CN111027686A - 一种滑坡位移的预测方法、装置及设备 - Google Patents

一种滑坡位移的预测方法、装置及设备 Download PDF

Info

Publication number
CN111027686A
CN111027686A CN201911367893.2A CN201911367893A CN111027686A CN 111027686 A CN111027686 A CN 111027686A CN 201911367893 A CN201911367893 A CN 201911367893A CN 111027686 A CN111027686 A CN 111027686A
Authority
CN
China
Prior art keywords
displacement
displacement data
neural network
convolution
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911367893.2A
Other languages
English (en)
Other versions
CN111027686B (zh
Inventor
郑增荣
董梅
胡辉
宋杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Ruhr Technology Co Ltd
Original Assignee
Hangzhou Ruhr Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Ruhr Technology Co Ltd filed Critical Hangzhou Ruhr Technology Co Ltd
Priority to CN201911367893.2A priority Critical patent/CN111027686B/zh
Publication of CN111027686A publication Critical patent/CN111027686A/zh
Application granted granted Critical
Publication of CN111027686B publication Critical patent/CN111027686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种滑坡位移的预测方法、装置、设备及存储介质，该预测方法包括：获取监测点的位移数据；基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测，其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数包括所有值误差和极值误差。本发明实施例的技术方案，通过时间卷积神经网络对滑坡位移进行预测，实现了滑坡位移的自动精准预测，损失函数考虑了极值，大大提高了突变部分的预测精度。

Description

一种滑坡位移的预测方法、装置及设备
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种滑坡位移的预测方法、装置及设备。
背景技术
中国是一个地质灾害多发的国家，崩塌、滑坡、泥石流灾害几乎遍布全国各省山地丘陵区，其中，滑坡灾害占全国地质灾害总数的约66.8％，对滑坡灾害进行预测具有重要意义。而滑坡位移预测是滑坡灾害防治的基础性工作之一，是滑坡稳定性评估和变形破坏预测的重要部分。
现阶段许多学者对滑坡位移预测进行了大量的研究。位移预测模型主要分为统计预测模型和非线性预测模型。统计预测模型有灰色预测模型、回归分析模型、时间序列模型、指数平滑法等。非线性预测模型主要是以深度学***稳的变化进行较为准确的预测，对于突变情况的预测效果较差。
发明内容
本发明提供了一种滑坡位移的预测方法、装置及设备，以基于卷积神经网络实现滑坡位移的自动预测，其中，卷积神经网络的损失函数中包含极值信息，对突变情况的预测精度得到了大大提高。
第一方面，本发明实施例提供了一种滑坡位移的预测方法，该方法包括：
获取监测点的位移数据；
基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测，其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数包括所有值误差和极值误差。
第二方面，本发明实施例还提供了一种滑坡位移的预测装置，该装置包括：
位移数据获取模块，用于获取监测点的位移数据；
位移预测模块，用于基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测，其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数包括所有值误差和极值误差。
第三方面，本发明实施例还提供了一种滑坡位移的预测设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的滑坡位移的预测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例提供的滑坡位移的预测方法。
本发明实施例的技术方案，通过建立时间卷积神经网络进行滑坡位移的预测，实现了滑坡位移的自动预测；采用时间卷积神经网络很好地拟合了滑坡位移变化的非线性特性，该时间卷积神经网络的损失函数由所有值误差和极值误差两部分组成，充分考虑了位移变化较为平稳和突变的情况，提高了位移预测的精度。
附图说明
图1是本发明实施例一中的一种滑坡位移的预测方法的流程图；
图2A是本发明实施例二中的一种滑坡位移的预测方法的流程图；
图2B是本发明实施例二中的一种时间卷积神经网络的示意图；
图3是本发明实施例三中的一种滑坡位移的预测装置的示意图；
图4是本发明实施例四中的一种滑坡位移的预测设备的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种滑坡位移的预测方法的流程图，本实施例可适用于对滑坡位移进行预测的情况，该方法可以由滑坡位移的预测装置来执行，该装置可以通过软件和硬件的方式实现，如图1所示，该方法具体包括如下步骤：
步骤110、获取监测点的位移数据。
其中，监测点指的是滑坡检测点。具体的，可以通过设置于该监测点的一个或多个位移传感器获取位移数据。
具体的，监测点的个数可以是一个、五个、十个或者其他数值。
步骤120、基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测。
其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数包括所有值误差和极值误差。
其中，设定个数可以是1、3、5、7或者其他数值。极值误差指的是原始位移数据中极值位置处对应的位移及其预测值的误差，所有值误差指的是所有的位移数据及其预测值的误差。
具体的，时间卷积神经网络(Temporal Convolutional Neural Network，TCN)也称为时序卷积神经网络，是一种新型的用于解决时间序列预测的一种算法。主要包括卷积部分和循环神经网络(Recurrent Neural Network，RNN)部分。其中，卷积部分主要用于对输入的数据进行因果卷积、扩张卷积、残差卷积等卷积处理，循环神经网络部分主要用于接收卷积部分的输出，并以递归的方式连接各个节点，包括前向传播和反向传播，从而输出预测值。
进一步地，时间卷积神经网络包括卷积网络和RNN网络，其中，卷积网络包括多个卷积隐藏层，如3个，每一个卷积隐藏层将其卷积结果发送至RNN网络对应的隐藏层，作为RNN网络的该隐藏层的输入。RNN网络可以是LSTM网络(Long Short Term Memory，长短期记忆网络)。
可选的，所述时间卷积神经网络的激活函数包括线性整流函数(RectifiedLinearUnit，ReLU)和双曲正切函数(tanh)。
具体的，时间卷积神经网络的卷积部分的激活函数可以采用ReLu函数，而RNN部分可以采用tanh函数。
当然，也可以选择其他函数作为激活函数，如Sigmoid函数、tanh函数等。
可选的，所述时间卷积神经网络的卷积隐藏层为3个，一个卷积隐藏层的输出由第一设定个数的最新的位移数据确定，一个卷积隐藏层的输出由第二设定个数的最新的位移数据确定，一个卷积隐藏层的输出由全部位移数据确定。
其中，第一设定个数可以是3、5或者其他值，第二设定个数可以是7、9或者其他值。
具体的，假设位移数据X＝[x1 x2…xT]，即位移数据包括T个时刻采集的位移，时间卷积神经网络包括3个卷积隐藏层，其中，各层的空洞系数分别为1、2和4，卷积核大小为3，那么，所得到的三个卷积隐藏层的输出分别为o1、o2和o3，其中，o1所涵盖的信息为xT-2、xT-1和xT，即o1中仅包含近期的位移数据；o2所涵盖的信息为xT-6、xT-5、xT-4、xT-3、xT-2、xT-1和xT，即o2中仅包含近期和中期的位移数据；o3则涵盖全部的位移数据。将卷积隐藏层输出的o1、o2和o3输入循环神经网络，以根据近期、中期和全部位移数据进行位移预测，提高了近期及中期数据的权重，进而提高了预测精度。
具体的，时间卷积神经的损失函数由两部分组成，所有数据误差部分和极值误差部分。具体可以是平均绝对误差(Mean Absolute Error，MAE)和极值平均误差。其中，极值平均误差指的是位移数据中所有极值对应的位移数据与预测位移数据的误差的绝对值的平均值。
进一步地，时间卷积神经的损失函数的所有值误差和极值误差对应的权重不同。
可选的，所述时间卷积神经网络的损失函数为：
Figure BDA0002338923840000061
其中，α为第一权重系数，β为第二权重系数，yi为第i个位移数据，
Figure BDA0002338923840000062
为第i个位移数据对应的预测值，m为预测总个数，yext j为第j个极值对应的位移数据，
Figure BDA0002338923840000063
为第j个极值对应的位移数据的预测值，p为所述位移数据的极值总个数，l(·)为误差损失函数。
通过为将所有数据的损失与极值点的损失进行加权，保障了数据的预测精度，同时，将极值点对应的数据单独组成损失函数的一部分进行分析，提高了原始数据中突变部分的位移的预测精度。
具体的，误差损失函数l(·)可以是平均绝对误差，还可以是均方误差(MeanSquare Error，MSE)、Log-Cosh损失函数和Huber损失函数等。
示例性的，误差损失函数l(·)可以是平均绝对误差，相应的时间卷积神经网络的损失函数的表达式为：
