The Application of KNN-Optimized Hybrid Models in Landslide Displacement Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Early warning systems depend heavily on the accuracy of landslide displacement forecasts. This study focuses on the Bazimen landslide located in the Three Gorges Reservoir region and proposes a hybrid prediction approach combining support vector regression (SVR) and long short-term memory (LSTM) networks. These models are optimized via the K-Nearest Neighbor (KNN) algorithm. Initially, cumulative displacement data were separated into trend and cyclic elements using a smoothing approach. SVR and LSTM were then used to predict the components, and KNN was introduced to optimize input factors and classify the results, improving accuracy. The final KNN-optimized SVR-LSTM model effectively integrates static and dynamic features, addressing limitations of traditional models. The results show that LSTM performs better than SVR, with an RMSE and MAPE of 24.73 mm and 1.87% at monitoring point ZG111, compared to 30.71 mm and 2.15% for SVR. The sequential hybrid model based on KNN-optimized SVR and LSTM achieved the best performance, with an RMSE and MAPE of 23.11 mm and 1.68%, respectively. This integrated model, which combines multiple algorithms, offers improved prediction of landslide displacement and practical value for disaster forecasting in the Three Gorges area.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle