尧图网页设计 
简介这份资源聚焦滑坡位移预测这一地质灾害研究中的典型回归问题面向地质灾害研究人员、土木工程方向学生以及机器学习入门实践者提供基于最小二乘支持向量机LSSVM的MATLAB实现方案。压缩包共3个文件均为.m脚本整体约2KB体量轻巧便于快速阅读与二次开发其中核心脚本承担数据预处理、核函数选择、正则化参数与惩罚系数设置、模型训练及位移预测的完整流程另两个脚本则实现反向传播神经网络可用于与LSSVM的预测效果做横向对比。资源强调从降雨量、土壤含水率、地形斜度等多源特征中挖掘与滑坡位移之间的非线性关系帮助读者理解LSSVM建模思路并评估不同模型的优劣。目前已有359人学习适合作为小样本、短周期内掌握LSSVM滑坡预测流程的实践参考。1. 滑坡位移预测为什么总在雨季翻车LSSVM 能补上哪块短板每年汛期做地质灾害监测的同行都会经历一轮相似的焦虑GNSS 位移计、裂缝计、雨量计的数据都在往平台上涌可真正能提前 24 小时给出可信位移预报的模型并不多。传统做法要么用经验阈值拍脑袋要么用 BP 神经网络硬拟合前者误报率高后者在小样本、强非线性、多因子耦合的滑坡位移序列上经常过拟合一到连续降雨就集体翻车。LSSVMLeast Squares Support Vector Machine最小二乘支持向量机滑坡预测正是针对这类痛点被反复拿出来讨论的方案它把标准 SVM 的不等式约束换成等式约束把二次规划问题化简成线性方程组求解训练速度快、小样本泛化稳特别适合滑坡位移这种数据量不大、机理复杂、又要求短期精度的场景。这篇笔记面向做边坡监测、地灾预警、时序预测的一线工程师从原理选型一路讲到能跑起来的代码、参数怎么调、坑在哪读完你应该能自己搭一套 LSSVM 滑坡位移预测的最小可用流程。2. LSSVM 做滑坡位移预测的原理与选型理由2.1 从 SVM 到 LSSVM等式约束换来了什么标准 SVM 回归SVR的原始问题带不等式约束求解要解一个凸二次规划样本量上千以后训练时间会明显拉长。LSSVM 的核心改动只有一处把松弛变量约束从不等式改成等式损失函数里的松弛项从一次改成二次。这个改动让拉格朗日乘子可以直接由线性方程组解出不用迭代求 QP。代价是解失去稀疏性支持向量几乎覆盖全部样本但对滑坡位移这种样本量通常几百到几千条的监测序列来说这个代价完全可以接受。用公式说清楚给定训练集 ${(x_i, y_i)}_{i1}^{N}$LSSVM 回归的目标是$$\min_{w,b,e} \ J(w,e) \frac{1}{2}|w|^2 \frac{\gamma}{2}\sum_{i1}^{N} e_i^2$$约束为 $y_i w^T\varphi(x_i) b e_i$。引入拉格朗日乘子后问题转化为求解线性系统$$\begin{bmatrix} 0 \mathbf{1}^T \ \mathbf{1} \Omega \gamma^{-1}I \end{bmatrix} \begin{bmatrix} b \ \alpha \end{bmatrix} \begin{bmatrix} 0 \ y \end{bmatrix}$$其中 $\Omega_{ij} K(x_i, x_j)$ 是核矩阵。解出 $\alpha$ 和 $b$ 后预测函数就是 $f(x) \sum_{i1}^{N}\alpha_i K(x_i, x) b$。整个训练过程没有迭代一次解方程搞定这是它比 BP、标准 SVR 在工程上更讨喜的根本原因。2.2 滑坡位移预测的输入输出该怎么定滑坡位移不是孤立的时间序列它受降雨、库水位、地下水位、温度等多因子驱动。工程上常见的建模方式有两类一类是纯时序自回归用前 k 个时刻的位移预测下一时刻位移输入是 $[d_{t-k}, ..., d_{t-1}]$输出 $d_t$。优点是数据要求低缺点是忽略了降雨等外因雨季突变时容易滞后。另一类是多因子驱动输入是 $[d_{t-1}, d_{t-2}, R_{t}, R_{t-1}, R_{t-2}, W_t]$ 这样的组合其中 R 是降雨量W 是库水位或地下水位。这类模型在雨季精度明显更好但要求各因子和位移在时间上对齐且量纲差异大必须归一化。我一般推荐多因子方案因为滑坡位移的阶跃几乎都和降雨强相关纯自回归模型在阶跃点会系统性低估。输入维度控制在 610 维比较稳维度太高会稀释核函数的作用距离反而降低泛化。2.3 核函数怎么选RBF 是默认答案但不是唯一答案LSSVM 的核函数决定了它拟合非线性关系的能力。滑坡位移预测里最常用的是 RBF 核$$K(x_i, x_j) \exp\left(-\frac{|x_i - x_j|^2}{2\sigma^2}\right)$$它只有一个带宽参数 $\sigma$工程上常写成 $\sigma^2$ 或 $\gamma_{kernel}$配合正则化参数 $\gamma$ 一起调参数少、鲁棒性好。线性核在位移序列近似线性增长时够用但一旦进入加速变形阶段就明显欠拟合。多项式核参数多、数值不稳定除非你有明确的物理依据否则不建议在滑坡场景用。选型结论默认 RBF 核参数用网格搜索或智能优化算法PSO、GWO调。这也是 LSSVM 滑坡预测文献里最主流的配置。2.4 最小可复现流程从原始监测数据到预测曲线下面给一套能直接跑的 Python 流程用numpyscipy手写 LSSVM 回归不依赖冷门库方便你嵌到自己的监测系统里。import numpy as np from scipy.linalg import solve from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error, r2_score def rbf_kernel(X1, X2, sigma): RBF 核矩阵sigma 为带宽 # 用广播计算两两欧氏距离平方 sq1 np.sum(X1**2, axis1).reshape(-1, 1) sq2 np.sum(X2**2, axis1).reshape(1, -1) dist2 sq1 sq2 - 2 * X1 X2.T return np.exp(-dist2 / (2 * sigma**2)) def lssvm_fit(X, y, gamma, sigma): 训练 LSSVM 回归返回 alpha 和 b N X.shape[0] Omega rbf_kernel(X, X, sigma) # 构造线性系统 [0, 1^T; 1, Omega I/gamma] A np.zeros((N 1, N 1)) A[0, 0] 0 A[0, 1:] 1 A[1:, 0] 1 A[1:, 1:] Omega np.eye(N) / gamma rhs np.concatenate([[0], y]) sol solve(A, rhs, assume_asym) b sol[0] alpha sol[1:] return alpha, b def lssvm_predict(X_train, alpha, b, X_test, sigma): 预测新样本 K rbf_kernel(X_test, X_train, sigma) return K alpha b # ---- 数据准备假设已有位移 d 和降雨 r 两列构造滑动窗口 ---- def build_dataset(disp, rain, lag3): X, y [], [] for t in range(lag, len(disp)): feat list(disp[t-lag:t]) list(rain[t-lag:t]) X.append(feat) y.append(disp[t]) return np.array(X), np.array(y) # 示例替换成你自己的监测序列 # disp np.loadtxt(displacement.csv) # rain np.loadtxt(rainfall.csv) # X, y build_dataset(disp, rain, lag3) # 归一化输入输出都要缩到 [0,1]否则核矩阵数值病态 scaler_X MinMaxScaler() scaler_y MinMaxScaler() # Xs scaler_X.fit_transform(X) # ys scaler_y.fit_transform(y.reshape(-1,1)).ravel() # 训练 # alpha, b lssvm_fit(Xs, ys, gamma50, sigma1.0) # y_pred lssvm_predict(Xs, alpha, b, Xs, sigma1.0) # y_pred_inv scaler_y.inverse_transform(y_pred.reshape(-1,1)).ravel() # print(RMSE:, np.sqrt(mean_squared_error(y, y_pred_inv))) # print(R2:, r2_score(y, y_pred_inv))逻辑说明rbf_kernel用广播算距离矩阵避免双重循环lssvm_fit按 2.1 的线性系统组装矩阵solve用对称求解器提速build_dataset把位移和降雨拼成滑动窗口特征。参数方面lag是自回归阶数滑坡位移一般取 35gamma是正则化参数越大越贴近训练数据越小越平滑sigma是 RBF 带宽控制核的影响范围。归一化这一步不能省位移和降雨量纲差几个数量级不归一化核矩阵会直接病态。3. 参数调优与多步预测让 LSSVM 滑坡预测真正可用3.1 gamma 和 sigma 的联合搜索网格太慢就用智能算法LSSVM 只有两个核心超参数但它们的联合空间是非凸的网格搜索在 0.1100 这种跨度上要跑几百次训练。工程上更实际的做法是先用粗网格定位再用粒子群PSO或灰狼GWO细化。下面给一个 PSO 调参的最小实现目标函数用验证集 RMSE。import numpy as np def fitness(params, X_tr, y_tr, X_val, y_val): gamma, sigma params if gamma 0 or sigma 0: return 1e9 alpha, b lssvm_fit(X_tr, y_tr, gamma, sigma) pred lssvm_predict(X_tr, alpha, b, X_val, sigma) return np.sqrt(np.mean((pred - y_val)**2)) def pso_optimize(X_tr, y_tr, X_val, y_val, n_particles20, n_iter30, bounds((1, 200), (0.1, 5))): dim 2 # 初始化粒子位置和速度 pos np.random.uniform( [b[0] for b in bounds], [b[1] for b in bounds], size(n_particles, dim)) vel np.random.uniform(-0.1, 0.1, size(n_particles, dim)) pbest pos.copy() pbest_score np.array([fitness(p, X_tr, y_tr, X_val, y_val) for p in pos]) gbest pbest[np.argmin(pbest_score)] gbest_score pbest_score.min() w, c1, c2 0.7, 1.5, 1.5 for _ in range(n_iter): r1, r2 np.random.rand(n_particles, dim), np.random.rand(n_particles, dim) vel w * vel c1 * r1 * (pbest - pos) c2 * r2 * (gbest - pos) pos pos vel # 边界裁剪 for d, (lo, hi) in enumerate(bounds): pos[:, d] np.clip(pos[:, d], lo, hi) scores np.array([fitness(p, X_tr, y_tr, X_val, y_val) for p in pos]) improved scores pbest_score pbest[improved] pos[improved] pbest_score[improved] scores[improved] if pbest_score.min() gbest_score: gbest pbest[np.argmin(pbest_score)] gbest_score pbest_score.min() return gbest, gbest_score逻辑说明fitness就是一次完整的 LSSVM 训练加验证返回验证集 RMSEpso_optimize里bounds是 gamma 和 sigma 的搜索范围滑坡场景一般 gamma 在 1200、sigma 在 0.15 之间就够。n_particles和n_iter是精度和耗时的权衡20 粒子 30 代在几百条样本上通常几十秒能跑完。注意验证集必须按时间顺序切不能随机打乱否则会引入未来信息指标虚高。3.2 多步预测直接法和递归法怎么选滑坡预警关心的是未来 13 天的位移不是下一时刻。多步预测有两条路递归法用预测出的 $\hat{d}_t$ 当作下一步的输入滚动向前。实现简单但误差会累积三步以后曲线容易发散。直接法为每个预测步长单独训练一个 LSSVM输入相同输出分别是 $d_{t1}$、$d_{t2}$、$d_{t3}$。训练成本翻倍但每步独立误差不传播。我的经验是1 步用递归23 步用直接法。滑坡位移的短期自相关强递归一步误差可控超过两步后递归法的累积误差会让预测曲线明显偏离直接法更稳。3.3 评价指标不能只看 RMSE位移预测里 RMSE 会被大位移段主导小位移段的误差被淹没。建议同时看三个指标指标含义滑坡场景关注点RMSE均方根误差整体拟合水平MAE平均绝对误差对小位移段更敏感MAPE平均绝对百分比误差位移接近 0 时会爆炸慎用R²决定系数看模型解释了多少方差另外强烈建议画预测-实测对比曲线重点看阶跃段降雨后位移突增的跟随能力。很多模型整体 RMSE 很漂亮但阶跃点滞后 12 天这种在预警里是致命的。3.4 训练集/验证集划分时间序列不能随机切这是滑坡预测里最常见的翻车点。用train_test_split随机切会让模型看到未来验证指标虚高上线后精度断崖式下跌。正确做法是按时间顺序切前 70% 训练中间 15% 验证调参最后 15% 测试。如果要做滚动预测验证用 expanding window每次用前 t 个样本训练预测第 t1 个然后窗口前移。def time_split(X, y, train_ratio0.7, val_ratio0.15): n len(y) n_train int(n * train_ratio) n_val int(n * val_ratio) return (X[:n_train], y[:n_train], X[n_train:n_trainn_val], y[n_train:n_trainn_val], X[n_trainn_val:], y[n_trainn_val:])逻辑说明time_split严格按索引顺序切不做任何打乱。train_ratio和val_ratio按样本量调整样本少于 300 条时验证集可以只留 10%。测试集只在最后评估用一次调参过程中绝对不能碰。4. LSSVM 滑坡位移预测的避坑与排查清单4.1 坑一不归一化直接训练核矩阵数值溢出现象训练时solve报奇异矩阵或者 alpha 出现 1e10 量级的异常值预测曲线是一条水平线。原因位移单位是毫米降雨是毫米但库水位可能是米量纲差 34 个数量级。RBF 核里距离平方被大数值主导核矩阵条件数爆炸。解决输入输出全部用 MinMaxScaler 缩到 [0,1]或者用 StandardScaler 标准化。注意 scaler 只能在训练集上 fit验证和测试集用同一个 scaler transform否则数据泄漏。4.2 坑二gamma 调得太大模型把噪声当信号现象训练集 RMSE 极低接近 0验证集 RMSE 是训练集的 510 倍预测曲线在实测值上下剧烈抖动。原因gamma 是正则化参数越大对训练误差惩罚越重模型会强行穿过每个训练点把监测噪声也拟合进去。解决把 gamma 搜索范围下移从 150 开始试而不是 1001000。同时看训练/验证 RMSE 的比值超过 3 就说明过拟合继续降 gamma。4.3 坑三滑动窗口 lag 设得太大特征维度爆炸现象样本量 500 条lag 设成 10特征维度 20训练出来的模型在验证集上 R² 只有 0.3。原因LSSVM 虽然适合小样本但特征维度接近样本量时核矩阵接近奇异泛化能力急剧下降。滑坡位移的自相关性通常在 35 阶内就衰减得差不多了。解决lag 从 3 开始试用自相关函数ACF看位移序列的截尾点lag 取 ACF 降到 0.2 以下的阶数。多因子输入时每个因子的 lag 可以不同但总维度控制在样本量的 1/10 以内。4.4 坑四用随机切分做验证指标虚高现象验证集 R² 0.95上线后实际预测 R² 只有 0.6阶跃段完全跟不上。原因随机切分让训练集里混入了测试时段之后的样本模型偷看了未来。时间序列的样本不独立随机切分破坏了时序结构。解决严格按时间顺序切分用 3.4 的time_split。如果样本量允许做滚动预测验证每次只用历史数据训练。4.5 坑五忽略降雨的滞后效应阶跃段预测滞后现象整体 RMSE 不错但每次降雨后位移突增模型要 12 天才跟上预警窗口被吃掉。原因降雨入渗到滑坡体、孔隙水压上升到位移响应有物理滞后。如果输入只放当前时刻降雨模型学不到这个滞后关系。解决降雨因子做多阶滞后至少放 $R_t, R_{t-1}, R_{t-2}$有条件的话用累积降雨3 日累积、7 日累积作为特征。累积降雨对滑坡位移的解释力通常比单日降雨强得多。5. 把 LSSVM 滑坡预测推到工程可用的几个进阶技巧走到这里模型能跑、参数会调、坑也避开了但离工程可用还差一步。分享几个我在实际监测项目里反复验证过的技巧。第一残差修正比换模型更划算。LSSVM 预测完以后把残差序列单独拿出来看如果残差还有明显的自相关说明模型没吃干净信息。这时候不用换模型用一个简单的 AR(1) 对残差建模把残差预测加回主预测阶跃段的跟随能力能提升 10%20%。这个技巧成本极低但效果经常比调半天参数明显。第二多模型集成压住单点波动。用不同的 gamma/sigma 组合训练 510 个 LSSVM预测值取中位数而不是均值。中位数对异常预测更鲁棒在降雨突变时段能有效压住个别模型的发散。集成权重可以按验证集 RMSE 反比分配也可以简单等权。第三在线更新要设触发条件不能无脑滚动。监测数据每天新增模型要不要每天重训我的做法是设两个触发条件一是新样本的预测残差连续 3 天超过验证集 RMSE 的 2 倍二是位移速率超过历史 90 分位数。满足任一条件才触发重训否则保持模型不动。无脑每天重训会让模型在噪声里漂移反而降低稳定性。第四把预测区间一起输出。预警不能只给一个点估计决策者需要知道未来 3 天位移有 90% 概率落在什么区间。LSSVM 本身不给区间但可以用验证集残差的分位数构造经验区间预测值 ± 残差 90 分位数。虽然粗糙但在工程上足够用比只给一条曲线强得多。最后说个我自己的习惯每次模型上线前我一定会把过去 3 年汛期的数据单独拎出来做一次回测重点看每年最大位移阶跃点的预测误差。整体指标再好看只要有一个汛期的阶跃点误差超过 20%这个模型我就不敢放到预警系统里。滑坡预测这件事宁可保守不能激进。希望帮到你。本文还有配套的精品资源点击获取 LSSVM滑坡位移预测实战：原理、调参、避坑与工程化
简介这份资源聚焦滑坡位移预测这一地质灾害研究中的典型回归问题面向地质灾害研究人员、土木工程方向学生以及机器学习入门实践者提供基于最小二乘支持向量机LSSVM的MATLAB实现方案。压缩包共3个文件均为.m脚本整体约2KB体量轻巧便于快速阅读与二次开发其中核心脚本承担数据预处理、核函数选择、正则化参数与惩罚系数设置、模型训练及位移预测的完整流程另两个脚本则实现反向传播神经网络可用于与LSSVM的预测效果做横向对比。资源强调从降雨量、土壤含水率、地形斜度等多源特征中挖掘与滑坡位移之间的非线性关系帮助读者理解LSSVM建模思路并评估不同模型的优劣。目前已有359人学习适合作为小样本、短周期内掌握LSSVM滑坡预测流程的实践参考。1. 滑坡位移预测为什么总在雨季翻车LSSVM 能补上哪块短板每年汛期做地质灾害监测的同行都会经历一轮相似的焦虑GNSS 位移计、裂缝计、雨量计的数据都在往平台上涌可真正能提前 24 小时给出可信位移预报的模型并不多。传统做法要么用经验阈值拍脑袋要么用 BP 神经网络硬拟合前者误报率高后者在小样本、强非线性、多因子耦合的滑坡位移序列上经常过拟合一到连续降雨就集体翻车。LSSVMLeast Squares Support Vector Machine最小二乘支持向量机滑坡预测正是针对这类痛点被反复拿出来讨论的方案它把标准 SVM 的不等式约束换成等式约束把二次规划问题化简成线性方程组求解训练速度快、小样本泛化稳特别适合滑坡位移这种数据量不大、机理复杂、又要求短期精度的场景。这篇笔记面向做边坡监测、地灾预警、时序预测的一线工程师从原理选型一路讲到能跑起来的代码、参数怎么调、坑在哪读完你应该能自己搭一套 LSSVM 滑坡位移预测的最小可用流程。2. LSSVM 做滑坡位移预测的原理与选型理由2.1 从 SVM 到 LSSVM等式约束换来了什么标准 SVM 回归SVR的原始问题带不等式约束求解要解一个凸二次规划样本量上千以后训练时间会明显拉长。LSSVM 的核心改动只有一处把松弛变量约束从不等式改成等式损失函数里的松弛项从一次改成二次。这个改动让拉格朗日乘子可以直接由线性方程组解出不用迭代求 QP。代价是解失去稀疏性支持向量几乎覆盖全部样本但对滑坡位移这种样本量通常几百到几千条的监测序列来说这个代价完全可以接受。用公式说清楚给定训练集 ${(x_i, y_i)}_{i1}^{N}$LSSVM 回归的目标是$$\min_{w,b,e} \ J(w,e) \frac{1}{2}|w|^2 \frac{\gamma}{2}\sum_{i1}^{N} e_i^2$$约束为 $y_i w^T\varphi(x_i) b e_i$。引入拉格朗日乘子后问题转化为求解线性系统$$\begin{bmatrix} 0 \mathbf{1}^T \ \mathbf{1} \Omega \gamma^{-1}I \end{bmatrix} \begin{bmatrix} b \ \alpha \end{bmatrix} \begin{bmatrix} 0 \ y \end{bmatrix}$$其中 $\Omega_{ij} K(x_i, x_j)$ 是核矩阵。解出 $\alpha$ 和 $b$ 后预测函数就是 $f(x) \sum_{i1}^{N}\alpha_i K(x_i, x) b$。整个训练过程没有迭代一次解方程搞定这是它比 BP、标准 SVR 在工程上更讨喜的根本原因。2.2 滑坡位移预测的输入输出该怎么定滑坡位移不是孤立的时间序列它受降雨、库水位、地下水位、温度等多因子驱动。工程上常见的建模方式有两类一类是纯时序自回归用前 k 个时刻的位移预测下一时刻位移输入是 $[d_{t-k}, ..., d_{t-1}]$输出 $d_t$。优点是数据要求低缺点是忽略了降雨等外因雨季突变时容易滞后。另一类是多因子驱动输入是 $[d_{t-1}, d_{t-2}, R_{t}, R_{t-1}, R_{t-2}, W_t]$ 这样的组合其中 R 是降雨量W 是库水位或地下水位。这类模型在雨季精度明显更好但要求各因子和位移在时间上对齐且量纲差异大必须归一化。我一般推荐多因子方案因为滑坡位移的阶跃几乎都和降雨强相关纯自回归模型在阶跃点会系统性低估。输入维度控制在 610 维比较稳维度太高会稀释核函数的作用距离反而降低泛化。2.3 核函数怎么选RBF 是默认答案但不是唯一答案LSSVM 的核函数决定了它拟合非线性关系的能力。滑坡位移预测里最常用的是 RBF 核$$K(x_i, x_j) \exp\left(-\frac{|x_i - x_j|^2}{2\sigma^2}\right)$$它只有一个带宽参数 $\sigma$工程上常写成 $\sigma^2$ 或 $\gamma_{kernel}$配合正则化参数 $\gamma$ 一起调参数少、鲁棒性好。线性核在位移序列近似线性增长时够用但一旦进入加速变形阶段就明显欠拟合。多项式核参数多、数值不稳定除非你有明确的物理依据否则不建议在滑坡场景用。选型结论默认 RBF 核参数用网格搜索或智能优化算法PSO、GWO调。这也是 LSSVM 滑坡预测文献里最主流的配置。2.4 最小可复现流程从原始监测数据到预测曲线下面给一套能直接跑的 Python 流程用numpyscipy手写 LSSVM 回归不依赖冷门库方便你嵌到自己的监测系统里。import numpy as np from scipy.linalg import solve from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error, r2_score def rbf_kernel(X1, X2, sigma): RBF 核矩阵sigma 为带宽 # 用广播计算两两欧氏距离平方 sq1 np.sum(X1**2, axis1).reshape(-1, 1) sq2 np.sum(X2**2, axis1).reshape(1, -1) dist2 sq1 sq2 - 2 * X1 X2.T return np.exp(-dist2 / (2 * sigma**2)) def lssvm_fit(X, y, gamma, sigma): 训练 LSSVM 回归返回 alpha 和 b N X.shape[0] Omega rbf_kernel(X, X, sigma) # 构造线性系统 [0, 1^T; 1, Omega I/gamma] A np.zeros((N 1, N 1)) A[0, 0] 0 A[0, 1:] 1 A[1:, 0] 1 A[1:, 1:] Omega np.eye(N) / gamma rhs np.concatenate([[0], y]) sol solve(A, rhs, assume_asym) b sol[0] alpha sol[1:] return alpha, b def lssvm_predict(X_train, alpha, b, X_test, sigma): 预测新样本 K rbf_kernel(X_test, X_train, sigma) return K alpha b # ---- 数据准备假设已有位移 d 和降雨 r 两列构造滑动窗口 ---- def build_dataset(disp, rain, lag3): X, y [], [] for t in range(lag, len(disp)): feat list(disp[t-lag:t]) list(rain[t-lag:t]) X.append(feat) y.append(disp[t]) return np.array(X), np.array(y) # 示例替换成你自己的监测序列 # disp np.loadtxt(displacement.csv) # rain np.loadtxt(rainfall.csv) # X, y build_dataset(disp, rain, lag3) # 归一化输入输出都要缩到 [0,1]否则核矩阵数值病态 scaler_X MinMaxScaler() scaler_y MinMaxScaler() # Xs scaler_X.fit_transform(X) # ys scaler_y.fit_transform(y.reshape(-1,1)).ravel() # 训练 # alpha, b lssvm_fit(Xs, ys, gamma50, sigma1.0) # y_pred lssvm_predict(Xs, alpha, b, Xs, sigma1.0) # y_pred_inv scaler_y.inverse_transform(y_pred.reshape(-1,1)).ravel() # print(RMSE:, np.sqrt(mean_squared_error(y, y_pred_inv))) # print(R2:, r2_score(y, y_pred_inv))逻辑说明rbf_kernel用广播算距离矩阵避免双重循环lssvm_fit按 2.1 的线性系统组装矩阵solve用对称求解器提速build_dataset把位移和降雨拼成滑动窗口特征。参数方面lag是自回归阶数滑坡位移一般取 35gamma是正则化参数越大越贴近训练数据越小越平滑sigma是 RBF 带宽控制核的影响范围。归一化这一步不能省位移和降雨量纲差几个数量级不归一化核矩阵会直接病态。3. 参数调优与多步预测让 LSSVM 滑坡预测真正可用3.1 gamma 和 sigma 的联合搜索网格太慢就用智能算法LSSVM 只有两个核心超参数但它们的联合空间是非凸的网格搜索在 0.1100 这种跨度上要跑几百次训练。工程上更实际的做法是先用粗网格定位再用粒子群PSO或灰狼GWO细化。下面给一个 PSO 调参的最小实现目标函数用验证集 RMSE。import numpy as np def fitness(params, X_tr, y_tr, X_val, y_val): gamma, sigma params if gamma 0 or sigma 0: return 1e9 alpha, b lssvm_fit(X_tr, y_tr, gamma, sigma) pred lssvm_predict(X_tr, alpha, b, X_val, sigma) return np.sqrt(np.mean((pred - y_val)**2)) def pso_optimize(X_tr, y_tr, X_val, y_val, n_particles20, n_iter30, bounds((1, 200), (0.1, 5))): dim 2 # 初始化粒子位置和速度 pos np.random.uniform( [b[0] for b in bounds], [b[1] for b in bounds], size(n_particles, dim)) vel np.random.uniform(-0.1, 0.1, size(n_particles, dim)) pbest pos.copy() pbest_score np.array([fitness(p, X_tr, y_tr, X_val, y_val) for p in pos]) gbest pbest[np.argmin(pbest_score)] gbest_score pbest_score.min() w, c1, c2 0.7, 1.5, 1.5 for _ in range(n_iter): r1, r2 np.random.rand(n_particles, dim), np.random.rand(n_particles, dim) vel w * vel c1 * r1 * (pbest - pos) c2 * r2 * (gbest - pos) pos pos vel # 边界裁剪 for d, (lo, hi) in enumerate(bounds): pos[:, d] np.clip(pos[:, d], lo, hi) scores np.array([fitness(p, X_tr, y_tr, X_val, y_val) for p in pos]) improved scores pbest_score pbest[improved] pos[improved] pbest_score[improved] scores[improved] if pbest_score.min() gbest_score: gbest pbest[np.argmin(pbest_score)] gbest_score pbest_score.min() return gbest, gbest_score逻辑说明fitness就是一次完整的 LSSVM 训练加验证返回验证集 RMSEpso_optimize里bounds是 gamma 和 sigma 的搜索范围滑坡场景一般 gamma 在 1200、sigma 在 0.15 之间就够。n_particles和n_iter是精度和耗时的权衡20 粒子 30 代在几百条样本上通常几十秒能跑完。注意验证集必须按时间顺序切不能随机打乱否则会引入未来信息指标虚高。3.2 多步预测直接法和递归法怎么选滑坡预警关心的是未来 13 天的位移不是下一时刻。多步预测有两条路递归法用预测出的 $\hat{d}_t$ 当作下一步的输入滚动向前。实现简单但误差会累积三步以后曲线容易发散。直接法为每个预测步长单独训练一个 LSSVM输入相同输出分别是 $d_{t1}$、$d_{t2}$、$d_{t3}$。训练成本翻倍但每步独立误差不传播。我的经验是1 步用递归23 步用直接法。滑坡位移的短期自相关强递归一步误差可控超过两步后递归法的累积误差会让预测曲线明显偏离直接法更稳。3.3 评价指标不能只看 RMSE位移预测里 RMSE 会被大位移段主导小位移段的误差被淹没。建议同时看三个指标指标含义滑坡场景关注点RMSE均方根误差整体拟合水平MAE平均绝对误差对小位移段更敏感MAPE平均绝对百分比误差位移接近 0 时会爆炸慎用R²决定系数看模型解释了多少方差另外强烈建议画预测-实测对比曲线重点看阶跃段降雨后位移突增的跟随能力。很多模型整体 RMSE 很漂亮但阶跃点滞后 12 天这种在预警里是致命的。3.4 训练集/验证集划分时间序列不能随机切这是滑坡预测里最常见的翻车点。用train_test_split随机切会让模型看到未来验证指标虚高上线后精度断崖式下跌。正确做法是按时间顺序切前 70% 训练中间 15% 验证调参最后 15% 测试。如果要做滚动预测验证用 expanding window每次用前 t 个样本训练预测第 t1 个然后窗口前移。def time_split(X, y, train_ratio0.7, val_ratio0.15): n len(y) n_train int(n * train_ratio) n_val int(n * val_ratio) return (X[:n_train], y[:n_train], X[n_train:n_trainn_val], y[n_train:n_trainn_val], X[n_trainn_val:], y[n_trainn_val:])逻辑说明time_split严格按索引顺序切不做任何打乱。train_ratio和val_ratio按样本量调整样本少于 300 条时验证集可以只留 10%。测试集只在最后评估用一次调参过程中绝对不能碰。4. LSSVM 滑坡位移预测的避坑与排查清单4.1 坑一不归一化直接训练核矩阵数值溢出现象训练时solve报奇异矩阵或者 alpha 出现 1e10 量级的异常值预测曲线是一条水平线。原因位移单位是毫米降雨是毫米但库水位可能是米量纲差 34 个数量级。RBF 核里距离平方被大数值主导核矩阵条件数爆炸。解决输入输出全部用 MinMaxScaler 缩到 [0,1]或者用 StandardScaler 标准化。注意 scaler 只能在训练集上 fit验证和测试集用同一个 scaler transform否则数据泄漏。4.2 坑二gamma 调得太大模型把噪声当信号现象训练集 RMSE 极低接近 0验证集 RMSE 是训练集的 510 倍预测曲线在实测值上下剧烈抖动。原因gamma 是正则化参数越大对训练误差惩罚越重模型会强行穿过每个训练点把监测噪声也拟合进去。解决把 gamma 搜索范围下移从 150 开始试而不是 1001000。同时看训练/验证 RMSE 的比值超过 3 就说明过拟合继续降 gamma。4.3 坑三滑动窗口 lag 设得太大特征维度爆炸现象样本量 500 条lag 设成 10特征维度 20训练出来的模型在验证集上 R² 只有 0.3。原因LSSVM 虽然适合小样本但特征维度接近样本量时核矩阵接近奇异泛化能力急剧下降。滑坡位移的自相关性通常在 35 阶内就衰减得差不多了。解决lag 从 3 开始试用自相关函数ACF看位移序列的截尾点lag 取 ACF 降到 0.2 以下的阶数。多因子输入时每个因子的 lag 可以不同但总维度控制在样本量的 1/10 以内。4.4 坑四用随机切分做验证指标虚高现象验证集 R² 0.95上线后实际预测 R² 只有 0.6阶跃段完全跟不上。原因随机切分让训练集里混入了测试时段之后的样本模型偷看了未来。时间序列的样本不独立随机切分破坏了时序结构。解决严格按时间顺序切分用 3.4 的time_split。如果样本量允许做滚动预测验证每次只用历史数据训练。4.5 坑五忽略降雨的滞后效应阶跃段预测滞后现象整体 RMSE 不错但每次降雨后位移突增模型要 12 天才跟上预警窗口被吃掉。原因降雨入渗到滑坡体、孔隙水压上升到位移响应有物理滞后。如果输入只放当前时刻降雨模型学不到这个滞后关系。解决降雨因子做多阶滞后至少放 $R_t, R_{t-1}, R_{t-2}$有条件的话用累积降雨3 日累积、7 日累积作为特征。累积降雨对滑坡位移的解释力通常比单日降雨强得多。5. 把 LSSVM 滑坡预测推到工程可用的几个进阶技巧走到这里模型能跑、参数会调、坑也避开了但离工程可用还差一步。分享几个我在实际监测项目里反复验证过的技巧。第一残差修正比换模型更划算。LSSVM 预测完以后把残差序列单独拿出来看如果残差还有明显的自相关说明模型没吃干净信息。这时候不用换模型用一个简单的 AR(1) 对残差建模把残差预测加回主预测阶跃段的跟随能力能提升 10%20%。这个技巧成本极低但效果经常比调半天参数明显。第二多模型集成压住单点波动。用不同的 gamma/sigma 组合训练 510 个 LSSVM预测值取中位数而不是均值。中位数对异常预测更鲁棒在降雨突变时段能有效压住个别模型的发散。集成权重可以按验证集 RMSE 反比分配也可以简单等权。第三在线更新要设触发条件不能无脑滚动。监测数据每天新增模型要不要每天重训我的做法是设两个触发条件一是新样本的预测残差连续 3 天超过验证集 RMSE 的 2 倍二是位移速率超过历史 90 分位数。满足任一条件才触发重训否则保持模型不动。无脑每天重训会让模型在噪声里漂移反而降低稳定性。第四把预测区间一起输出。预警不能只给一个点估计决策者需要知道未来 3 天位移有 90% 概率落在什么区间。LSSVM 本身不给区间但可以用验证集残差的分位数构造经验区间预测值 ± 残差 90 分位数。虽然粗糙但在工程上足够用比只给一条曲线强得多。最后说个我自己的习惯每次模型上线前我一定会把过去 3 年汛期的数据单独拎出来做一次回测重点看每年最大位移阶跃点的预测误差。整体指标再好看只要有一个汛期的阶跃点误差超过 20%这个模型我就不敢放到预警系统里。滑坡预测这件事宁可保守不能激进。希望帮到你。本文还有配套的精品资源点击获取