Figure BDA0002338923840000071
误差损失函数l(·)可以是均方误差，相应的时间卷积神经网络的损失函数的表达式为：
Figure BDA0002338923840000072
本发明实施例的技术方案，通过建立时间卷积神经网络进行滑坡位移的预测，实现了滑坡位移的自动预测；采用时间卷积神经网络很好地拟合了滑坡位移变化的非线性特性，该时间卷积神经网络的损失函数由所有值误差和极值误差两部分组成，充分考虑了位移变化较为平稳和突变的情况，提高了位移预测的精度。
实施例二
图2A为本发明实施例二提供的一种滑坡位移的预测方法的流程图，本实施例是对上一实施例的进一步细化和补充，本发明实施例所提供的滑坡位移的预测方法还包括：基于克里金法对所述位移数据进行缺失值填充；基于卡尔曼滤波算法对所述位移数据进行滤波和对所述位移数据进行归一化处理。
如图2A所示，该方法包括如下步骤：
步骤210、获取监测点的位移数据。
步骤220、基于克里金法对所述位移数据进行缺失值填充。
由于监测点的位移传感器在采集数据时，由于传感器故障或者其他原因，会导致个别时刻的位移数据缺失，那么，便需要根据已知的位移数据对缺失值进行填充。
其中，克里金法(Kriging)也称为空间最优无偏估计器，是基于协方差函数的一种回归算法。克里金法在进行缺失值补充或者插值时，不仅考虑待估点位置与已知数据位置的相互关系，还考虑数据的空间相关性，插值结果更准确。
当然，也可以采用其他算法进行缺失值填充，如三次样条算法、树模型算法(missForest)等。
步骤230、基于卡尔曼滤波算法对所述位移数据进行滤波。
由于数据采集以及传输的过程中，会受到各种干扰，因此，需要对位移数据进行滤波，以提高位移数据的清洁度，从而提高位移预测的精度。
步骤240、对滤波后的所述位移数据进行归一化处理。
具体的，在经过缺失值填充和滤波后的该监测点的位移数据序列为
Figure BDA0002338923840000081
Figure BDA0002338923840000082
其中T为监测的最后时刻。对位移数据序列X进行最大值最小值归一化，归一化后的位移数据序列即为X，其中，X＝[x1 x2 … xT]
Figure BDA0002338923840000083
其中，i＝1，2，…，T，xi为第i时刻的位移数据
Figure BDA0002338923840000084
的归一化后的位移数据，
Figure BDA0002338923840000085
为位移数据序列
Figure BDA0002338923840000086
中的位移的最小值，
Figure BDA0002338923840000087
为位移数据序列
Figure BDA0002338923840000088
中的位移的最大值。
步骤250、基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测。
其中，所述时间卷积神经网络的卷积隐藏层为3个，一个卷积隐藏层的输出由第一设定个数的最新的位移数据确定，一个卷积隐藏层的输出由第二设定个数的最新的位移数据确定，一个卷积隐藏层的输出由全部位移数据确定。所述时间卷积神经网络的损失函数为：
Figure BDA0002338923840000091
其中，α为第一权重系数，β为第二权重系数，yi为第i个位移数据，
Figure BDA0002338923840000092
为第i个位移数据对应的预测值，m为预测总个数，yext j为第j个极值对应的位移数据，
Figure BDA0002338923840000093
为第j个极值对应的位移数据的预测值，p为所述位移数据的极值总个数。
其中，损失函数中包括了极值位置所对应的原始位移和预测位移的误差，加强了对极值位置处位移预测的权重，从而提高了对突变情况的预测精度，提高了预测方法的适用范围和精度。
具体的，图2B是本发明实施例二提供的一种时间卷积神经网络的示意图，参考图2B可知，该时间卷积神经网络包括3个卷积隐藏层，空洞系数d＝1，2，4，卷积核大小为k＝3，激活函数为ReLU函数，归一化后的位移数据
Figure BDA0002338923840000094
Figure BDA0002338923840000095
输入该时间卷积神经网络，经过因果卷积得到o1、o2和o3，其中，o1、o2和o3分别为各个卷积隐藏层的输出，其中，o1所涵盖的信息为
Figure BDA0002338923840000096
和
Figure BDA0002338923840000097
即o1中仅包含近期的位移数据；o2所涵盖的信息为
Figure BDA0002338923840000098
Figure BDA0002338923840000099
和
Figure BDA00023389238400000910
即o2中仅包含近期和中期的位移数据；o3则涵盖全部的位移数据。将o1、o2和o3作为RNN网络的输入，h0、h1、h2和h3表示各个循环神经网络各隐藏层的状态，其中，状态h1可以根据o1和h0得到，状态h2可以根据o2和h1得到，状态h3可以根据o3和h2得到，进而可以根据h3进行T+1时刻的位移预测，进而得到T+1时刻的位移数据
Figure BDA00023389238400000911
根据损失函数反向传播，以修正卷积隐藏层和RNN隐藏层的参数，以提高预测的精度。
进一步地，为了获取T+2时刻的预测位移
Figure BDA0002338923840000101
可以将T+1时刻的预测位移
Figure BDA0002338923840000102
作为输入，依次类推，便可以得到设定未来时刻的预测位移数据。
具体的，该时间卷积神经网络在训练之前，需要对部分参数进行初始化，如学习率、隐藏神经元个数、迭代轮数、权重向量等。
具体的，在时间卷积神经网络训练时，可以将历史位移数据以8：2的比例划分为训练集和验证集。
进一步地，在得到预测位移数据之后，还需要根据归一化处理对预测位移数据进行还原。还原的过程即为归一化的逆运算，时间卷积神经网络输出的预测位移数据
Figure BDA0002338923840000103
的还原算法具体为：
Figure BDA0002338923840000104
其中，yT为网络输出的T+1时刻的预测位移数据
Figure BDA0002338923840000105
的还原数据。
本发明实施例的技术方案，通过建立时间卷积神经网络进行滑坡位移的预测，实现了滑坡位移的自动预测；采用时间卷积神经网络很好地拟合了滑坡位移变化的非线性特性，该时间卷积神经网络的损失函数由所有值误差和极值误差两部分组成，充分考虑了位移变化较为平稳和突变的情况，加强了对极值位置处位移预测的权重，从而提高了对突变情况的预测精度，提高了位移预测的精度。
实施例三
图3是本发明实施例三提供的一种滑坡位移的预测装置的示意图，如图3所示，该装置包括：位移数据获取模块310和位移预测模块320。
其中，位移数据获取模块310，用于获取监测点的位移数据；位移预测模块320，用于基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测，其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数由平均绝对误差和极值平均误差构成。
本发明实施例的技术方案，通过建立时间卷积神经网络进行滑坡位移的预测，实现了滑坡位移的自动预测；采用时间卷积神经网络很好地拟合了滑坡位移变化的非线性特性，该时间卷积神经网络的损失函数由所有值误差和极值误差两部分组成，充分考虑了位移变化较为平稳和突变的情况，提高了位移预测的精度。
可选的，该滑坡位移的预测装置，还包括：
缺失值填充模块，用于基于克里金法对所述位移数据进行缺失值填充。
可选的，该滑坡位移的预测装置，还包括：
卡尔曼滤波模块，用于基于卡尔曼滤波算法对所述位移数据进行滤波。
可选的，该滑坡位移的预测装置，还包括：
归一化处理模块，用于对所述位移数据进行归一化处理。
可选的，所述时间卷积神经网络的激活函数为线性整流函数。
可选的，所述时间卷积神经网络的卷积隐藏层为3个，一个卷积隐藏层的输出由第一设定个数的最新的位移数据确定，一个卷积隐藏层的输出由第二设定个数的最新的位移数据确定，一个卷积隐藏层的输出由全部位移数据确定。
可选的，所述时间卷积神经网络的损失函数为：
Figure BDA0002338923840000121
其中，α为第一权重系数，β为第二权重系数，yi为第i个位移数据，
Figure BDA0002338923840000122
为第i个位移数据对应的预测值，m为预测总个数，yext j为第j个极值对应的位移数据，
Figure BDA0002338923840000123
为第j个极值对应的位移数据的预测值，p为所述位移数据的极值总个数，l(·)为误差损失函数。
本发明实施例所提供的滑坡位移的预测装置可执行本发明任意实施例所提供的滑坡位移的预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种滑坡位移的预测设备的结构示意图，如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的滑坡位移的预测方法对应的程序指令/模块(例如，滑坡位移的预测装置中的位移数据获取模块310和位移预测模块320)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的滑坡位移的预测方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种滑坡位移的预测方法，该方法包括：
获取监测点的位移数据；
基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测，其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数包括所有值误差和极值误差。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的滑坡位移的预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述滑坡位移的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种滑坡位移的预测方法，其特征在于，包括：
获取监测点的位移数据；
基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测，其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数包括所有值误差和极值误差。
2.根据权利要求1所述的方法，其特征在于，在获取监测点的位移数据之后，还包括：
基于克里金法对所述位移数据进行缺失值填充。
3.根据权利要求1所述的方法，其特征在于，在获取监测点的位移数据之后，还包括：
基于卡尔曼滤波算法对所述位移数据进行滤波。
4.根据权利要求1所述的方法，其特征在于，在获取监测点的位移数据之后，还包括：
对所述位移数据进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述时间卷积神经网络的激活函数包括线性整流函数和双曲正切函数。
6.根据权利要求1所述的方法，其特征在于，所述时间卷积神经网络的卷积隐藏层为3个，一个卷积隐藏层的输出由第一设定个数的最新的位移数据确定，一个卷积隐藏层的输出由第二设定个数的最新的位移数据确定，一个卷积隐藏层的输出由全部位移数据确定。
7.根据权利要求1所述的方法，其特征在于，所述时间卷积神经网络的损失函数为：
Figure FDA0002338923830000021
其中，α为第一权重系数，β为第二权重系数，yi为第i个位移数据，
Figure FDA0002338923830000022
为第i个位移数据对应的预测值，m为预测总个数，yext j为第j个极值对应的位移数据，
Figure FDA0002338923830000023
为第j个极值对应的位移数据的预测值，p为所述位移数据的极值总个数，l(·)为误差损失函数。
8.一种滑坡位移的预测装置，其特征在于，包括：
位移数据获取模块，用于获取监测点的位移数据；
位移预测模块，用于基于预先建立的时间卷积神经网络以及所述位移数据对所述监测点的位移进行预测，其中，所述时间卷积神经网络包括至少两个卷积隐藏层，至少一个卷积隐藏层的输出由设定个数的最新的位移数据确定，以及一个卷积隐藏层的输出由全部位移数据确定，所述时间卷积神经网络的损失函数包括所有值误差和极值误差。
9.一种滑坡位移的预测设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的滑坡位移的预测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的滑坡位移的预测方法。
CN201911367893.2A 2019-12-26 2019-12-26 一种滑坡位移的预测方法、装置及设备 Active CN111027686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911367893.2A CN111027686B (zh) 2019-12-26 2019-12-26 一种滑坡位移的预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911367893.2A CN111027686B (zh) 2019-12-26 2019-12-26 一种滑坡位移的预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111027686A true CN111027686A (zh) 2020-04-17
CN111027686B CN111027686B (zh) 2023-06-16

Family

ID=70214741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911367893.2A Active CN111027686B (zh) 2019-12-26 2019-12-26 一种滑坡位移的预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111027686B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112242060A (zh) * 2020-10-16 2021-01-19 深圳先进技术研究院 交通流量预测方法及装置、计算机设备及可读存储介质
CN112418498A (zh) * 2020-11-12 2021-02-26 中国农业大学 用于智能温室的温度预测方法及***
CN112507780A (zh) * 2020-10-21 2021-03-16 西安工程大学 一种基于tcn深度学习的滑坡敏感性评价方法
CN112561171A (zh) * 2020-12-17 2021-03-26 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备及存储介质
CN113065455A (zh) * 2021-03-30 2021-07-02 中国水利水电科学研究院 一种基于深度学习的滑坡风险巡检方法及***
CN113076754A (zh) * 2021-03-23 2021-07-06 山东师范大学 一种基于知识集成的虚假评论检测方法及***
CN113069117A (zh) * 2021-04-02 2021-07-06 中山大学 一种基于时间卷积神经网络的脑电情绪识别方法及***
CN116739184A (zh) * 2023-08-08 2023-09-12 四川川核地质工程有限公司 一种滑坡预测方法及***
