CN111860973A - 一种基于多目标优化的泥石流智能预警方法 - Google Patents
一种基于多目标优化的泥石流智能预警方法 Download PDFInfo
- Publication number
- CN111860973A CN111860973A CN202010610972.8A CN202010610972A CN111860973A CN 111860973 A CN111860973 A CN 111860973A CN 202010610972 A CN202010610972 A CN 202010610972A CN 111860973 A CN111860973 A CN 111860973A
- Authority
- CN
- China
- Prior art keywords
- debris flow
- early warning
- dominant
- predicted
- pareto
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 230000005284 excitation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 2
- 239000011435 rock Substances 0.000 description 36
- 239000003795 chemical substances by application Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 239000000243 solution Substances 0.000 description 9
- 239000002245 particle Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Quality & Reliability (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于多目标优化的泥石流智能预警方法,属于地质灾害监测预警领域,具体涉及泥石流预警领域,以解决现有的泥石流预测方法误差较大,不准确且可靠性不强的缺陷,包括如下步骤,收集已发生泥石流的数据样本;构建评估激发泥石流的代理模型;求解泥石流代理模型的帕累托阈值前沿;将需要预测的泥石流样本点与泥石流代理模型的泥石流帕累托阈值前沿输入泥石流预警判别器进行占优判别比较,输出占优判别结果,占优即不预警,互不占优即黄色预警,被占优即红色预警;评估红色预警的支持度;根据占优判别结果和支持度来实行泥石流预警。构建了更准确的代理模型,大大提高泥石流监测预警的可靠性和可操作性。
Description
技术领域
一种基于多目标优化的泥石流智能预警方法,本发明属于地质灾害监测预警领域,具体涉及泥石流预警技术领域。
背景技术
泥石流是暴雨、洪水将含有沙石且松软的土质山体经饱和稀释后形成的洪流,它的面积、体积和流量较大,而滑坡是经稀释土质山体小面积的区域,典型的泥石流由悬浮着粗大固体碎屑物并富含粉砂及粘土的粘稠泥浆组成。在适当的地形条件下,大量的水体浸透流水山坡或沟床中的固体堆积物质,使其稳定性降低,饱含水分的固体堆积物质在自身重力作用下发生运动,就形成了泥石流。泥石流是一种灾害性的地质现象。通常泥石流爆发突然、来势凶猛,可携带巨大的石块。因其高速前进,具有强大的能量,因而破坏性极大。
随着计算机技术的不断发展,智能化的手段越来越多地应用于泥石流的预警中。
常规的预警技术是通过回归分析历史数据,得到一条近似的泥石流预警曲线。该方法一般采用较为通用的线性函数或逻辑斯蒂函数的拟合模型,不能根据每个地区不同的特征使用不同的模型进行分析。其他的基于机器学习的泥石流预警方法是将泥石流的发生与否视作一个二分类问题去训练一个最佳的分类器,如神经网络或支持向量机等。
以上利用回归分析、神经网络和支持向量机等方法需要使用已经发生和未发生泥石流样本数据训练分类器。由于未发生泥石流的样本数据无法推断其激发泥石流的偏差,因而导致分类器的误差较大,并且只能对监测数据进行二分类,即预测是否发生泥石流。
发明内容
本发明的目的在于:提供一种基于多目标优化的泥石流智能预警方法,以解决上述现有的泥石流预警方法因为采用了未发生泥石流的样本数据,无法推断其激发泥石流的偏差,导致分类器的误差较大,此外只能对监测数据进行二分类,即预测是否发生泥石流,不准确,可靠性不强的缺陷。
本发明采用的技术方案如下:
一种基于多目标优化的泥石流智能预警方法,包括如下步骤
步骤1、收集已发生泥石流的数据样本;
步骤2、构建评估激发泥石流的代理模型;
步骤3、求解泥石流代理模型的帕累托阈值前沿;
步骤4、将需要预测的泥石流样本点与泥石流代理模型的泥石流帕累托阈值前沿输入泥石流预警判别器进行占优判别比较,输出占优判别结果,被占优即红色预警;
步骤5、评估红色预警的支持度;
步骤6、根据占优判别结果和支持度来实行泥石流预警。
优选的,收集监测预警区域内已经发生了泥石流的历史样本数据。
优选的,需要预测的泥石流样本点也在监测预警区域内。
优选的,步骤2中泥石流代理模型为多目标代理模型,多目标代理模型具有多个输入变量即多个泥石流影响因素和多个输出变量即激发泥石流的评价指标。
优选的,多目标代理模型是通过对已发生泥石流数据样本进行学习训练而得到的一个或一组显示函数(回归方程、核函数等)或隐式模型(如通过连接权重和阈值表达的神经网络),多目标代理模型的学习训练方法可以是机器学习方法中的一种或多种集成。
优选的,多目标代理模型的输入为激发雨强Imax和激发过程诱发累计降雨量E,输出为激发过程平均每小时降雨强度I和泥石流激发过程降雨诱发历时D,而优化的两目标是激发过程平均每小时降雨强度I和泥石流激发过程降雨诱发历时D,优化的算法采用多目标粒子群算法,得到的两目标最小帕累托前沿是一个数据的集合,并不代表某条具体的曲线。
优选的,泥石流帕累托阈值前沿是由一组互不占优的泥石流激发指标值所组成,通过多目标优化方法,对多目标代理模型进行优化求解而得到,多目标优化方法包括数据优化方法、或多目标进化优化方法,如多目标遗传算法、多目标粒子群优化算法。在已发生泥石流的数据样本上的多目标最小化Pareto前沿,能够代表发生泥石流的评估指标最小阈值。
优选的,多目标代理模型的构建:首先使用全连接网络去拟合已经发生泥石流的历史数据,并按照4:1的比例划分训练数据和测试数据,之后在训练过程中采用损失函数和正则化项作为双目标优化问题中的两个目标,然后采用多目标优化方法多目标粒子群算法去获取对应的泥石流帕累托阈值前沿,随后采用两级最优决策方法在泥石流帕累托阈值前沿中选出5个候选解集,并根据这5个解集在预测数据上的最终性能来来确定代理模型的参数。在这里根据不同的解集对应的代理模型在测试数据上的性能,并最终选择了一组性能最好的参数并完成了多目标代理模型的构建。由于此时多目标代理模型并不是一个分类器,所以还需要通过多目标寻优找到多目标代理模型的两目标最小帕累托曲线,这里使用多目标粒子群算法对神经网络的两输出激发过程平均每小时降雨强度I和泥石流激发过程降雨诱发历时D进行两目标最小化寻优,找到对应的帕累托曲线并输入到泥石流预警判别器中。随后通过泥石流在线监测器获取到泥石流观测数据即需要预测的泥石流样本点,并输入到泥石流预警判别器中进行占优判别比较。
优选的,需要预测的泥石流样本点和泥石流帕累托阈值前沿具有相同的物理指标。
优选的,占优判别比较,比较两个多维变量的大小,采用Pareto占优比较方法、松弛Pareto占优比较方法(如ε-Pareto占优)或任意一种用于区分多维变量的比较方法。
优选的,需要预测的泥石流样本点通过在泥石流在线监测器获取数据并经过数据预处理得到,数据预处理如滤波去噪。
优选的,需要预测的泥石流样本点至少占优帕累托曲线上一个点为占优,需要预测的泥石流样本点至少被帕累托曲线上一个点占优则为被占优,需要预测的泥石流样本点和帕累托曲线上的点无法比较出占优关系则为互不占优。
优选的,需要预测的泥石流样本点为占优,则认为发生泥石流的可能性很小,无需预警,需要预测的泥石流样本点为被占优,则认为即将激发泥石流,发出红色预警,需要预测的泥石流样本点为互不占优,则需要持续地密切观察,发出黄色预警。
优选的,需要预测的泥石流样本点是被占优,根据需要预测的泥石流样本点被占优的帕累托曲线上的点Ni与总帕累托曲线上的点Nall的比值计算出支持度Sdegree,则支持度为Sdegree=Ni/Nall,对于被占优的红色预警点,当Sdegree小于10%时,认为需要预测的泥石流样本点发生的泥石流轻微,政府及相关部门按照职责做好防泥石流准备工作;当Sdegree为10-20%时,认为需要预测的泥石流样本点发生的泥石流中等,政府及相关部门按照职责做好防泥石流准备工作,同时应切断危险的室外电源,将危险地带人员转移到安全的场所;当Sdegree为20-40%时,认为需要预测的泥石流样本点发生的泥石流严重,政府及相关部门按照职责做好泥石流应急工作,交通管理部门应根据情况在部分路段采取交通管制;当Sdegree大于40%时,认为需要预测的泥石流样本点发生的泥石流非常严重,政府及相关部门按照职责做好泥石流应急工作,应做好泥石流等灾害的防御和抢险工作,同时停止相关的集会和课业。故该指标能反映泥石流发生的严重程度。
优选的,步骤4中,输出占优判别结果,占优即不预警,无需预警;互不占优即黄色预警,需要持续密切观察,占优与互不占优均不用计算支持度。
本申请的技术方案中Pareto为帕累托。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,可以构建更为准确的代理模型而不需要太多先验知识,可以大大提高泥石流监测预警的可靠性和可操作性。
2、本发明中,构建代理模型时只使用了已发生泥石流的样本,一方面可以避免未发生泥石流样本带来的偏差,另一方面可以减少需要的样本量。
3、本发明中,通过多目标智能优化,可以快速找到代理模型的下边界,提高泥石流监测预警的可操作性。
4、本发明中,通过引入支持度和占优比较的方法,不仅可以得到三分类的结果,还能根据支持度判断严重程度,从而更科学高效地布署预警工作。
5、本发明中,提出了一种基于多目标优化的泥石流只能预警方法,可以不依赖先验知识构建代理模型,并且不依赖于未发生泥石流的样本;在寻找泥石流的Pareto阈值前沿时采用的多目标优化的方法可以更科学高效地找到预警点集合;在最后的预警判断部分通过支持度和占优比较的方法,可以更好地指导开展泥石流的预警工作。
附图说明
图1为本发明一种基于多目标优化的泥石流智能预警方法的流程图;
图2为本发明实施例2的预警泥石流案例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,一种基于多目标优化的泥石流智能预警方法,包括如下步骤
步骤1、收集监测预警区域内已发生泥石流的数据样本;
步骤2、构建评估激发泥石流的代理模型,,泥石流代理模型为多目标代理模型,多目标代理模型具有多个输入变量即多个泥石流影响因素和多个输出变量即激发泥石流的评价指标;多目标代理模型是通过对已发生泥石流数据样本进行学***均每小时降雨强度I和泥石流激发过程降雨诱发历时D,而优化的两目标是激发过程平均每小时降雨强度I和泥石流激发过程降雨诱发历时D,优化的算法采用多目标粒子群算法,得到的两目标最小帕累托前沿是一个数据的集合,并不代表某条具体的曲线;多目标代理模型的构建:首先使用全连接网络去拟合已经发生泥石流的历史数据,并按照4:1的比例划分训练数据和测试数据,之后在训练过程中采用损失函数和正则化项作为双目标优化问题中的两个目标,然后采用多目标优化方法多目标粒子群算法去获取对应的泥石流帕累托阈值前沿,随后采用两级最优决策方法在泥石流帕累托阈值前沿中选出5个候选解集,并根据这5个解集在预测数据上的最终性能来来确定代理模型的参数。在这里根据不同的解集对应的代理模型在测试数据上的性能,并最终选择了一组性能最好的参数(在测试数据上的MSE(均方差)最小的参数)并完成了多目标代理模型的构建。由于此时多目标代理模型并不是一个分类器,所以还需要通过多目标寻优找到多目标代理模型的两目标最小帕累托曲线,这里使用多目标粒子群算法对神经网络的两输出激发过程平均每小时降雨强度I和泥石流激发过程降雨诱发历时D进行两目标最小化寻优,找到对应的帕累托曲线并输入到泥石流预警判别器中。随后通过泥石流在线监测器获取到泥石流观测数据即需要预测的泥石流样本点,并输入到泥石流预警判别器中进行占优判别比较;
步骤3、求解泥石流代理模型的帕累托阈值前沿,泥石流帕累托阈值前沿是由一组互不占优的泥石流激发指标值所组成,通过多目标优化方法,对多目标代理模型进行优化求解而得到,多目标优化方法包括数据优化方法、或多目标进化优化方法,如多目标遗传算法、多目标粒子群优化算法。在已发生泥石流的数据样本上的多目标最小化Pareto前沿,能够代表发生泥石流的评估指标最小阈值;需要预测的泥石流样本点和泥石流帕累托阈值前沿具有相同的物理指标;
步骤4、将监测预警区域内需要预测的泥石流样本点与泥石流代理模型的泥石流帕累托阈值前沿输入泥石流预警判别器进行占优判别比较,输出占优判别结果,占优即不预警,互不占优即黄色预警,被占优即红色预警;占优判别比较,比较两个多维变量的大小,采用Pareto占优比较方法、松弛Pareto占优比较方法(如ε-Pareto占优)或任意一种用于区分多维变量的比较方法;需要预测的泥石流样本点通过在泥石流在线监测器获取数据并经过数据预处理得到,数据预处理如滤波去噪;需要预测的泥石流样本点至少占优帕累托曲线上一个点为占优,需要预测的泥石流样本点至少被帕累托曲线上一个点占优则为被占优,需要预测的泥石流样本点和帕累托曲线上的点无法比较出占优关系则为互不占优;需要预测的泥石流样本点为占优,则认为发生泥石流的可能性很小,无需预警,需要预测的泥石流样本点为被占优,则认为即将激发泥石流,发出红色预警,需要预测的泥石流样本点为互不占优,则需要持续地密切观察,发出黄色预警;
步骤5、评估红色预警的支持度;
