买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川轻化工大学申请的专利一种基于PFA-GRU-OL-MRT的动态滑坡位移实时预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119989850B 。

龙图腾网通过国家知识产权局官网在2025-07-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510474422.0，技术领域涉及：G06F30/25；该发明授权一种基于PFA-GRU-OL-MRT的动态滑坡位移实时预测方法是由唐宇峰;贾麟;林椿松;曹修全;何俚秋;熊娅伶;石砚秋设计研发完成，并于2025-04-16向国家知识产权局提交的专利申请。

本一种基于PFA-GRU-OL-MRT的动态滑坡位移实时预测方法在说明书摘要公布了：本发明提供了一种基于PFA‑GRU‑OL‑MRT的动态滑坡位移实时预测方法，属于滑坡预测领域，其内容包括：获取在线监测的滑坡位移数据，对数据进行预处理；基于粒子烟花算法（PFA）对门控循环单元（GRU）超参数进行优化，建立PFA‑GRU初始子模型；其次，每获取最新监测数据，基于在线学习（OL）策略，对输入的子模型进行实时训练并预测下一轮位移；最后，获取下一次监测数据后，结合在线学习预测结果进行预测精度评价，判断以在线学习子模型还是以PFA‑GRU动态重构（MRT）子模型为下一轮预测的子模型，实现滑坡位移动态实时预测，本发明可为准确进行动态滑坡位移实时预测和滑坡防控提供依据。

本发明授权一种基于PFA-GRU-OL-MRT的动态滑坡位移实时预测方法在权利要求书中公布了：1.一种基于PFA-GRU-OL-MRT的动态滑坡位移实时预测方法，其特征在于，包括以下步骤： 步骤一：获取在线监测得到的历史滑坡位移数据，对数据进行预处理； 步骤二：设置PFA-GRU-OL-MRT模型所需超参数； 所述PFA-GRU-OL-MRT模型包括三个子模型，分别为PFA-GRU初始子模型、在线学习子模型和PFA-GRU动态重构子模型； 所述PFA-GRU-OL-MRT模型所需超参数，包括PFA-GRU初始子模型窗口大小W1、在线学习子模型窗口大小W2、PFA-GRU动态重构子模型窗口减小规模Wminus，PFA-GRU动态重构子模型最小窗口大小Wmin、PFA-GRU初始子模型训练迭代次数initial_epochs、在线学习子模型训练迭代次数OL_epochs、PFA-GRU动态重构子模型训练迭代次数MRT_epochs、PFA-GRU初始子模型滑窗流转训练次数initial_num、PFA-GRU动态重构子模型滑窗流转训练次数MRT_num、PFA粒子总数swarmsize、PFA迭代次数maxiter、预测偏差允许值Re、超参数寻优范围上限ub和下限lb； 步骤三：基于粒子烟花算法和历史滑坡位移数据，采用滑窗流转训练方式，优化门控循环单元的超参数； 所述粒子烟花算法是一种粒子群优化算法的改进算法，其步骤如下：一初始化 在粒子烟花算法中，初始粒子采用随机初始化的方式生成： Xi 0＝lb+ub-lb×rand0,1 其中，i是粒子的编号，Xi代表第i个粒子的位置，上标代表迭代次数，其中0代表是初始化阶段，lb为寻优范围的下限，ub为寻优范围的上限，rand0,1代表0～1之间的随机数组成的M维向量，其中M代表求解问题维度；在初始化阶段，粒子烟花算法仅随机生成占总粒子数量80％的粒子，而剩余20％的粒子在局部强化搜索阶段生成； 对初始化的所有粒子进行适应度评价，并将适应度最优的粒子定义为烟花粒子； 二局部强化搜索 以烟花粒子为中心，在周围一定范围内随机生成剩余20％的粒子，并将这些个体称为火花粒子；火花粒子的总数Nk和每个火花粒子的位置Gbj表示为： Nk＝0.2×N Gbj＝Gb+0.2×ub-lb×e-2tT×2×rand0,1-1 其中，N为粒子总数，j是火花粒子的编号，Gb为烟花粒子位置，t代表当前迭代次数，T代表最大迭代次数； 随后，计算所有火花粒子的适应度值； 三粒子更新 在粒子更新阶段，分三种情况进行不同处理： 1对于烟花粒子和火花粒子外的其他粒子，其更新过程为: Vi t+1＝1-tTVi t2+c1r1Pi t-Xi t+c2r2Gb t-Xi t Xi t+1＝Xi t+Vi t+1 其中，V代表速度，c1和c2为学习因子；r1和r2为0～1之间的随机数，Pi代表粒子i搜索历史中的最优位置； 2对于烟花粒子，在每次迭代中直接更新为所有烟花粒子和火花粒子中适应度最优粒子的位置，速度定义为0； 3删除所有火花粒子； 四淘汰机制 重新计算所有粒子的适应度值，重新定义所有粒子中适应度最优的粒子为烟花粒子，更新粒子i的历史最优位置Pi，同时删除适应度最差的粒子，并在求解域内随机生成一个新粒子； 对于每次迭代，都重复进行步骤二～步骤四，直到满足收敛条件或者达到最大迭代次数后，输出最优解的位置； 步骤四：基于优化的超参数，结合历史滑坡位移数据建立PFA-GRU初始子模型； 步骤五：每次获取最新监测数据Dt，基于在线学习策略对输入的子模型进行实时训练，得到在线学习子模型并预测t+1时刻的滑坡位移DPt+1，并输出预测结果DPt+1； 步骤六：获取下一个监测数据Dt+1后，结合DPt+1对预测结果进行精度评价，然后将Dt+1赋值给Dt，即Dt＝Dt+1，若预测偏差小于允许值，则将在线学习子模型作为输入子模型返回步骤五进行下一轮预测；若预测偏差大于允许值，则采用滑窗流转训练方式，进行PFA-GRU动态模型重构，将PFA-GRU动态重构子模型作为输入子模型返回步骤五，并进行下一轮预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川轻化工大学，其通讯地址为：643000 四川省自贡市自流井区汇东学苑街180号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。