CN116993803A (zh) * 2023-09-26 2023-11-03 南方科技大学 滑坡形变监测方法、装置及电子设备
CN117196353A (zh) * 2023-11-07 2023-12-08 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) 基于大数据的环境污染评估与监测方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140136140A1 (en) * 2012-11-13 2014-05-15 Elwha Llc Systems and methods for detecting overhead line motion
CN107578093A (zh) * 2017-09-14 2018-01-12 长安大学 滑坡变形的Elman神经网络动态预测方法
CN109492793A (zh) * 2018-09-29 2019-03-19 桂林电子科技大学 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法
CN110213287A (zh) * 2019-06-12 2019-09-06 北京理工大学 一种基于集成机器学习算法的双模式入侵检测装置
CN110427654A (zh) * 2019-07-09 2019-11-08 中国地质大学（武汉） 一种基于敏感状态的滑坡预测模型构建方法及***
CN110470259A (zh) * 2019-07-09 2019-11-19 西安工程大学 基于lstm的滑坡位移动态预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140136140A1 (en) * 2012-11-13 2014-05-15 Elwha Llc Systems and methods for detecting overhead line motion
CN107578093A (zh) * 2017-09-14 2018-01-12 长安大学 滑坡变形的Elman神经网络动态预测方法
CN109492793A (zh) * 2018-09-29 2019-03-19 桂林电子科技大学 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法
CN110213287A (zh) * 2019-06-12 2019-09-06 北京理工大学 一种基于集成机器学习算法的双模式入侵检测装置
CN110427654A (zh) * 2019-07-09 2019-11-08 中国地质大学（武汉） 一种基于敏感状态的滑坡预测模型构建方法及***
CN110470259A (zh) * 2019-07-09 2019-11-19 西安工程大学 基于lstm的滑坡位移动态预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PEIHONG XIE ET AL.: "The Application of Long Short-Term Memory(LSTM) Method on Displacement Prediction of Multifactor-Induced Landslides" *
宣杰: "基于数据挖掘技术的信任模型研究" *
曹国清 等: "基于PCA-LSTM的多变量矿山排土场滑坡预警研究" *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112242060B (zh) * 2020-10-16 2022-06-21 深圳先进技术研究院 交通流量预测方法及装置、计算机设备及可读存储介质
CN112242060A (zh) * 2020-10-16 2021-01-19 深圳先进技术研究院 交通流量预测方法及装置、计算机设备及可读存储介质
WO2022077767A1 (zh) * 2020-10-16 2022-04-21 深圳先进技术研究院 交通流量预测方法及装置、计算机设备及可读存储介质
CN112507780A (zh) * 2020-10-21 2021-03-16 西安工程大学 一种基于tcn深度学习的滑坡敏感性评价方法
CN112418498A (zh) * 2020-11-12 2021-02-26 中国农业大学 用于智能温室的温度预测方法及***
CN112418498B (zh) * 2020-11-12 2024-06-04 中国农业大学 用于智能温室的温度预测方法及***
CN112561171A (zh) * 2020-12-17 2021-03-26 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备及存储介质
CN112561171B (zh) * 2020-12-17 2023-12-05 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备及存储介质
CN113076754A (zh) * 2021-03-23 2021-07-06 山东师范大学 一种基于知识集成的虚假评论检测方法及***
