基于BSLO优化分解与Transformer模型的滑坡位移多级置信预测方法OA

针对阶跃型滑坡位移预测中变分模态分解(variational mode decomposition,VMD)参数选择依赖经验、传统模型长序列处理能力不足及缺乏不确定性量化等问题,文章提出基于吸水蛭算法(blood-sucking leech optimizer,BSLO)分解与Transformer模型的滑坡位移多级置信预测方法。该方法采用BSLO算法构建VMD参数自适应优化框架,基于信息熵最小化准则实现信号分解;设计Transformer模型用于时序预测,移除不适用组件并增加特征增强层;构建多级置信区间预测框架,实现多时间尺度不确定性量化。以三峡库区谭家河滑坡4个监测点为例进行验证,结果显示该方法在未来1,3,7,15 d预测中表现稳定,各时间尺度R2值均超0.95,均方根误差控制在5 mm以内,95%、90%、80%置信水平下压间覆盖率分别达到0.811~0.986、0.739~0.975、0.617~0.960,覆盖率接近理论期望。相比VMD-SSA-LSTM和CNN-BiLSTM-Attention模型,本文方法在各预测时间尺度下均表现出较好的稳定性和预测精度,为库区滑坡监测预警提供了一种技术方法。