步骤6、根据占优判别结果和支持度来实行泥石流预警;需要预测的泥石流样本点是被占优,根据需要预测的泥石流样本点被占优的帕累托曲线上的点Ni与总帕累托曲线上的点Nall的比值计算出支持度Sdegree,则支持度为Sdegree=Ni/Nall,对于被占优的红色预警点,当Sdegree小于10%时,认为需要预测的泥石流样本点发生的泥石流轻微,政府及相关部门按照职责做好防泥石流准备工作;当Sdegree为10-20%时,认为需要预测的泥石流样本点发生的泥石流中等,政府及相关部门按照职责做好防泥石流准备工作,同时应切断危险的室外电源,将危险地带人员转移到安全的场所;当Sdegree为20-40%时,认为需要预测的泥石流样本点发生的泥石流严重,政府及相关部门按照职责做好泥石流应急工作,交通管理部门应根据情况在部分路段采取交通管制;当Sdegree大于40%时,认为需要预测的泥石流样本点发生的泥石流非常严重,政府及相关部门按照职责做好泥石流应急工作,应做好泥石流等灾害的防御和抢险工作,同时停止相关的集会和课业。故该指标能反映泥石流发生的严重程度。
实施例2
在实施例1的基础上,共选取了2019年洱沟和汶川共9个点的数据,其中5次已发生泥石流,4次未发生泥石流,此时判别器可以输出预警情况和支持度。若该点为占优,则认为发生泥石流的可能性很小,无需预警;若该点为被占优,则认为发生泥石流的可能性很大,需要预警;若该点为互不占优,则需要持续地密切观察再做决定。如图2所示,已发生泥石流的5个点中,有3个被划分为红色,即需要预警,有2个被划分为黄色,即需要持续地密切观察再做决定。而未发生泥石流的4个点均被划分为蓝色,即无需预警。
同时该点占优或者被占优的帕累托曲线上的点Ni与总帕累托曲线上的点Nall的比值计算出支持度Sdegree。如图2所示(图2中纵坐标表示:激发过程平均每小时降雨强度),3个黑色正三角形点从左到右的支持度分别为20.58%(认为发生的泥石流较为严重,政府及相关部门按照职责做好泥石流应急工作,交通管理部门应根据情况在部分路段采取交通管制),6.53%(发生的泥石流较轻微,政府及相关部门按照职责做好防泥石流准备工作),4.24%(发生的泥石流较轻微,政府及相关部门按照职责做好防泥石流准备工作),因为最左侧的黑色三角形点的支持度最高,故发生泥石流的可能性最高。2个灰色正三角形和判别曲线处于互不占优的状态(需要持续密切观察),故不计算支持度。4个黑色菱形点是不预警点(不用采取措施),故不计算支持度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多目标优化的泥石流智能预警方法,其特征在于,包括如下步骤
步骤1、收集已发生泥石流的数据样本;
步骤2、构建评估激发泥石流的代理模型;
步骤3、求解泥石流代理模型的帕累托阈值前沿;
步骤4、将需要预测的泥石流样本点与泥石流代理模型的泥石流帕累托阈值前沿输入泥石流预警判别器进行占优判别比较,输出占优判别结果,被占优即红色预警;
步骤5、评估红色预警的支持度;
步骤6、根据占优判别结果和支持度来实行泥石流预警。
2.根据权利要求1所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,步骤2中泥石流的代理模型为多目标代理模型,多目标代理模型具有多个输入变量和多个输出变量。
3.根据权利要求1所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,多目标代理模型是通过对已发生泥石流数据样本进行学习训练而得到的一个或一组显示函数或隐式模型。
4.根据权利要求3所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,泥石流帕累托阈值前沿是由一组互不占优的泥石流激发指标值所组成,通过多目标优化方法,对多目标代理模型进行优化求解而得到。
5.根据权利要求1所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,占优判别比较采用Pareto占优比较方法、松弛Pareto占优比较方法或任意一种用于区分多维变量的比较方法。
6.根据权利要求1所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,需要预测的泥石流样本点通过在泥石流在线监测器获取数据并经过数据预处理得到。
7.根据权利要求1所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,需要预测的泥石流样本点至少占优帕累托曲线上一个点为占优,需要预测的泥石流样本点至少被帕累托曲线上一个点占优则为被占优,需要预测的泥石流样本点和帕累托曲线上的点无法比较出占优关系则为互不占优。
