CN116861286B - 一种基于模糊计算的多模态滑坡位移智能预测方法 - Google Patents
一种基于模糊计算的多模态滑坡位移智能预测方法 Download PDFInfo
- Publication number
- CN116861286B CN116861286B CN202310750218.8A CN202310750218A CN116861286B CN 116861286 B CN116861286 B CN 116861286B CN 202310750218 A CN202310750218 A CN 202310750218A CN 116861286 B CN116861286 B CN 116861286B
- Authority
- CN
- China
- Prior art keywords
- model
- landslide displacement
- landslide
- intelligent prediction
- rainfall
- 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.)
- Active
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 24
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Ecology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Emergency Management (AREA)
- Hydrology & Water Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于模糊计算的多模态滑坡位移智能预测方法,包括:获取滑坡变形监测数据和天气预报数据;根据滑坡变形监测数据和天气预报数据,计算预设时间步长内的影响因子相关统计值,利用最大信息系数法计算影响因子相关统计值和滑坡位移之间的相关性;根据相关性确定目标数量的统计量;对累计降雨量和天气预报降雨量进行数据预处理,得到预处理后多个不同状态的数据集;将各个不同状态的数据集分别划分为训练集和测试集;根据统计量和训练集对多模型滑坡位移智能预测模型进行训练,得到训练好的多模型滑坡位移智能预测模型;基于测试集和模糊计算,利用训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
Description
技术领域
本发明涉及滑坡地质灾害监测预警技术领域,具体涉及一种基于模糊计算的多模态滑坡位移智能预测方法。
背景技术
滑坡作为一种最为常见的地质灾害之一,对人民的生命财产安全和生产生活造成严重威胁,因此对滑坡地质灾害的监测和滑坡位移预测尤为重要;然而,滑坡被认为是一个极其复杂的非线性动态持续性过程,其当前状态不仅与自身发展变化状态有关,还受许多外在因素的影响,并且,这种外在因素的影响具有迟滞性。
基于影响因素的迟滞性,现有滑坡位移预测模型结合相关性分析方法确定滑坡位移的影响因素,利用诸如支持向量机(SVM)和长短期记忆网络(LSTM)等方法预测滑坡位移,这些模型虽然在预测位移方面取得了不错的成果,但是仅仅依赖于历史监测数据仍然难以准确预测滑坡位移的动态变化,即现有预测模型忽略了待预测时间步降雨量对滑坡位移的影响,而天气预报刚好可以提供比较精准的短期降雨预报数据,可以作为模型的输入,增强模型的表达能力。此外,以往预测方法只是笼统地将所有时间段的数据输入到模型得到预测结果,但是很难区分不同程度的降雨变化对滑坡位移的影响。
因此,有必要区分前期累计降雨量和预报降雨量的状态转换,进而选择不同的预测策略。
发明内容
本发明的目的在于提供一种基于模糊计算的多模态滑坡位移智能预测方法,以能够有效应对不同降雨条件下的预测任务,提升滑坡监测预警的智能化、灵活性和有效性。
本发明解决上述技术问题的技术方案如下:
本发明提供一种基于模糊计算的多模态滑坡位移智能预测方法,包括:
S101:获取滑坡变形监测数据和天气预报数据;
S102:根据所述滑坡变形监测数据和天气预报数据,计算预设时间步长内的影响因子相关统计值,其中,所述影响因子相关统计值包括累计降雨量和天气预报降雨量;
S103:利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性;
S104:根据所述相关性确定目标数量的统计量;
S105:对所述累计降雨量和天气预报降雨量进行数据预处理,得到预处理后多个不同状态的数据集;
S106:将各个不同状态的数据集分别划分为训练集和测试集;
S107:根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练,得到训练好的多模型滑坡位移智能预测模型;
S108:基于测试集和模糊计算,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
可选择地,所述S102中,所述影响因子相关统计值包括:
孔隙水变化量、孔隙水均值、土壤水分变化量、土壤水分均值、位移序列、累计降雨量和待预测时刻的天气预报降雨量。
可选择地,所述S105包括:
S1051:根据所述累计降雨量和天气预报降雨量,划分为四个状态的数据集;
S1052:利用最小最大值归一化方法对各个状态的数据集进行归一化处理,得到预处理后多个不同状态的数据集。
可选择地,所述S1051中,所述四个状态的数据集包括:
