CN116222670B - 一种城市绿地规划用生态景观边坡监测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种城市绿地规划用生态景观边坡监测方法，包括：在生态景观边坡处安装传感器，将单个传感器记为单维度，单维度中每一采样时间点对应的传感器采集的数据记为单维度数据，设定待插值维度，获取待插值维度的若干个目标维度，获取待插值维度的每一单维度数据的影响权重值，根据待插值维度的每一单维度数据的影响权重值得到的插值结果进行边坡监测。本发明避免了传统的数据拟合过程中，没有考虑边坡发生形变等病害由于多种原因共同造成的缺点，综合考虑多种传感器之间的互相影响来进行准确的插值，进而在后续的数据异常检测预警过程中，得到准确的监测结果。

Description

一种城市绿地规划用生态景观边坡监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种城市绿地规划用生态景观边坡监测方法。

背景技术

城市绿地规划是统计对城市绿化空间的规划、设计和建设，实现城市环境绿化、生态景观保护的过程。而生态景观边坡是城市绿化中的一项基础设施，维护城市生态平衡，并且可以降低热岛效应，提高城市的环境质量，而生态景观边坡监测是边坡建设和维护的重要环节，通过监测边坡状态来搜集形变、滑坡等信息，预防边坡发生形变地质灾害等危险情况的发生，确保城市基础设施的完整和居民生命财产的安全。

目前对于生态景观边坡的监测主要采用布置多种传感器来实时自动化监测边坡的时序数据，根据采集的一系列监测数据进行数据预处理，进而进行数据监测分析，实现对监测数据进行异常检测及预警。而在数据监测处理过程中，数据的好坏决定着多种传感器数据综合异常分析结果的好坏即数据存在较多缺失值进而进行数据融合时出现较大误差时数据较坏，数据没有缺失值时数据较好，但由于各种传感器的采样时间点和采样频率不同，因此在进行数据融合过程中，需要对多种传感器数据进行插值来提高数据监测效果。传统的数据插值过程中往往采用相邻时序数据的数据分布特征来进行加权平均拟合得到待插值点，然而对于边坡的多种传感器数据彼此间会存在相互影响，边坡发生形变是由于多种原因共同造成的，因此在进行数据插值过程中，需要考虑多种传感器之间的互相影响来进行准确的插值，进而在后续的数据异常检测预警过程中，得到准确的监测结果。

发明内容

本发明提供一种城市绿地规划用生态景观边坡监测方法，以解决现有的问题。

本发明的一种城市绿地规划用生态景观边坡监测方法采用如下技术方案：

本发明一个实施例提供了一种城市绿地规划用生态景观边坡监测方法，该方法包括以下步骤：

在生态景观边坡处安装传感器，将单个传感器记为单维度，单维度中每一采样时间点对应的传感器采集的数据记为单维度数据，设定待插值维度；

获取待插值维度的若干个目标维度；

根据待插值维度上每一单维度数据的若干个数据对与每一数据对的数据变化差异及间隔时间，获取待插值维度上每一单维度数据的第一影响权重；

获取待插值维度上每一采样时间点的若干个待分析目标维度，并获取待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，根据待插值维度的每一单维度数据的第一影响权重、待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，获取待插值维度的每一单维度数据的影响权重值；

根据影响权重值对待插值维度进行插值处理，获取不同监测点的待插值维度的数据趋势项序列，根据数据趋势项序列获取两个监测点的待插值维度的相似性，根据相似性构建相似性散点图，根据相似性散点图异常检测的结果进行边坡异常监测。

可选地，所述待插值维度上每一单维度数据的若干个数据对与每一数据对的数据变化差异及间隔时间，的获取方法如下：

记关注数据的前局部范围内的任意一数据为目标数据，记目标数据与关注数据的采样时间点间隔为目标间隔，将关注数据的后局部范围内与关注数据的采样时间点间隔为目标间隔的数据记为目标数据的对比数据，将目标数据与对比数据记为关注数据的数据对；

记关注数据的任意一数据对为关注数据对，将关注数据对中属于关注数据的前局部范围的数据记为关注数据对的前范围，将关注数据对中属于关注数据的后局部范围内的数据记为关注数据对的后范围，将前范围内每一数据与后范围内每一数据的差值的绝对值的均值记为关注数据对的数据变化差异；获取关注数据对中每一单维度数据与关注数据的采样时间点的差值的绝对值，记为关注数据对的间隔时间。

可选地，所述根据待插值维度上每一单维度数据的若干个数据对与每一数据对的数据变化差异及间隔时间，获取待插值维度上每一单维度数据的第一影响权重，计算公式如下：

其中，表示待插值维度的第个单维度数据的第一影响权重，表示待插值维度 的第个单维度数据的数据对的个数，表示待插值维度的第个单维度数据的第个数据对 的间隔时间，表示取最大值，表示待插值维度的第个单维度数据的第个数据对的数 据变化差异。

可选地，所述获取待插值维度上每一采样时间点的若干个待分析目标维度，并获取待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，包括的具体步骤如下：

获取待插值维度的每一目标维度的目标维度频次散点图，根据目标维度频次散点图获取待插值维度的任意两个目标维度的若干个匹配点对，并获取每一匹配点对的重复匹配次数与匹配距离，根据待插值维度的任意两个目标维度的每一匹配点对的重复匹配次数与匹配距离，获取待插值维度的任意两个目标维度的每一匹配点对的待调整程度，根据待调整程度得到待插值维度的每一调整后的目标维度；

记待插值维度的任意一采样时间点为目标时间点，获取所有含有目标时间点的待插值维度的调整后的目标维度，记为待插值维度的待分析目标维度，记待分析目标维度中任意一调整后的目标维度为目标对比维度，获取目标对比维度中在目标时间点前的所有数据与待插值维度在目标时间点前的所有数据的DTW距离，记为待插值维度的每一采样时间点在目标对比维度上的第二影响权重。

可选地，所述根据待插值维度的任意两个目标维度的每一匹配点对的重复匹配次数与匹配距离，获取待插值维度的任意两个目标维度的每一匹配点对的待调整程度，计算公式如下：

其中，表示待插值维度的第个目标维度及第个目标维度的第个匹配点对的待 调整程度，表示待插值维度的第个目标维度及第个目标维度的第个匹配点对的重复 匹配次数，表示取最大值，表示待插值维度的第个目标维度及第个目标维度的匹配 点对的个数，表示待插值维度的第个目标维度及第个目标维度的第个匹配点对的匹 配距离，表示以自然常数e为底数的指数函数。

可选地，所述根据待插值维度的每一单维度数据的第一影响权重、待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，获取待插值维度的每一单维度数据的影响权重值，包括的具体步骤如下：

获取待插值维度散点图，记待插值维度的任意一采样时间点为关注时间点，将待 插值维度中关注时间点对应的单维度数据为关注数据，预设范围长度，将待插值维度中 关注时间点前个采样时间点对应的单维度数据记为关注数据的前局部范围，将待插值维 度中关注时间点后个采样时间点对应的单维度数据记为关注数据的后局部范围；

在待插值维度散点图中将关注数据的前局部范围、关注数据的后局部范围及关注数据中相邻采样时间点对应的散点进行连线，获取每一连线的斜率值，获取所有斜率值的方差，记为关注时间点的数据波动程度；

其中，表示待插值维度的第个单维度数据的影响权重值，表示待插值维度的 第个单维度数据对应的采样时间点的数据波动程度，表示待插值维度的第个单维度数 据的第一影响权重，表示待插值维度的第个单维度数据对应的采样时间点在第个待分 析目标维度上的第二影响权重，表示待插值维度的第个单维度数据对应的采样时间点的 待分析目标维度的个数，表示待插值维度与待插值维度的第个待分析目标维度的相关程 度。

可选地，所述根据目标维度频次散点图获取待插值维度的任意两个目标维度的若干个匹配点对，并获取每一匹配点对的重复匹配次数与匹配距离，包括的具体步骤如下：

记待插值维度的任意一目标维度为第一待对比维度，对第一待对比维度数据频次散点图进行曲线拟合，得到第一待对比维度频次曲线，记待插值维度的目标维度中除第一待对比维度外的任意一单维度为第二待对比维度，对第二待对比维度数据频次散点图进行曲线拟合，得到第二待对比维度频次曲线，利用DTW算法对第一待对比维度频次曲线与第二待对比维度频次曲线进行匹配，获取所有匹配点对，记为第一待对比维度与第二待对比维度的匹配点对；

记任意一匹配点对为关注点对，记关注点对中属于第一待对比维度频次曲线的点为第一关注点，记关注点对中属于第二待对比维度频次曲线的点为第二关注点，获取第一关注点与第二待对比维度频次曲线匹配的点的个数记为第一关注点的匹配个数，获取第二关注点与第一待对比维度频次曲线匹配的点的个数记为第二关注点的匹配个数，将第一关注点的匹配个数与第二关注点的匹配个数的最大值记为关注点对的重复匹配次数，若第一关注点的匹配个数大于等于第二关注点的匹配个数，记第一关注点与第二待对比维度频次曲线匹配的点的欧式距离均值为关注点对的匹配距离，若第一关注点的匹配个数小于第二关注点的匹配个数，记第二关注点与第一待对比维度频次曲线匹配的点的欧式距离均值为关注点对的匹配距离。

可选地，所述根据数据趋势项序列获取两个监测点的待插值维度的相似性，包括的具体步骤如下：

记任意两个监测点的待插值维度为第一位移量维度与第二位移量维度；

其中，表示第一位移量维度与第二位移量维度的相似性，表示第一位 移量维度的数据趋势项序列与第二位移量维度的数据趋势项序列的DTW距离，表示以 自然常数为底的指数函数。

可选地，所述根据相似性构建相似性散点图，根据相似性散点图异常检测的结果进行边坡异常监测，包括的具体步骤如下：

记任意一监测点的待插值维度为目标位移量维度，以监测点序号为横坐标，以每一监测点的待插值维度与目标位移量维度的相似性为纵坐标，构建直角坐标系，构建相似性散点图；

使用LOF算法在直角坐标系中进行异常检测，将LOF值大于的点进行标记，对每 一监测点的待插值维度按照目标位移量维度的处理方法进行标记处理，统计每一监测点的 待插值维度被标记的次数，设定次数阈值为，当被标记次数大于次数阈值时，表明该监 测点所处位置可能发生异常，进行预警，完成边坡异常监测。

本发明的技术方案的有益效果是：本发明对待插值的维度的数据进行分析，首先获取与待插值的维度相关的维度数据，在这些维度数据中获取单个维度对待插值的维度的数据获取其影响程度；在对当前数据处理过程中获取目标维度对待插值维度的数据，通过不改变维度对待插值维度的影响程度下，调整维度数据的分布特征，并与当前数据的分布特征计算相似度，来计算维度数据的影响程度来自适应获取数据拟合权重。其中在获取影响程度的过程中，本案综合分析了数据待插值时间点的数据波动程度，综合考虑自身数据的分布以及其他维度对待插值维度的数据的影响来获取自身相邻时间点的第一影响权重值以及其他目标维度对待插值维度的影响，来综合获取待插值时间点的受到影响程度来进行数据拟合，避免了传统的数据拟合过程中，没有考虑边坡发生形变等病害由于多种原因共同造成的缺点，综合考虑多种传感器之间的互相影响来进行准确的插值，进而在后续的数据异常检测预警过程中，得到准确的监测结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种城市绿地规划用生态景观边坡监测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种城市绿地规划用生态景观边坡监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种城市绿地规划用生态景观边坡监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种城市绿地规划用生态景观边坡监测方法的步骤流程图，该方法包括以下步骤：

步骤S001、采集生态景观边坡处多个传感器数据记为若干个单维度数据，设定待插值维度。

通过在生态景观边坡处若干个监测点安装传感器来采集多种传感器数据：其中包括GNSS地表位仪监测仪（在边坡表面监测点安装设备，该设备主要由GNSS天线、太阳能电池板、主控机箱、支架等构成，可同时测定多点的三维位移）、倾角监测、雨量传感器（采用翻斗式雨量传感器）、地下水位传感器（采用水压计）、地表沉降监测仪（内部设置压力感知设备，监测压地表沉降时压力的变化）、温度传感器、雷达传感器（采集边坡的振动情况）等，数据传输主要通过无线传输方式接收监测数据，然后通过LoRa技术进行数据传输。

将单个传感器记为单维度，单维度中每一采样时间点对应的传感器采集的数据记为单维度数据，将多个传感器记为多维度。

记任意一监测点为关注监测点，记关注监测点中任意一单维度为待插值维度，本实施例以关注监测点为例，以待插值维度的单维度数据作为后续进行自适应插值的传感器数据，关注监测点中其他单维度按照待插值维度处理的方式进行自适应插值处理。

步骤S002、获取待插值维度的若干个目标维度。

需要说明的是，由于不同维度的数据之间存在一定的联系，即对应的某些维度数据的变化会造成当前维度数据的变化，并且不同维度下的数据的影响程度不同的，因此在对当前维度下进行数据插值的过程中，若仅考虑当前维度自身的相邻时间点下的数据分布特征来获取插值权重，会产生较大的误差。因此本案对单个维度的数据（待插值的维度）进行分析，首先获取与待插值的维度相关的维度数据，在这些维度数据中获取单个维度对待插值的维度的数据获取其影响程度；在对当前数据处理过程中获取目标维度对待插值维度的数据，通过不改变维度对待插值维度的影响程度下，调整维度数据的分布特征，并与当前数据的分布特征计算相似度，来计算维度数据的影响程度来自适应获取数据拟合权重。

进一步需要说明的是，在分析待插值的维度的每个时间点的数据拟合权重过程中，由于在所有的维度中仅有部分维度与待插值的维度相关，因此首先需要获取与待插值的维度相关的维度数据，因此本发明通过历史数据来获取与待插值维度相关的维度数据。

将多维度中除待插值维度以外的任意一单维度记为对比维度，获取待插值维度与对比维度的所有相同采样时间点，以相同采样时间点对待插值维度与对比维度进行划分，得到若干个划分时间段数据，将任意一时间段数据记为目标时间段，将待插值维度在目标时间段内的相邻时间采样点的单维度数据进行直线连接，对应将对比维度在目标时间段内的相邻时间采样点的单维度数据进行直线连接，在目标时间段中以待插值维度与对比维度对应的时间采样点的值为分段直线的值，获取目标时间段的相关系数，获取所有划分时间段数据的相关系数的均值，记为待插值维度与对比维度的相关程度。

预设相关程度阈值，本实施例设定相关程度阈值，具体实施过程实施者 可视具体情况进行调整，将对比维度与待插值维度的相关程度大于相关程度阈值时，将 对比维度记为待插值维度的目标维度，得到待插值维度的所有目标维度。

至此，得到每一单维度的若干个目标维度。

步骤S003、获取待插值维度散点图，获取待插值维度上每一采样时间点的数据波动程度，获取待插值维度上每一单维度数据的若干个数据对并获取每一数据对的数据变化差异及间隔时间，根据待插值维度上每一单维度数据的数据对的个数及每一数据对的数据变化差异、间隔时间获取待插值维度上每一单维度数据的第一影响权重。

需要说明的是，对当前数据的目标维度和对应当前的数据进行影响程度的分析，由于不同维度的数据之间存在一定的联系，即对应的某些维度数据的变化会造成当前维度数据的变化，并且不同维度下的数据的影响程度不同的，因此在对当前维度下进行数据插值的过程中需要同时分析自身的相邻时间点下的数据分布特征，还需要考虑目标维度的数据的影响，但是目标维度对数据的影响程度不同，因此在分析每个时间点的受到影响权重值时需要进行综合分析。

由于待插值维度的数据波动程度不同，若某个时间段的待插值维度的数据波动程度较小，则每个时间点的待插值维度的数据变化较小，则对应的该时间段内的待插值维度的数据较为稳定，则该时间段待插值维度受到的影响主要是自身相邻时间点下的数据分布特征的影响；若该时间段的待插值维度的数据波动程度较大，则每个时间点的待插值维度的数据变化较大，则对应的该时间段待插值维度受到的影响主要是目标维度的数据分布特征的影响。

在获取目标维度的数据分布特征的影响过程中，由于目标维度中的数据分布特征与目标维度中每一单维度的数据分布特征存在一定的相似性，若仅根据目标维度和待插值维度的相关程度作为影响程度，会造成的较大的影响误差，因此本发明在对当前数据处理过程中获取目标维度对待插值维度的数据，通过不改变维度对待插值维度的影响程度下，调整维度数据的分布特征，并与当前数据的分布特征计算相似度来对步骤S002中计算得到的相关程度进行校正，来计算维度数据的受到影响权重值来自适应获取数据拟合权重。

以每一单维度的每一采样时间点为横坐标，每一采样时间点对应的单维度数据为纵坐标，得到每一单维度散点图。

记待插值维度的任意一采样时间点为关注时间点，将待插值维度中关注时间点对 应的单维度数据为关注数据，设定范围长度，本实施例以范围长度进行叙述，具体 实施过程实施者可视具体实施情况对范围长度进行调整，将待插值维度中关注时间点前 个采样时间点对应的单维度数据记为关注数据的前局部范围，将待插值维度中关注时间点 后个采样时间点对应的单维度数据记为关注数据的后局部范围，需要说明的是，若关注 时间点的前采样时间点的个数小于，记关注时间点前的所有采样时间点对应的单维度数 据为关注数据的前局部范围，若关注时间点的后采样时间点的个数小于，记关注时间点 后的所有采样时间点对应的单维度数据为关注数据的后局部范围。

在待插值维度散点图中将关注数据的前局部范围、关注数据的后局部范围及关注数据中相邻采样时间点对应的散点进行连线，获取每一连线的斜率值，获取所有斜率值的方差，记为关注时间点的数据波动程度，获取待插值维度中每一关注时间点的数据波动程度，进行线性归一化处理。

至此，得到待插值维度上每一采样时间点的数据波动程度。

记关注数据的前局部范围内的任意一数据为目标数据，记目标数据与关注数据的采样时间点间隔为目标间隔，将关注数据的后局部范围内与关注数据的采样时间点间隔为目标间隔的数据记为目标数据的对比数据，将目标数据与对比数据记为关注数据的数据对。

若关注数据的前局部范围内的数据个数与后局部范围内的数据个数不相等，当关注数据的前局部范围内的数据个数小于后局部范围内的数据个数，此时记关注数据的前局部范围内与关注数据的采样时间点间隔最大的数据为第一待判断数据，将关注数据的后局部范围内，与关注数据的采样时间点间隔大于等于第一待判断数据与关注数据的采样时间点间隔的数据记为第一待判断数据的对比数据，将第一待判断数据与第一待判断数据的所有对比数据记为关注数据的数据对；当关注数据的前局部范围内的数据个数大于后局部范围内的数据个数，此时记关注数据的后局部范围内与关注数据的采样时间点间隔最大的数据为第二待判断数据，将关注数据的前局部范围内，与关注数据的采样时间点间隔大于等于第二待判断数据与关注数据的采样时间点间隔的数据记为第二待判断数据的对比数据，将第二待判断数据与第二待判断数据的所有对比数据记为关注数据的数据对。

记关注数据的任意一数据对为关注数据对，将关注数据对中属于关注数据的前局部范围的数据记为关注数据对的前范围，将关注数据对中属于关注数据的后局部范围内的数据记为关注数据对的后范围，将前范围内每一数据与后范围内每一数据的差值的绝对值的均值记为关注数据对的数据变化差异；获取关注数据对中每一单维度数据与关注数据的采样时间点的差值的绝对值，记为关注数据对的间隔时间。

至此，得到待插值维度上每一单维度数据的数据对，得到待插值维度上每一单维度数据的每一数据对的数据变化差异及间隔时间。

具体的，以待插值维度的第个单维度数据为例，获取待插值维度的第个单维度数 据的第一影响权重的计算方法为：

其中，表示待插值维度的第个单维度数据的数据对的个数，表示待插值维度 的第个单维度数据的第个数据对的间隔时间，表示取最大值，表示待插值维度的第 个单维度数据的第个数据对的数据变化差异。

表示待插值维度的第个单维度数据的局部范围内的单维度数 据中第个数据对的间隔时间与所有数据对的间隔时间的最大值的差异，时间间隔越大，对 待插值维度的第个单维度数据的影响越小；越大，对待插值维度的第个单维度数据的影 响越大。

至此，得到待插值维度上每一单维度数据的第一影响权重。

步骤S004、获取待插值维度的每一目标维度的目标维度频次散点图，根据目标维度频次散点图获取待插值维度的任意两个目标维度的若干个匹配点对并获取每一匹配点对的待调整程度，根据待调整程度得到待插值维度的每一调整后的目标维度，获取待插值维度上每一采样时间点的若干个待分析目标维度并获取待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重；获取待插值维度的每一单维度数据的影响权重值。

对待插值维度的每一目标维度上的所有单维度数据进行线性归一化处理，记待插值维度的任意一目标维度为第一待对比维度，统计第一待对比维度中每一单维度数据出现的次数，以待对比数据中由小到大的每一单维度数据为横坐标，以每一单维度数据出现的次数为纵坐标建立直角坐标系，得到第一待对比维度频次散点图，对第一待对比维度频次散点图进行曲线拟合，得到第一待对比维度频次曲线，记待插值维度的目标维度中除第一待对比维度外的任意一单维度为第二待对比维度，以第一待对比维度频次曲线的获取方式获取第二待对比维度频次曲线，利用DTW算法对第一待对比维度频次曲线与第二待对比维度频次曲线进行匹配，获取所有匹配点对，记为第一待对比维度与第二待对比维度的匹配点对；需要说明的是，每一匹配点对中一个点属于第一待对比维度频次曲线，另一个点属于第二待对比维度频次曲线，DTW算法为现有技术。

记任意一匹配点对为关注点对，记关注点对中属于第一待对比维度频次曲线的点为第一关注点，记关注点对中属于第二待对比维度频次曲线的点为第二关注点，获取第一关注点与第二待对比维度频次曲线匹配的点的个数记为第一关注点的匹配个数，获取第二关注点与第一待对比维度频次曲线匹配的点的个数记为第二关注点的匹配个数，将第一关注点的匹配个数与第二关注点的匹配个数的最大值记为关注点对的重复匹配次数，若第一关注点的匹配个数大于等于第二关注点的匹配个数，记第一关注点与第二待对比维度频次曲线匹配的点的欧式距离均值为关注点对的匹配距离，若第一关注点的匹配个数小于第二关注点的匹配个数，记第二关注点与第一待对比维度频次曲线匹配的点的欧式距离均值为关注点对的匹配距离。

至此，得到待插值维度的任意两个目标维度的匹配点对，得到每一匹配点对的重复匹配次数与匹配距离。

具体的，以待插值维度的第个目标维度及第个目标维度的第个匹配点对为例， 获取待插值维度的第个目标维度及第个目标维度的第个匹配点对的待调整程度的计 算方法为：

其中，表示待插值维度的第个目标维度及第个目标维度的第个匹配点对的 重复匹配次数，表示取最大值，表示待插值维度的第个目标维度及第个目标维度的 匹配点对的个数，表示待插值维度的第个目标维度及第个目标维度的第个匹配点对 的匹配距离，表示以自然常数e为底数的指数函数。

若待插值维度的第个目标维度及第个目标维度的第个匹配点对的重复匹配的 次数越多，表示待插值维度的第个目标维度及第个目标维度的第个匹配点对所在位置数 据分布较相近；若待插值维度的第个目标维度及第个目标维度的第个匹配点对的匹配距 离越小，表示待插值维度的第个目标维度及第个目标维度的第个匹配点对所在位置数据 分布较相近，进而待插值维度的第个目标维度及第个目标维度的第个匹配点对的待调整 程度越大。

至此，得到待插值维度的任意两个目标维度的匹配点对的待调整程度。

设定调整阈值，本实施例记调整阈值，实施者可视具体实施情况对调整 阈值进行设定，当待插值维度的任意两个目标维度的匹配点对的待调整程度小于等于阈值 时，对该匹配点对不进行调整，当待插值维度的任意两个目标维度的匹配点对的待调整程 度大于阈值时，记为待调整点对，对每一待调整点对进行调整，其中，调整的具体过程为：将 每一待调整点对的两个点在这两个点对应的单维度数据在该单维度数据所在的单维度散 点图上进行标记，记为标记点，获取每一标记点与其两侧每一相邻点的连线的斜率值，获取 两个斜率值的差值的绝对值，设定斜率差阈值，本实施例令，对大于斜率差阈值 的标记点进行剔除。

由于需保证进行调整后的数据分布特征不发生较大变化，因此将需要调整的点进 行步长为0.05进行迭代调整，获取待插值维度的调整后的每一目标维度与每一目标维度的 DTW距离，对DTW距离使用exp函数进行反向归一化，即，判断每次迭代后的DTW距 离与预设相似阈值的大小，本实施例设定，当DTW距离小于等于时，则继续迭 代，当DTW距离大于时，则停止调整，得到调整后的每一目标维度。

至此，得到待插值维度的调整后的目标维度。

记待插值维度的任意一采样时间点为目标时间点，获取所有含有目标时间点的待插值维度的调整后的目标维度，记为待插值维度的待分析目标维度，记待分析目标维度中任意一调整后的目标维度为目标对比维度，获取目标对比维度的在目标时间点前的所有数据与待插值维度在目标时间点前的所有数据的DTW距离，记为待插值维度的每一采样时间点在目标对比维度上的第二影响权重，对待插值维度的每一采样时间点在待分析目标维度中所有调整后的目标维度的第二影响权重进行线性归一化处理。

至此，得到待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重。

具体的，以待插值维度的第个单维度数据为例，获取待插值维度的第个单维度数 据的影响权重值的计算方法为：

其中，表示待插值维度的第个单维度数据对应的采样时间点的数据波动程度，表示待插值维度的第个单维度数据的第一影响权重，表示待插值维度的第个单维度 数据对应的采样时间点在第个待分析目标维度上的第二影响权重，表示待插值维度的第个单维度数据对应的采样时间点的待分析目标维度的个数，表示待插值维度与待插值维 度的第个待分析目标维度的相关程度。

若越小，表示更关注数据自身相邻数据的变化，若数据波动程度越大，则表明待 插值维度的第个单维度数据受到目标维度的影响越大，其中若该目标维度的第二影响权 重值越大，则表明该目标维度与待插值维度的第个单维度数据的影响越大。

至此，得到待插值维度的每一单维度数据的影响权重值。

步骤S005、根据待插值维度的每一单维度数据的影响权重值得到的插值结果进行边坡监测。

根据上述计算得到的影响权重值，对待插值维度进行自适应插值：其中插值的结 果采用偏最小二乘法进行数据插值，并根据受到影响权重值的大小对插值结果进行校正， 使得在考虑自身相邻的数据分布特征的基础上，还考虑到其他目标维度的影响，第个单维 度数据的校正后的插值结果的计算表达式为：，其中，表示第个单维度数据对 应的采样时间点通过偏最小二乘法拟合得到的值，表示第个单维度数据的影响权重值。

对上述处理后的每一单维度的单维度数据进行进一步处理，由于边坡发生变化属于整体的变化，因此为了准确的进行边坡监测，计算所有监测点的同一单维度的数据变化。

本实施例以GNSS地表位仪监测仪采集的位移量维度为例，将位移量维度作为待插值维度，根据不同监测点的位移量维度中数据的相似性进行边坡异常监测，由于为了避免边坡上地层结构的影响以及传感器灵敏度的影响，本实施例采用STL时间序列分割算法得到不同监测点的位移量维度的数据趋势项序列，STL时间序列分割算法为现有技术，本实施例不再过多赘述，由于数据趋势项序列体现数据趋势特征，即数据总体的趋势变化，本实施例根据数据趋势项序列进行数据相似性分析，即计算不同监测点的位移量维度的数据变化趋势是否相近。

记任意两个监测点的位移量维度为第一位移量维度与第二位移量维度，使用DTW算法获取第一位移量维度的数据趋势项序列与第二位移量维度的数据趋势项序列的DTW距离。

具体的，以第一位移量维度与第二位移量维度为例，获取第一位移量维度与第 二位移量维度的相似性的计算方法为：

其中，表示第一位移量维度的数据趋势项序列与第二位移量维度的数 据趋势项序列的DTW距离，表示以自然常数为底的指数函数。

记任意一监测点的位移量维度为目标位移量维度，以监测点序号为横坐标，以每 一监测点的位移量维度与目标位移量维度的相似性为纵坐标，构建直角坐标系，构建相似 性散点图，使用LOF算法在直角坐标系中进行异常检测，本实施例设定LOF算法中K=5，将LOF 值大于的点进行标记，即获取对应的监测点的位移量维度，本实施例设定，对每一 监测点的位移量维度按照目标位移量维度的处理方法进行标记处理，统计每一监测点的位 移量维度被标记的次数，设定次数阈值为，本实施例设定，当被标记次数大于次数 阈值时，表明该监测点所处位置可能发生异常，进行预警。

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、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种城市绿地规划用生态景观边坡监测方法，其特征在于，该方法包括以下步骤：

在生态景观边坡处安装传感器，将单个传感器记为单维度，单维度中每一采样时间点对应的传感器采集的数据记为单维度数据，设定待插值维度；

获取待插值维度的若干个目标维度；

根据待插值维度上每一单维度数据的若干个数据对与每一数据对的数据变化差异及间隔时间，获取待插值维度上每一单维度数据的第一影响权重；

获取待插值维度上每一采样时间点的若干个待分析目标维度，并获取待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，根据待插值维度的每一单维度数据的第一影响权重、待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，获取待插值维度的每一单维度数据的影响权重值；

根据影响权重值对待插值维度进行插值处理，获取不同监测点的待插值维度的数据趋势项序列，根据数据趋势项序列获取两个监测点的待插值维度的相似性，根据相似性构建相似性散点图，根据相似性散点图异常检测的结果进行边坡异常监测；

所述获取待插值维度上每一采样时间点的若干个待分析目标维度，并获取待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，包括的具体步骤如下：

获取待插值维度的每一目标维度的目标维度频次散点图，根据目标维度频次散点图获取待插值维度的任意两个目标维度的若干个匹配点对，并获取每一匹配点对的重复匹配次数与匹配距离，根据待插值维度的任意两个目标维度的每一匹配点对的重复匹配次数与匹配距离，获取待插值维度的任意两个目标维度的每一匹配点对的待调整程度，根据待调整程度得到待插值维度的每一调整后的目标维度；

记待插值维度的任意一采样时间点为目标时间点，获取所有含有目标时间点的待插值维度的调整后的目标维度，记为待插值维度的待分析目标维度，记待分析目标维度中任意一调整后的目标维度为目标对比维度，获取目标对比维度中在目标时间点前的所有数据与待插值维度在目标时间点前的所有数据的DTW距离，记为待插值维度的每一采样时间点在目标对比维度上的第二影响权重；

所述根据待插值维度的任意两个目标维度的每一匹配点对的重复匹配次数与匹配距离，获取待插值维度的任意两个目标维度的每一匹配点对的待调整程度，计算公式如下：

其中，表示待插值维度的第/>个目标维度及第/>个目标维度的第/>个匹配点对的待调整程度，/>表示待插值维度的第/>个目标维度及第/>个目标维度的第/>个匹配点对的重复匹配次数，/>表示取最大值，/>表示待插值维度的第/>个目标维度及第/>个目标维度的匹配点对的个数，/>表示待插值维度的第/>个目标维度及第/>个目标维度的第/>个匹配点对的匹配距离，/>表示以自然常数e为底数的指数函数；

所述根据待插值维度的每一单维度数据的第一影响权重、待插值维度上每一采样时间点在每一待分析目标维度上的第二影响权重，获取待插值维度的每一单维度数据的影响权重值，包括的具体步骤如下：

获取待插值维度散点图，记待插值维度的任意一采样时间点为关注时间点，将待插值维度中关注时间点对应的单维度数据为关注数据，预设范围长度，将待插值维度中关注时间点前/>个采样时间点对应的单维度数据记为关注数据的前局部范围，将待插值维度中关注时间点后/>个采样时间点对应的单维度数据记为关注数据的后局部范围；

在待插值维度散点图中将关注数据的前局部范围、关注数据的后局部范围及关注数据中相邻采样时间点对应的散点进行连线，获取每一连线的斜率值，获取所有斜率值的方差，记为关注时间点的数据波动程度；

其中，表示待插值维度的第/>个单维度数据的影响权重值，/>表示待插值维度的第/>个单维度数据对应的采样时间点的数据波动程度，/>表示待插值维度的第/>个单维度数据的第一影响权重，/>表示待插值维度的第/>个单维度数据对应的采样时间点在第/>个待分析目标维度上的第二影响权重，/>表示待插值维度的第/>个单维度数据对应的采样时间点的待分析目标维度的个数，/>表示待插值维度与待插值维度的第/>个待分析目标维度的相关程度；

所述根据目标维度频次散点图获取待插值维度的任意两个目标维度的若干个匹配点对，并获取每一匹配点对的重复匹配次数与匹配距离，包括的具体步骤如下：

记待插值维度的任意一目标维度为第一待对比维度，对第一待对比维度数据频次散点图进行曲线拟合，得到第一待对比维度频次曲线，记待插值维度的目标维度中除第一待对比维度外的任意一单维度为第二待对比维度，对第二待对比维度数据频次散点图进行曲线拟合，得到第二待对比维度频次曲线，利用DTW算法对第一待对比维度频次曲线与第二待对比维度频次曲线进行匹配，获取所有匹配点对，记为第一待对比维度与第二待对比维度的匹配点对；

记任意一匹配点对为关注点对，记关注点对中属于第一待对比维度频次曲线的点为第一关注点，记关注点对中属于第二待对比维度频次曲线的点为第二关注点，获取第一关注点与第二待对比维度频次曲线匹配的点的个数记为第一关注点的匹配个数，获取第二关注点与第一待对比维度频次曲线匹配的点的个数记为第二关注点的匹配个数，将第一关注点的匹配个数与第二关注点的匹配个数的最大值记为关注点对的重复匹配次数，若第一关注点的匹配个数大于等于第二关注点的匹配个数，记第一关注点与第二待对比维度频次曲线匹配的点的欧式距离均值为关注点对的匹配距离，若第一关注点的匹配个数小于第二关注点的匹配个数，记第二关注点与第一待对比维度频次曲线匹配的点的欧式距离均值为关注点对的匹配距离；

所述根据相似性构建相似性散点图，根据相似性散点图异常检测的结果进行边坡异常监测，包括的具体步骤如下：

记任意一监测点的待插值维度为目标位移量维度，以监测点序号为横坐标，以每一监测点的待插值维度与目标位移量维度的相似性为纵坐标，构建直角坐标系，构建相似性散点图；

使用LOF算法在直角坐标系中进行异常检测，将LOF值大于的点进行标记，对每一监测点的待插值维度按照目标位移量维度的处理方法进行标记处理，统计每一监测点的待插值维度被标记的次数，设定次数阈值为/>，当被标记次数大于次数阈值时，表明该监测点所处位置可能发生异常，进行预警，完成边坡异常监测。

2.根据权利要求1所述一种城市绿地规划用生态景观边坡监测方法，其特征在于，所述待插值维度上每一单维度数据的若干个数据对与每一数据对的数据变化差异及间隔时间，的获取方法如下：

记关注数据的前局部范围内的任意一数据为目标数据，记目标数据与关注数据的采样时间点间隔为目标间隔，将关注数据的后局部范围内与关注数据的采样时间点间隔为目标间隔的数据记为目标数据的对比数据，将目标数据与对比数据记为关注数据的数据对；

记关注数据的任意一数据对为关注数据对，将关注数据对中属于关注数据的前局部范围的数据记为关注数据对的前范围，将关注数据对中属于关注数据的后局部范围内的数据记为关注数据对的后范围，将前范围内每一数据与后范围内每一数据的差值的绝对值的均值记为关注数据对的数据变化差异；获取关注数据对中每一单维度数据与关注数据的采样时间点的差值的绝对值，记为关注数据对的间隔时间。

3.根据权利要求1所述一种城市绿地规划用生态景观边坡监测方法，其特征在于，所述根据待插值维度上每一单维度数据的若干个数据对与每一数据对的数据变化差异及间隔时间，获取待插值维度上每一单维度数据的第一影响权重，计算公式如下：

其中，表示待插值维度的第/>个单维度数据的第一影响权重，/>表示待插值维度的第/>个单维度数据的数据对的个数，/>表示待插值维度的第/>个单维度数据的第/>个数据对的间隔时间，/>表示取最大值，/>表示待插值维度的第/>个单维度数据的第/>个数据对的数据变化差异。

4.根据权利要求1所述一种城市绿地规划用生态景观边坡监测方法，其特征在于，所述根据数据趋势项序列获取两个监测点的待插值维度的相似性，包括的具体步骤如下：

记任意两个监测点的待插值维度为第一位移量维度与第二位移量维度；

其中，表示第一位移量维度与第二位移量维度的相似性，/>表示第一位移量维度/>的数据趋势项序列与第二位移量维度/>的数据趋势项序列的DTW距离，/>表示以自然常数/>为底的指数函数。