CN113065455A (zh) * 2021-03-30 2021-07-02 中国水利水电科学研究院 一种基于深度学习的滑坡风险巡检方法及***
CN113065455B (zh) * 2021-03-30 2021-09-17 中国水利水电科学研究院 一种基于深度学习的滑坡风险巡检方法及***
CN113069117A (zh) * 2021-04-02 2021-07-06 中山大学 一种基于时间卷积神经网络的脑电情绪识别方法及***
CN116739184A (zh) * 2023-08-08 2023-09-12 四川川核地质工程有限公司 一种滑坡预测方法及***
CN116739184B (zh) * 2023-08-08 2023-11-07 四川川核地质工程有限公司 一种滑坡预测方法及***
CN116993803A (zh) * 2023-09-26 2023-11-03 南方科技大学 滑坡形变监测方法、装置及电子设备
CN116993803B (zh) * 2023-09-26 2024-01-19 南方科技大学 滑坡形变监测方法、装置及电子设备
CN117196353A (zh) * 2023-11-07 2023-12-08 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) 基于大数据的环境污染评估与监测方法及***
CN117196353B (zh) * 2023-11-07 2024-02-27 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) 基于大数据的环境污染评估与监测方法及***

Also Published As

Publication number Publication date
CN111027686B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
CN111027686B (zh) 一种滑坡位移的预测方法、装置及设备
CN112380098B (zh) 一种时序异常检测方法、装置、计算机设备及存储介质
CN110377984A (zh) 一种工业设备剩余有效寿命预测方法、***及电子设备
CN107808122B (zh) 目标跟踪方法及装置
CN110686633B (zh) 一种滑坡位移预测方法、装置及电子设备
CN106529185B (zh) 一种古建筑位移的组合预测方法及***
CN113988357B (zh) 基于深度学习的高层建筑风致响应预测方法及装置
CN116381753B (zh) Gnss/ins组合导航***在gnss中断时的神经网络辅助导航方法
CN113037577A (zh) 网络流量预测方法、装置和计算机可读存储介质
CN110705688A (zh) 对操作事件进行风险评估的神经网络***、方法及装置
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及***
Sadr et al. An anomaly detection method for satellites using Monte Carlo dropout
CN115830865A (zh) 基于自适应超图卷积神经网络的车流量预测方法及装置
CN114911185A (zh) 基于云平台和移动端App的安防大数据物联网智能***
CN113688770A (zh) 高层建筑长期风压缺失数据补全方法及装置
CN109065176B (zh) 一种血糖预测方法、装置、终端和存储介质
CN113253336B (zh) 一种基于深度学习的地震预测方法和***
Pandhiani et al. Time series forecasting by using hybrid models for monthly streamflow data
CN116304884B (zh) 航天器遥测数据健康预测方法、***、设备及存储介质
CN115346125B (zh) 一种基于深度学习的目标检测方法
CN112711032A (zh) 一种基于图数据和gcn的雷达目标检测方法及***
CN115730845A (zh) 一种电力***动态估计方法、装置、设备和可读存储介质
CN113537638A (zh) 高层建筑风压短期预测方法、异常数据补全方法及装置
CN117556261B (zh) 一种基于mcnn的隔膜泵单向阀寿命预测方法与***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Room 206-002, 2 / F, building 8, Xixi bafangcheng, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: HANGZHOU RUHR TECHNOLOGY Co.,Ltd.

Address before: A4-4-201, No. 643, Shuangliu, Zhuantang street, Xihu District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU RUHR TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant