一种基于自适应模态分解和可解释深度学习的新型斜坡变形预测方法

《Scientific Reports》：A novel prediction method for slope deformation based on adaptive mode decomposition and interpretable deep learning

　　

摘要

为了解决非平稳信号处理问题以及斜坡变形预测模型中“黑箱”特性所导致的问题，本研究提出了一种基于蜣螂优化器（DBO）、变分模态分解（VMD）和长短期记忆网络（LSTM）的预测框架，并引入了SHAP方法进行可解释性分析。DBO同时优化了VMD分解参数（模态数量和惩罚因子）以及LSTM的超参数（隐藏层神经元数量、学习率和迭代次数），实现了端到端的自适应优化。在江西省的一个红土高坡案例研究中，所提出的DBO-VMD-LSTM模型取得了0.155毫米的均方根误差（RMSE）和0.993的R2值，显著优于其他对比模型（如SSA-VMD-LSTM，p < 0.001）。SHAP交互分析显示，位移率与多尺度降雨之间存在交替耦合关系：短期内为正相关，中期为负相关，长期内为正相关；此外，周期成分和趋势成分之间的交互作用强度存在明显差异（趋势成分的最大交互作用强度仅为周期成分的15%），这验证了VMD分解的物理有效性。本研究提供了一种高精度且可解释的高坡变形预测方法。