構(gòu)不相同，LSTM擁有4個網(wǎng)絡層，以一種特殊方式相互連接。如圖3所示為RNN與LSTM結(jié)構(gòu)對比。

圖3 RNN與LSTM結(jié)構(gòu)圖Fig.3 RNN and LSTM structure

由圖3可以看出，LSTM網(wǎng)絡結(jié)構(gòu)在RNN原有的基礎上增加了單元狀態(tài)c，并引入“門”，其目的是解決RNN網(wǎng)絡中的梯度爆炸和梯度消失問題。LSTM的主要結(jié)結(jié)構(gòu)算法:

ft=σ(Wf[ht-1,xt]+bf)

(4)

it=σ(Wi[ht-1,xt]+bi)

(5)

(6)

(7)

ot=σ(Wo[ht-1,xt]+bo)

(8)

ht=ot°tanhct

(9)

圖4為LSTM動態(tài)建模算法流程，首先進行初始化，包括學習速率、各層之間的初始權(quán)重值、期望精度等；然后輸入給定向量值，求出目標輸出值并與給定值進行偏差計算，判斷其是否滿足誤差精度要求，否則對所有各層之間權(quán)重進行更新，直到偏差滿足預期給定期望值時，迭代停止，訓練結(jié)束。

基于LSTM算法本身結(jié)構(gòu)的獨特性，使其在對長時序數(shù)據(jù)進行處理時具有較強的能力，因此使用LSTM算法對波動項位移進行預測，更能有效地表征滑坡體變形的過程。

T為初始期望精度;W為初始權(quán)重;E為各層之間的偏差圖4 LSTM訓練流程圖Fig.4 LSTM training flow chart

1.3 模型精度評價

采用平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)與擬合優(yōu)度(R2)對預測模型進行評價。MAPE表示預測值較真實值平均偏離的程度(單位：%)，MAPE越接近于0，則表示預測值平均偏離真實值越小，預測效果越好。RMSE反映預測值同真實值之間的偏差，RMSE越接近于0，則表示預測值與真實值越吻合。擬合優(yōu)度(R2)，也稱決定系數(shù)，直觀反映變量對相應變量的解釋程度或密切程度，R2越接近于1，說明模型觀測值的擬合程度越好。MAPE、RMSE與R2的計算公式為

(10)

(11)

(12)

Q為第四系沖積層、崩積層、坡積層；P2為二疊系上統(tǒng)灰?guī)r；為棲履組與第四組灰?guī)r；為馬鞍山煤組巖層；C2為黃龍灰?guī)r； D2+3為泥盆系石英砂巖；S2為志留系砂頁巖；為頁巖；A—A′為觀測及其編號；1為地層界限；2為第四系與基巖界限；3為巖層產(chǎn)狀； 4為斷層；5為泉水出漏點；6為滑坡前部姜家坡滑坡變形邊界；7為預留觀測及其編號；8為陡崖；9為GPS監(jiān)測點圖5 新灘滑坡平面圖Fig.5 Plan of Xintan Landslide

2 應用與分析

2.1 新灘滑坡概述

新灘滑坡屬于姜家坡-新灘堆積層老滑坡。新灘滑坡所處河段為橫向谷，巖層傾向上游略偏北岸，傾角為25°～38°[16]，老滑坡西側(cè)緊鄰堅硬的泥盆一二疊系砂巖和灰?guī)r組成的陡崖，300～450 m，是堆積層物質(zhì)的主要來源；東側(cè)為志留系頁巖組成的低山丘?；潞缶壐叱碳s900 m。向南延伸至江邊高程約65 m，平均坡度23°?；捌麦w中部有兩級橫向陡坎，一是高程500～560 m的姜家坡前緣陡坎。走向NE30″，坡度50°～60°，將斜坡分為上段(姜家坡斜坡)和下段(新灘斜坡)[17]；二是陡坎在毛家院前緣，高程為270～330 m，走向NE75″，將新灘斜坡分為毛家院臺面和陡坎下兩段，圖5為新灘滑坡平面圖。

2.2 變形成因分析

圖6為2003—2007年5個監(jiān)測點(GXT1、GXT2、GXT3、GXT4、GXT5)滑坡累計位移時序曲線圖，縱觀5個監(jiān)測點可以看出每年5—11月滑坡累計變形位移波動較大，整體呈現(xiàn)增長趨勢；圖7為滑坡前緣GXT4監(jiān)測點累計變形位移時間及月降雨數(shù)據(jù)，從圖7可以看出，在降雨季，滑坡變形位移隨著雨量強度的增加，呈非線性增加的趨勢，如2004年1—4月，滑坡總降雨量為246.8 mm，對應的變形位移最大增量為2.037 mm，位移速率0.679 mm/月，但從5—11月滑坡變形位移最大增量為11.436 mm，總降雨量超過了700 mm，位移速率達到了1.89 mm/月。而從2004年11月開始，滑坡位移又隨著降雨量的減少進入相對穩(wěn)定的時期。以上分析表明滑坡的位移量與降雨具有很強的相關(guān)性[18]。

圖6 各監(jiān)測點累計變形位移Fig.6 Accumulated deformation displacement of each monitoring point

圖7 GXT4累計變形位移時間及月降雨數(shù)據(jù)Fig.7 Accumulated deformation displacement time and monthly rainfall data of gxt4

同時，根據(jù)新灘滑坡監(jiān)測資料和調(diào)查記錄，受區(qū)域性地殼抬升和河谷深切的影響，滑坡區(qū)崩塌活動嚴重。北側(cè)的廣家崖及姜家坡屬于強烈卸荷區(qū)，經(jīng)常發(fā)生較大規(guī)模的崩塌，例如1935年姜家坡前緣東側(cè)發(fā)生1.5×106m3局部滑坡，滑床已深達基巖；1962年后壁以上出現(xiàn)長270 m的拉張裂縫；1964年秋季西側(cè)發(fā)生南北向450 m長大裂縫；加上耕種、采煤等人類活動，加速了滑坡的失穩(wěn)破壞。從以上的分析可知，新灘滑坡同時受到波動性因素(降雨等)和隨機因素(人類活動等)的影響，可用時間序列非線性組合模型對滑坡位移數(shù)據(jù)進行分析[18]。選用2003年7月—2008年1月GXT4監(jiān)測點累計變形位移數(shù)據(jù)進行建模，其中2003年7月—2007年1月數(shù)據(jù)集作為訓練樣本，2007年2月—2008年1月數(shù)據(jù)集用于預測及驗證。

2.3 趨勢項位移預測

采用移動平均法提取趨勢項位移，移動平均法可以消除因周期項波動與隨機項波動而不能顯示出事件的發(fā)展趨勢的問題，其主要思想是根據(jù)時間序列、逐項推移，依次計算包含一定項數(shù)的時序平均值，從而反映長期趨勢，如式(13)所示：

Ft=(At-1+At-2+…+At-n′)/n′

(13)

式(13)中：Ft為對下一期的預測值；n′為移動平均的時期個數(shù)；At-1為前期實際值；At-2、At-3與At-n′為前兩期、前三期、前n期的實際值。

趨勢項位移提取結(jié)果如圖8所示，為消除不同量綱之間的影響，需將位移數(shù)據(jù)歸一化到[0,1]區(qū)間，隨后采用3次多項式對趨勢項位移進行預測，如式(14)所示：

y=d1t3+d2t2+d3t+d4

(14)

圖8 趨勢項位移提取Fig.8 Displacement extraction of trend term

圖9 趨勢項位移預測Fig.9 Displacement prediction of trend term

式(14)中：y為趨勢項位移預測值；d1、d2、d3、d4為多項式系數(shù)，采用最小二乘確定多項式各系數(shù)后并進行訓練，在實際訓練中，將前一期次的位移預測值加入訓練樣本重新擬合，并預測當前期次位移；趨勢項位移預測結(jié)果如圖9所示，對比趨勢項位移與擬合預測位移可知，將上一期次趨勢項位移預測值加入訓練集中，實現(xiàn)滾動預測，促使模型不斷更新，能夠更進一步提高模型預測精度，其中MAPE為2.79%，RMSE為0.13 mm，R2為0.963，預測效果較好。

2.4 波動項位移預測

利用滑坡原始累計變形位移減去趨勢項位移即可得波動項位移，若直接將波動項位移作為預測模型輸入，而不考慮外界誘發(fā)因素對滑坡位移的響應，則會使預測結(jié)果不準確[19]。因此在對新灘滑坡進行實地調(diào)研并收集全周期監(jiān)測外界誘發(fā)因素數(shù)據(jù)(降雨、地表水位、地滲透壓、土壤含水率、坡度等)的基礎上，結(jié)合滑坡累計位移時間數(shù)據(jù)分析確定對波動項位移影響較大的因子，并將其作為預測模型的輸入。

2.4.1 影響因子篩選

新灘滑坡研究表明，降雨能否誘發(fā)滑坡，不完全取決于降雨強度與大小，還在于滑坡所處的發(fā)展階段，在滑坡條件尚未成熟時，久雨、暴雨也不能造成整體滑動；在臨滑階段，只要是可形成地下水活動的低水平降雨也能成為誘發(fā)因素。因此，擬選取降雨x1(單位：mm)、地表水位x2(單位：mm)、孔隙水滲透壓x3(單位：kPa)、土壤含水率x4(單位：%)、坡度x5(單位：°)、坡高x6(單位：m)、堆積物自重x7(單位：N)、后緣荷載x8(t)8個影響因子共90期數(shù)據(jù)集，如表1所示。采用灰色關(guān)聯(lián)度[20]篩選出主要影響因子并將其作為模型初始輸入，具體步驟如下。