8.根据权利要求1所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,需要预测的泥石流样本点是被占优,根据需要预测的泥石流样本点被占优的帕累托曲线上的点Ni与总帕累托曲线上的点Nall的比值计算出支持度Sdegree,则支持度为Sdegree=Ni/Nall,对于被占优的红色预警点,当Sdegree小于10%时,认为需要预测的泥石流样本点发生的泥石流轻微;当Sdegree为10-20%时,认为需要预测的泥石流样本点发生的泥石流中等;当Sdegree为20-40%时,认为需要预测的泥石流样本点发生的泥石流严重;当Sdegree大于40%时,认为需要预测的泥石流样本点发生的泥石流非常严重。
9.根据权利要求1所述的一种基于多目标优化的泥石流智能预警方法,其特征在于,步骤4输出占优判别结果,占优即不预警,不用采取措施;互不占优即黄色预警,要持续密切观察。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610972.8A CN111860973B (zh) | 2020-06-30 | 2020-06-30 | 一种基于多目标优化的泥石流智能预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610972.8A CN111860973B (zh) | 2020-06-30 | 2020-06-30 | 一种基于多目标优化的泥石流智能预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860973A true CN111860973A (zh) | 2020-10-30 |
CN111860973B CN111860973B (zh) | 2023-04-18 |
Family
ID=72989292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010610972.8A Active CN111860973B (zh) | 2020-06-30 | 2020-06-30 | 一种基于多目标优化的泥石流智能预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860973B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080010044A1 (en) * | 2006-07-05 | 2008-01-10 | Ruetsch Gregory R | Using interval techniques to solve a parametric multi-objective optimization problem |
CN104318717A (zh) * | 2014-10-21 | 2015-01-28 | 四川大学 | 一种历史数据短缺条件下的暴雨泥石流预警方法 |
CN104866692A (zh) * | 2015-06-18 | 2015-08-26 | 北京理工大学 | 一种基于自适应代理模型的飞行器多目标优化方法 |
CN105590141A (zh) * | 2015-12-15 | 2016-05-18 | 东北大学 | 适用于复杂产品优化设计的遗传算法初始种群构造方法 |
CN109118718A (zh) * | 2018-07-09 | 2019-01-01 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流发生降雨i-d曲线阈值构建方法、流域泥石流预警方法 |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制***及方法 |
-
2020
- 2020-06-30 CN CN202010610972.8A patent/CN111860973B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080010044A1 (en) * | 2006-07-05 | 2008-01-10 | Ruetsch Gregory R | Using interval techniques to solve a parametric multi-objective optimization problem |
CN104318717A (zh) * | 2014-10-21 | 2015-01-28 | 四川大学 | 一种历史数据短缺条件下的暴雨泥石流预警方法 |
CN104866692A (zh) * | 2015-06-18 | 2015-08-26 | 北京理工大学 | 一种基于自适应代理模型的飞行器多目标优化方法 |
CN105590141A (zh) * | 2015-12-15 | 2016-05-18 | 东北大学 | 适用于复杂产品优化设计的遗传算法初始种群构造方法 |