S1:表示从无雨到无雨;
S2:表示从无雨到有雨;
S3:表示从有雨到无雨;
S4:表示从有雨到有雨。
可选择地,所述S107中,所述多模型滑坡位移智能预测模型包括依次设置的输入层、第一层LSTM、第二层LSTM、隐状态、全连接层和输出层。
可选择地,所述S108包括:
S1081:分别计算测试集中累计降雨量和天气预报降雨量对其各自模糊度标记的隶属度;
S1082:根据所述隶属度,以及状态初始化规则,进行模糊推理,得到状态判定结果;
S1083:根据所述状态判定结果,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
可选择地,所述S1081中,累计降雨量记为u1,天气预报降雨量记为u2,u1和u2分别有两个模糊度标记:有雨、无雨;
u1对无雨的隶属度函数A1(u1)如下:
u1对有雨的隶属度函数A2(u1)如下:
u2对无雨的隶属度函数B1(u2)如下:
u2对有雨的隶属度函数B2(u2)如下:
可选择地,所述S1082中,累计降雨量记为u1,天气预报降雨量记为u2,所述状态初始化规则为:
若u1模糊值为无雨且u2模糊值为无雨,则初始化为S1状态,表示为{A1(1)>2(1),1(2)>2(2)};
若u1模糊值为无雨且u2模糊值为有雨,则初始化为S2状态,表示为{A1(1)>2(1),1(2)<2(2)};
若u1模糊值为有雨且u2模糊值为无雨,则初始化为S3状态,表示为{A1(1)<2(1),1(2)>2(2)};
若u1模糊值为有雨且u2模糊值为有雨,则初始化为S4状态,表示为{A1(1)<2(1),1(2)<2(2)};
其中,A1(1)表示u1对无雨的隶属度函数,A2(1)表示u1对有雨的隶属度函数,B1(2)表示u2对无雨的隶属度函数,B2(2)表示u2对有雨的隶属度函数。
本发明还提供一种基于上述的基于模糊计算的多模态滑坡位移智能预测方法的***,所述***包括:
数据获取模块:所述数据获取模块用于获取滑坡变形监测数据和天气预报数据;
影响因子相关统计值计算模块,所述影响因子相关统计值计算模块根据所述滑坡变形监测数据和天气预报数据,计算预设时间步长内的影响因子相关统计值,其中,所述影响因子相关统计值包括累计降雨量和天气预报降雨量;
相关性计算模块,所述相关性计算模块用于利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性;
统计量确定模块,所述统计量确定模块用于根据所述相关性确定目标数量的统计量;
数据预处理模块,数据预处理模块用于对所述累计降雨量和天气预报降雨量进行数据预处理,得到预处理后多个不同状态的数据集;
数据集划分模块,所述数据集划分模块用于将各个不同状态的数据集分别划分为训练集和测试集;
模型训练模块,所述模型训练模块用于根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练,得到训练好的多模型滑坡位移智能预测模型;
预测模块,所述预测模块用于基于测试集和模糊计算,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
本发明具有以下有益效果:
本发明能够有效区分前期累计降雨量和预报降雨量的状态,依据降雨量的变化将滑坡位移预测任务划分为四种状态,进而选择不同的预测策略。借助于模糊计算的发展,可以将模糊计算和时间序列预测模型相结合,利用有限状态机对状态之间的转移过程进行描述,提供一种基于模糊计算的多模态滑坡位移智能预测方法,丰富现有滑坡位移预测体系,可以有效应对不同降雨条件下的预测任务,提升滑坡监测预警的智能化、灵活性和有效性。
附图说明
图1为本发明基于模糊计算的多模态滑坡位移智能预测方法的流程图;
图2为本发明多模型滑坡位移智能预测模型的结构示意图;
图3为本发明实施例提供的累计降雨量u1对各模糊标记的隶属度函数示意图。
图4为本发明实施例提供的天气预报降雨量u2对各模糊标记的隶属度函数示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提供一种基于模糊计算的多模态滑坡位移智能预测方法,参考图1所示,包括:
S101:获取滑坡变形监测数据和天气预报数据;
这里,滑坡变形监测数据和天气预报数据均为历史数据。
S102:根据所述滑坡变形监测数据和天气预报数据,计算预设时间步长内的影响因子相关统计值,其中,所述影响因子相关统计值包括累计降雨量和天气预报降雨量;
所述影响因子相关统计值包括:
孔隙水变化量、孔隙水均值、土壤水分变化量、土壤水分均值、位移序列、累计降雨量和待预测时刻的天气预报降雨量。
S103:利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性;
由于最大信息系数法为现有技术,本发明不做详细描述。
S104:根据所述相关性确定目标数量的统计量;
本发明预设时间步长为15天,选择相关性大于0.5的统计量作为每个模型的输入,最终一共得到15个统计量作为输入,包括:前十五天的土壤水分均值和变化量,前十五天的孔隙水压力均值和变化量,临近时期的位移(最近一至七天的位移序列),初始状态的位移(前十五天、前十天位移),前十五天累计降雨量,当天天气预报降雨量。
S105:对所述累计降雨量和天气预报降雨量进行数据预处理,得到预处理后多个不同状态的数据集;
可选择地,所述S105包括:
S1051:根据所述累计降雨量和天气预报降雨量,划分为四个状态的数据集;
所述四个状态的数据集包括:
S1:表示从无雨到无雨;
S2:表示从无雨到有雨;
S3:表示从有雨到无雨;
S4:表示从有雨到有雨。
S1052:利用最小最大值归一化方法对各个状态的数据集进行归一化处理,得到预处理后多个不同状态的数据集。
最小最大值归一化方法为现有技术,本发明不做详细描述。
S106:将各个不同状态的数据集分别划分为训练集和测试集;
S107:根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练,得到训练好的多模型滑坡位移智能预测模型;
可选择地,所述多模型滑坡位移智能预测模型包括多个子模型,参考图2所示,各子模型包括但不限于LSTM、Transformer、TCN等。本发明所提供的各子模型包括依次设置的输入层、第一层LSTM、第二层LSTM、隐状态、全连接层和输出层。
具体而言,本实施例基于Python环境的PyTorch框架搭建预测模型结构,其中,预测模型以LSTM模型为例,具体为两层单向长短期记忆网络,输入特征数量为15,隐含层结点数量为128,并使用全连接层输出预测值,全连接层隐含层结点数为128,输出为位移预测值;
初始化各子模型的训练参数,包括但不限于学习率、迭代次数、批处理大小、优化器和损失函数等;基于训练集和预测网络,不断调整子模型参数,直至模型收敛,最终训练参数确定为:迭代次数为800代,批处理大小为48,优化器为Adam优化器,训练损失函数为均方误差(MSE)损失函数,并保存最好的子模型,一共四个子模型:M1、M2、M3和M4。
除此之外,本发明还对各子模型的泛化性能进行测试和评估:
评估指标包括但不限于平均绝对误差(MAE),均方根误差(RMSE),平均绝对百分比误差(MAPE)等;其中,M1的测试RMSE为0.184mm,M2的测试RMSE为0.143mm,M3的测试RMSE为0.397mm,M4的测试RMSE为0.325mm,满足单个状态预测要求,保存每个状态的子模型,并加入到多模型滑坡位移智能预测模型中。
S108:基于测试集和模糊计算,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
可选择地,所述S108包括:
S1081:分别计算测试集中累计降雨量和天气预报降雨量对其各自模糊度标记的隶属度;
累计降雨量记为u1,天气预报降雨量记为u2,u1和u2分别有两个模糊度标记:有雨、无雨;
u1对无雨的隶属度函数A1(u1)如下:
u1对有雨的隶属度函数A2(u1)如下:
u2对无雨的隶属度函数B1(u2)如下:
u2对有雨的隶属度函数B2(u2)如下:
u1对各模糊标记的隶属度函数如图3所示,u2对各模糊标记的隶属度函数如图4所示。各变量对各自模糊标记的隶属度由上述隶属度函数确定,具体而言,每个变量最终的模糊标记基于最大隶属度确定,若存在两个模糊标记的隶属度相等,则随机选取一个模糊标记。
S1082:根据所述隶属度,以及状态初始化规则,进行模糊推理,得到状态判定结果;
累计降雨量记为u1,天气预报降雨量记为u2,所述状态初始化规则为:
若u1模糊值为无雨且u2模糊值为无雨,则初始化为S1状态,表示为{A1(1)>2(1),1(2)>2(2)};
若u1模糊值为无雨且u2模糊值为有雨,则初始化为S2状态,表示为{A1(1)>2(1),1(2)<2(2)};
若u1模糊值为有雨且u2模糊值为无雨,则初始化为S3状态,表示为{A1(1)<2(1),1(2)>2(2)};
若u1模糊值为有雨且u2模糊值为有雨,则初始化为S4状态,表示为{A1(1)<2(1),1(2)<2(2)};
其中,A1(1)表示u1对无雨的隶属度函数,A2(1)表示u1对有雨的隶属度函数,B1(2)表示u2对无雨的隶属度函数,B2(2)表示u2对有雨的隶属度函数。
初始化以后,只会进入某一个状态,在预测过程中,状态会不断发生变化,变化和转移规则如下:
规则1:若当前状态为S1且u2模糊值为无雨,则保持S1状态,表示为{S1,B1(u2)>B2(u2);
规则2:若当前状态为S1且u2模糊值为有雨,则转到S2状态,表示为{S1,B1(u2)<B2(u2);
规则3:若当前状态为S2且u2模糊值为无雨,则转到S3状态,表示为{S2,B1(u2)>B2(u2);
规则4:若当前状态为S2且u2模糊值为有雨,则转到S4状态,表示为{S2,B1(u2)<B2(u2);
规则5:若当前状态为S3且u2模糊值为无雨,则转到S1状态,表示为{S3,B1(u2)>B2(u2);
规则6:若当前状态为S3且u2模糊值为有雨,则转到S2状态,表示为{S3,B1(u2)<B2(u2);
规则7:若当前状态为S4且u2模糊值为无雨,则转到S3状态,表示为{S4,B1(u2)>B2(u2);
规则8:若当前状态为S4且u2模糊值为有雨,则保持S4状态,表示为{S4,B1(u2)<B2(u2)。
S1083:根据所述状态判定结果,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
具体地,去模糊化将模糊输出转换为实际的位移预测值,根据模糊推理的结论从多模型选择相应状态的模型进行预测,最终输出待预测时间步的滑坡位移预测值。
本发明还提供一种基于上述的基于模糊计算的多模态滑坡位移智能预测方法的***,所述***包括:
数据获取模块:所述数据获取模块用于获取滑坡变形监测数据和天气预报数据;
影响因子相关统计值计算模块,所述影响因子相关统计值计算模块根据所述滑坡变形监测数据和天气预报数据,计算预设内的影响因子相关统计值,其中,所述影响因子相关统计值包括累计降雨量和天气预报降雨量;
相关性计算模块,所述相关性计算模块用于利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性;
统计量确定模块,所述统计量确定模块用于根据所述相关性确定目标数量的统计量;
数据预处理模块,数据预处理模块用于对所述累计降雨量和天气预报降雨量进行数据预处理,得到预处理后多个不同状态的数据集;
数据集划分模块,所述数据集划分模块用于将各个不同状态的数据集分别划分为训练集和测试集;
模型训练模块,所述模型训练模块用于根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练,得到训练好的多模型滑坡位移智能预测模型;
预测模块,所述预测模块用于基于测试集和模糊计算,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
以上所述仅为本发明的较佳实施例,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 (8)
1.一种基于模糊计算的多模态滑坡位移智能预测方法,其特征在于,包括:
S101:获取滑坡变形监测数据和天气预报数据;
S102:根据所述滑坡变形监测数据和天气预报数据,计算预设时间步长内的影响因子相关统计值,其中,所述影响因子相关统计值包括累计降雨量和天气预报降雨量;
S103:利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性;
S104:根据所述相关性确定目标数量的统计量;
S105:对所述累计降雨量和天气预报降雨量进行数据预处理,得到预处理后多个不同状态的数据集;
S106:将各个不同状态的数据集分别划分为训练集和测试集;
S107:根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练,得到训练好的多模型滑坡位移智能预测模型;所述多模型滑坡位移智能预测模型包括多个子模型;
根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练包括:
初始化各子模型的训练参数;
基于训练集,不断调整子模型参数,直至模型收敛;
对各子模型的泛化能力进行测试和评估,保存满足单个预测要求的子模型,并加入到多模型滑坡位移智能预测模型中;
S108:基于测试集和模糊计算,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果;
所述S108包括:
S1081:分别计算测试集中累计降雨量和天气预报降雨量对其各自模糊度标记的隶属度;
S1082:根据所述隶属度,以及状态初始化规则,进行模糊推理,得到状态判定结果;
S1083:根据所述状态判定结果,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
2.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法,其特征在于,所述S102中,所述影响因子相关统计值包括:
孔隙水变化量、孔隙水均值、土壤水分变化量、土壤水分均值、位移序列、累计降雨量和待预测时刻的天气预报降雨量。
3.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法,其特征在于,所述S105包括:
S1051:根据所述累计降雨量和天气预报降雨量,划分为四个状态的数据集;
S1052:利用最小最大值归一化方法对各个状态的数据集进行归一化处理,得到预处理后多个不同状态的数据集。
4.根据权利要求3所述的基于模糊计算的多模态滑坡位移智能预测方法,其特征在于,所述S1051中,所述四个状态的数据集包括:
S1:表示从无雨到无雨;
S2:表示从无雨到有雨;
S3:表示从有雨到无雨;
S4:表示从有雨到有雨。
5.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法,其特征在于,所述S107中,所述多模型滑坡位移智能预测模型包括依次设置的输入层、第一层LSTM、第二层LSTM、隐状态、全连接层和输出层。
6.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法,其特征在于,所述S1081中,累计降雨量记为u1,天气预报降雨量记为u2,u1和u2分别有两个模糊度标记:有雨、无雨;
u1对无雨的隶属度函数A1(u1)如下:
u1对有雨的隶属度函数A2(u1)如下:
u2对无雨的隶属度函数B1(u2)如下:
u2对有雨的隶属度函数B2(u2)如下:
7.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法,其特征在于,所述S1082中,累计降雨量记为u1,天气预报降雨量记为u2,所述状态初始化规则为:
若u1模糊值为无雨且u2模糊值为无雨,则初始化为S1状态,表示为{A1(u1)>A2(u1),B1(u2)>B2(u2)};
若u1模糊值为无雨且u2模糊值为有雨,则初始化为S2状态,表示为{A1(u1)>A2(u1),B1(u2)<B2(u2)};
若u1模糊值为有雨且u2模糊值为无雨,则初始化为S3状态,表示为{A1(u1)<A2(u1),B1(u2)>B2(u2)};
若u1模糊值为有雨且u2模糊值为有雨,则初始化为S4状态,表示为{u1(u1)<A2(u1),B1(u2)<B2(u2)};
其中,A1(u1)表示u1对无雨的隶属度函数,A2(u1)表示u1对有雨的隶属度函数,B1(u2)表示u2对无雨的隶属度函数,B2(u2)表示u2对有雨的隶属度函数。
8.一种基于权利要求1-7中任意一项所述的基于模糊计算的多模态滑坡位移智能预测方法的***,其特征在于,所述***包括:
数据获取模块:所述数据获取模块用于获取滑坡变形监测数据和天气预报数据;
影响因子相关统计值计算模块,所述影响因子相关统计值计算模块根据所述滑坡变形监测数据和天气预报数据,计算预设时间步长内的影响因子相关统计值,其中,所述影响因子相关统计值包括累计降雨量和天气预报降雨量;
相关性计算模块,所述相关性计算模块用于利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性;
统计量确定模块,所述统计量确定模块用于根据所述相关性确定目标数量的统计量;
数据预处理模块,数据预处理模块用于对所述累计降雨量和天气预报降雨量进行数据预处理,得到预处理后多个不同状态的数据集;
数据集划分模块,所述数据集划分模块用于将各个不同状态的数据集分别划分为训练集和测试集;
模型训练模块,所述模型训练模块用于根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练,得到训练好的多模型滑坡位移智能预测模型;
预测模块,所述预测模块用于基于测试集和模糊计算,利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测,得到预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750218.8A CN116861286B (zh) | 2023-06-21 | 2023-06-21 | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750218.8A CN116861286B (zh) | 2023-06-21 | 2023-06-21 | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116861286A CN116861286A (zh) | 2023-10-10 |
CN116861286B true CN116861286B (zh) | 2024-01-30 |
Family
ID=88233194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310750218.8A Active CN116861286B (zh) | 2023-06-21 | 2023-06-21 | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861286B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014052328A (ja) * | 2012-09-10 | 2014-03-20 | Toshiba Corp | 天然ダムの観測システム、観測装置及び観測方法 |
KR20150131801A (ko) * | 2014-05-16 | 2015-11-25 | 한국지질자원연구원 | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 |
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*** |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN112101660A (zh) * | 2020-09-15 | 2020-12-18 | 重庆交通大学 | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 |
KR20210030031A (ko) * | 2019-09-09 | 2021-03-17 | 한국지질자원연구원 | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 |
CN112699572A (zh) * | 2021-01-18 | 2021-04-23 | 长安大学 | 一种基于时滞相关性分析预测滑坡变形的方法 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN115019474A (zh) * | 2022-05-31 | 2022-09-06 | 湖北省地质环境总站 | 一种地质灾害气象风险预警方法 |
CN116090661A (zh) * | 2023-02-28 | 2023-05-09 | 电子科技大学 | 一种滑坡位移智能预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340208A (zh) * | 2021-05-27 | 2021-09-03 | 西北大学 | 一种多状态触发的滑坡体远程自动监测预警***及方法 |
-
2023
- 2023-06-21 CN CN202310750218.8A patent/CN116861286B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014052328A (ja) * | 2012-09-10 | 2014-03-20 | Toshiba Corp | 天然ダムの観測システム、観測装置及び観測方法 |
KR20150131801A (ko) * | 2014-05-16 | 2015-11-25 | 한국지질자원연구원 | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 |
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*** |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
KR20210030031A (ko) * | 2019-09-09 | 2021-03-17 | 한국지질자원연구원 | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 |
CN112101660A (zh) * | 2020-09-15 | 2020-12-18 | 重庆交通大学 | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN112699572A (zh) * | 2021-01-18 | 2021-04-23 | 长安大学 | 一种基于时滞相关性分析预测滑坡变形的方法 |
CN115019474A (zh) * | 2022-05-31 | 2022-09-06 | 湖北省地质环境总站 | 一种地质灾害气象风险预警方法 |
CN116090661A (zh) * | 2023-02-28 | 2023-05-09 | 电子科技大学 | 一种滑坡位移智能预测方法 |
Non-Patent Citations (5)
Title |
---|
Fuzzy computing based rainfall–runoff model for real time flood forecasting;P. C. Nayak 等;《HYDROLOGICAL PROCESSES。;955-968 * |
Landslide Displacement Prediction Based on Multivariate LSTM Model;Gonghao Duan 等;《Environmental Research and Public Health》;1-16 * |
The Application of Long Short-Term Memory(LSTM) Method on Displacement Prediction of Multifactor-Induced Landslides;PEIHONG XIE 等;《IEEE Access》;54305-54311 * |
降雨型滑坡特征及其稳定分析研究;杨文东;《万方数据》;全文 * |
降雨诱发的地质灾害气象风险预警模型:以云南省红河州监测示范区为例;李芳 等;《地球科学》;1637-1646 * |
Also Published As
Publication number | Publication date |
---|---|
CN116861286A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及*** | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN109726802B (zh) | 一种铁路和风电场环境风速机器学习预测方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN111553543A (zh) | 基于TPA-Seq2Seq的电力负荷预测方法及相关组件 | |
CN112818608A (zh) | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 | |
CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
Vafakhah et al. | Application of intelligent technology in rainfall analysis | |
CN115859620A (zh) | 一种基于多头注意力机制和图神经网络的径流重建方法 | |
CN116401516A (zh) | 一种基于深度学习的电力负荷异常数据检测与修正方法 | |
CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
CN116861286B (zh) | 一种基于模糊计算的多模态滑坡位移智能预测方法 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN115794805A (zh) | 一种中低压配网量测数据补齐方法 | |
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 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
CN114819338B (zh) | 基于双注意力机制的多要素海表面温度预测方法 | |
CN114004421B (zh) | 一种基于时空集成学习的交通数据缺失值插补方法 |
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 |