Step 1構(gòu)建[m,l]維矩陣X′i=[x′i(1),x′i(2),…,x′i(m)]T,i=1,2,…,l,l為因子類型個數(shù)，m為期數(shù)。

Step 2確定參考序列X′0=[x′0(1),x′0(2),…,x′0(m)]，其中x′0(m)為0～90期波動項位移量。

Step 3采用均值法對各影響因子數(shù)據(jù)及參考序列進行無量綱化，如式(15)所示：

(15)

Step 4逐個計算每個影響因子對象與參考序列對應元素的絕對差值|x0(k)-xi(k)|，(k=1,2,…,m；i=1,2,…,l)。

Step 5計算關(guān)聯(lián)系數(shù)ζi(k)及關(guān)聯(lián)度ri。

(16)

(17)

式中:k=1,2,…,m；ρ為分辨系數(shù)，通常取值為0.5，提取后各影響因子關(guān)聯(lián)度如圖10所示。

圖10 影響因子關(guān)聯(lián)度Fig.10 Correlation degree of influence factors

由圖10可知，8個影響因子的關(guān)聯(lián)度分別為86.236%、67.571%、42.183%、68.299%、22.645%、14.265%、63.434%、65.856%。當誘發(fā)因素與滑坡位移關(guān)聯(lián)度超過0.6[21]，認為該因素對滑坡變形有著較強的促進作用?；疑P(guān)聯(lián)度采用數(shù)據(jù)驅(qū)動的方法，通過大量的數(shù)據(jù)計算來探尋事物間的內(nèi)在聯(lián)系，而數(shù)據(jù)驅(qū)動算法對待數(shù)據(jù)具有平等性。楊背背等[5]采用灰色關(guān)聯(lián)度對白水河滑坡進行影響因子篩選，預測效果較好；黃健等[22]在對垮梁子滑坡變形成因分析中以灰色關(guān)聯(lián)度篩選最優(yōu)影響因子，預測精度較高；李仕波等[23]利用灰色關(guān)聯(lián)度篩選外界誘發(fā)因子，在對臺階狀位移特征滑坡案例中采用LS-SVM模型進行預測，模型預測精度較高。因此剔除坡度、坡高、滲透壓3個因子，將降雨、地表水位、土壤含水率、堆積物自重、后緣荷載以及波動項位移作為預測模型的輸入，保證了數(shù)據(jù)在實際應用中的相對合理性。

2.4.2 模型建立及參數(shù)選取

采用LSTM模型與RNN對波動項位移進行預測，并與傳統(tǒng)神經(jīng)網(wǎng)絡BP、ELM做對比驗證采取模型的優(yōu)越性。其中70%的數(shù)據(jù)用于模型訓練，30%的數(shù)據(jù)用于驗證，如圖8所示。將篩選后的外界影響因子及波動項位移歸一化到[0,1]區(qū)間作為預測模型的輸入，波動項位移作為輸出。利用Keras框架與TensorFlow后端支持搭建模型，本文模型中輸入層節(jié)點數(shù)為12，輸出層數(shù)為1，使用果蠅算法[24](FOA)對LSTM網(wǎng)絡隱藏層節(jié)點數(shù)進行尋優(yōu)，結(jié)果表明當隱藏層數(shù)為18時，LSTM模型具有更高的精度。

2.4.3 波動項位移預測結(jié)果對比分析

采用已在滑坡位移預測方面具有較好應用的BP、極限學習機(ELM)神經(jīng)網(wǎng)絡進行模型對比評價。以粒子群優(yōu)化(PSO)算法對BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值進行優(yōu)化，粒子群優(yōu)化算法(particle swarm optimization，PSO)參數(shù)設置：粒子群規(guī)模N=40，粒子群迭代次數(shù)為246，加速常數(shù)c1=1.59，c2=1.463 84，粒子位置最大值為1，最小值為-1，粒子維度空間d=206；ELM神經(jīng)網(wǎng)絡采用Sigmoid核函數(shù)，最佳隱含層神經(jīng)元個數(shù)為28[25]。

表1 各影響因子參量矩陣

圖11為波動項位移預測結(jié)果，2007年5—11月位移波動較大，其中2007年5—7月由于主要外界誘發(fā)因素降雨量增多，位移呈現(xiàn)出非勻速增長趨勢；2007年8—10月隨著降雨量的減少，位移增長趨勢逐漸緩慢；2007年11月—2008年1月，由于外界降雨以及地表水位的增幅基本相對較小滑坡變形位移整體呈現(xiàn)下降趨勢。從圖11可以看出，滑坡變形位移在整個非線性變化過程中BP與ELM神經(jīng)網(wǎng)絡對外界誘發(fā)因素所產(chǎn)生的波動性位移預測效果較差；RNN與LSTM模型預測值均與實際波動項位移的變化趨勢一致，預測效果相對穩(wěn)定，能較好地反映滑坡體受外界誘發(fā)因素所產(chǎn)生的波動性位移。

由表2可知，RNN與LSTM兩種模型在預測某一期波動項位移時，RNN預測所用時間比LSTM要快約50倍，但LSTM預測模型的擬合優(yōu)度R2為0.95高于RNN、BP、ELM神經(jīng)網(wǎng)絡，其平均百分比誤差MAPE為1.856%、均方根誤差RMSE為0.324 mm均小于其他神經(jīng)網(wǎng)絡。究其原因，LSTM為解決RNN在處理長時序數(shù)據(jù)時產(chǎn)生的梯度爆炸或梯度消失現(xiàn)象而引入了“門”以及其算法內(nèi)部結(jié)構(gòu)、參數(shù)的復雜，使其在處理長時序數(shù)據(jù)的能力大大提高，相應地LSTM的計算時間也會增加。而在本次滑坡位移預測實例中，各模型預測所需的計算時間可忽略，因其位移的演化是一個逐漸累積的過程，需要的時間遠大于計算機預測所需的時間。

圖11 波動項位移Fig.11 Wave term displaceme

因此，引入外界影響因子的 LSTM 神經(jīng)網(wǎng)絡模型較其他預測模型，預測結(jié)果更優(yōu)，且在描述滑坡變形趨勢與規(guī)律上更加穩(wěn)定，更適用于滑坡位移預測 。

2.5 累計位移預測結(jié)果

將預測所得趨勢項位移與波動項位移進行累加得到最終累計變形位移，如圖12所示，2007年與2008年中，每年5—11月滑坡變形位移受外界因素而波動較大，所采用的LSTM模型預測位移與實測位移吻合度較高,其中RMSE為0.327 mm，MAPE為1.026%，擬合優(yōu)度R2為0.978。

為進一步驗證本文模型的科學性與適用性，采用訓練后的LSTM模型對2008年位移進行預測，以滑坡實際監(jiān)測點位移作為驗證數(shù)據(jù)集。從圖12中可以看出LSTM模型預測值與實際監(jiān)測位移一致性依然較高，可見，LSTM動態(tài)神經(jīng)網(wǎng)絡預測的滑坡位移精度較好，能夠較好地表征滑坡體變形演化過程。

表2 各模型預測結(jié)果及評價指標Table 2 Prediction results and evaluation indexes of each model

圖12 累計變形位移Fig.12 Accumulated deformation displacement

3 結(jié)論

以滑坡體變形位移為研究對象，同時引入外界影響因子，采用LSTM神經(jīng)網(wǎng)絡對新灘滑坡GXT4監(jiān)測點進行分析預測，得出如下主要結(jié)論。

(1)將滑坡累計變形位移分解為受內(nèi)部演化的趨勢項與外界誘發(fā)因素導致的波動項。趨勢項位移與波動項位移均表現(xiàn)出良好的趨勢性；相較于原有的RNN與傳統(tǒng)的靜態(tài)神經(jīng)網(wǎng)絡BP、ELM預測模型，采用動態(tài)神經(jīng)網(wǎng)絡LSTM預測模型對外界誘發(fā)因素所產(chǎn)生的波動性位移具有良好的反應能力，平均百分比誤差MAPE為1.026%，均方根誤差RMSE為0.327 mm，擬合優(yōu)度R2為0.978。

(2)灰色關(guān)聯(lián)度篩選出對波動項位移具有較大促進作用的外界因子為降雨、地表水位、土壤含水率、堆積物自重、后緣荷載；此外，LSTM模型相較于原有的RNN模型預測精度更高，但其計算時間比RNN慢，而計算機訓練耗時在滑坡位移預測中可忽略。究其原因，LSTM獨有的內(nèi)部結(jié)構(gòu)，以及眾多參數(shù)使其在提高進度的同時也耗費了計算時間。

(3)滑坡預測的結(jié)果可轉(zhuǎn)化為滑坡風險預測，因此LSTM動態(tài)預測模型對滑坡預測預報研究具有一定的促進意義。此外，滑坡體演化所處不同階段時選用的預測模型對預測精度也有一定的影響，所使用的方法是相對于滑坡體變形的整個演化過程，沒有考慮滑坡體演化所處階段進而選用相應有效的預報模型，因此對滑坡體變形階段的劃分與進一步選用適當?shù)念A測模型，最終實現(xiàn)臨滑點的預報是下一步研究的重點。