CN109118718A (zh) * | 2018-07-09 | 2019-01-01 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流发生降雨i-d曲线阈值构建方法、流域泥石流预警方法 |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制***及方法 |
Non-Patent Citations (3)
Title |
---|
ANTONIO C. BRIZA 等: "Stock trading system based on the multi-objective particle swarm optimization of technical indicators on end-of-day market data" * |
吕志明: "基于多代理模型的群智能优化算法研究" * |
张猛: "降雨引发泥石流人工神经网络预警模型剖析" * |
Also Published As
Publication number | Publication date |
---|---|
CN111860973B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633855B (zh) | 一种桥梁健康状态检测与管养决策***及方法 | |
CN113837477B (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
CN103093400B (zh) | 一种隧道施工中邻近建筑物安全性定量评价方法 | |
CN110807562B (zh) | 一种区域性桥梁风险预测方法及*** | |
CN106021875B (zh) | 一种地震扰动区多尺度泥石流风险评估的方法 | |
CN111047099A (zh) | 一种区域性山洪风险预测方法及*** | |
CN111861274A (zh) | 一种水环境风险预测预警方法 | |
CN104766129A (zh) | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 | |
Yang et al. | A CNN-LSTM model for tailings dam risk prediction | |
CN112396320A (zh) | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 | |
CN103512751A (zh) | 一种基于概率神经网络的轴承健康状态识别方法 | |
CN116797030A (zh) | 地质监测预警方法、***、计算机设备及存储介质 | |
CN115966074B (zh) | 基于机器学习的盾构刀盘结泥饼预警方法及*** | |
CN114742464A (zh) | 一种高寒草原生态***健康评估及预警平台构建方法 | |
CN113673119A (zh) | 基于贝叶斯方法的煤矿冲击地压危险性动静耦合评价方法 | |
CN115983093A (zh) | 一种输电线路塔基地质灾害预测方法和装置 | |
CN110110425A (zh) | 一种基于信度规则推理的边坡滑动力预测方法 | |
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN111860973B (zh) | 一种基于多目标优化的泥石流智能预警方法 | |
Chen et al. | Neural network estimation of rockburst damage severity based on engineering cases | |
Cao et al. | The geological disasters defense expert system of the massive pipeline network SCADA system based on FNN | |
CN103577700B (zh) | 一种船舶消防***连锁性失效的预测方法 | |
CN116090696A (zh) | 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法 | |
Wengang et al. | Application of machine learning in slope stability assessment |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |