CN117648873B - 地面沉降预测方法、训练方法、装置、设备 - Google Patents
地面沉降预测方法、训练方法、装置、设备 Download PDFInfo
- Publication number
- CN117648873B CN117648873B CN202410121478.3A CN202410121478A CN117648873B CN 117648873 B CN117648873 B CN 117648873B CN 202410121478 A CN202410121478 A CN 202410121478A CN 117648873 B CN117648873 B CN 117648873B
- Authority
- CN
- China
- Prior art keywords
- observation data
- real
- prediction
- model
- ground subsidence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 125
- 238000000605 extraction Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 20
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 28
- 230000006870 function Effects 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 18
- 230000008859 change Effects 0.000 description 16
- 239000003673 groundwater Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000009933 burial Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种地面沉降预测方法、训练方法、装置、设备，该地面沉降预测方法包括：响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对观测数据进行同步处理，得到实时观测数据；利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，其中，预训练模型是利用目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的；以及将实时观测数据输入目标地面沉降预测模型，输出预测信息，其中，预测信息表征目标区域在未来时段发生地面沉降的概率。
Description
技术领域
本发明涉及地质灾害预测领域，更具体地涉及一种地面沉降预测方法、训练方法、装置、设备。
背景技术
地面变形是地球表面的海拔标高在一定时期内不断变化的环境地质现象。其中地面沉降是地面变形中主要的地质灾害，其会给人类社会带来严重的危害和损失，威胁生态安全。因此需要一种及时和有效的预测地面沉降的方法。
在相关技术中，一般选用训练好的模型来预测地面沉降，但影响地面沉降预测的数据源较多，且数据源的数据变化具有随机性，训练好的模型不能动态地进行更新和调整来响应地面变形地变化情况，导致模型预测的准确率难以提升。
发明内容
鉴于上述问题，本发明提供了一种地面沉降预测方法、训练方法、装置、设备。
根据本发明的第一个方面，提供了一种地面沉降预测方法，包括：响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对上述观测数据进行同步处理，得到实时观测数据；利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，其中，上述预训练模型是利用上述目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的；以及将上述实时观测数据输入上述目标地面沉降预测模型，输出预测信息，其中，上述预测信息表征上述目标区域在未来时段发生地面沉降的概率。
根据本发明的实施例，上述利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，包括：
获取上述预训练模型在训练阶段输出的地面沉降预测值和与上述地面沉降预测值对应的标签；根据上述地面沉降预测值和与上述地面沉降预测值对应的标签，得到地面沉降预测误差的协方差矩阵；根据上述地面沉降预测误差的协方差矩阵、观测数据矩阵和观测噪声的协方差矩阵，得到卡尔曼增益矩阵，其中，上述观测数据矩阵是根据上述实时观测数据和上述历史观测数据构建得到的；上述观测噪声的协方差矩阵是根据与上述实时观测数据对应的噪声和与上述历史观测数据对应的噪声构建得到的；以及利用上述卡尔曼增益矩阵，基于上述实时观测数据调整上述模型参数，得到目标地面沉降预测模型。
根据本发明的实施例，上述实时观测数据包括S批次，S为大于1的整数；还包括：根据与第s批次的实时观测数据对应的卡尔曼增益矩阵、与上述第s-1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵和与上述第s批次的实时观测数据对应的观测数据矩阵，得到与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵，其中，s为大于1小于等于S-1的整数；以及根据上述与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵、上述与第s+1批次的实时观测数据对应的观测数据矩阵和上述与第s+1批次的实时观测数据对应的观测噪声的协方差矩阵，得到与第s+1批次的实时观测数据对应的卡尔曼增益矩阵。
根据本发明的实施例，上述对上述观测数据进行同步处理，得到实时观测数据，包括：按照预定时长尺度，对上述观测数据中的随时间变化的观测数据进行时间同步处理，得到时间同步的实时观测数据；以及按照预定空间尺度，对上述观测数据中的随空间变化的观测数据进行空间同步处理，得到空间同步的实时观测数据。
根据本发明的实施例，上述目标地面沉降预测模型包括卷积特征提取模块、循环特征提取模块和预测模块；上述将上述实时观测数据输入上述目标地面沉降预测模型，输出预测信息，包括：利用上述卷积特征提取模块，提取上述实时观测数据的空间特征；利用上述循环特征提取模块，对上述空间特征进行处理，得到上述实时观测数据的时序特征；以及利用上述预测模块，对上述时序特征进行处理，得到上述预测信息。
根据本发明的实施例，还包括：基于蒙特卡洛算法，根据上述多个维度的历史观测数据和多个维度的实时观测数据中，构建特征观测数据；将上述特征观测数据输入上述目标地面沉降预测模型，得到与上述特征观测数据对应的预测结果；分析上述特征观测数据和上述预测结果，得到用于表征影响上述预测结果的目标观测数据类型和与上述目标观测数据类型对应的预警临界值；响应于与上述目标观测数据类型对应的实时观测数据的数值大于上述预警临界值，生成用于表征上述目标区域在未来时段发生地面沉降的预警信息。
根据本发明的第二个方面，提供了一种模型训练方法，包括：获取样本区域在历史时段内的多个维度的样本历史观测数据；对上述样本历史观测数据进行同步处理，得到目标样本历史观测数据；将上述目标样本历史观测数据输入初始模型，得到样本预测信息，其中，上述样本预测信息表征上述样本区域在目标时段发生地面沉降的概率；基于损失函数，根据上述样本预测信息和样本标签，得到损失值；以及基于损失值调整上述初始模型的模型参数，得到预训练模型，其中，上述预训练模型应用于上述地面沉降预测方法。
本发明的第三方面提供了一种地面沉降预测装置，包括：同步模块、调整模块和预测模块。
同步模块，用于响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对上述观测数据进行同步处理，得到实时观测数据；调整模块，用于利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，其中，上述预训练模型是利用上述目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的；以及预测模块，用于将上述实时观测数据输入上述目标地面沉降预测模型，输出预测信息，其中，上述预测信息表征上述目标区域在未来时段是否发生地面沉降。
根据本发明的实施例，调整模块包括：标签获取子模块、协方差计算子模块、卡尔曼增益矩阵计算子模块和参数调整子模块。标签获取子模块，用于获取上述预训练模型在训练阶段输出的地面沉降预测值和与上述地面沉降预测值对应的标签；协方差计算子模块，用于根据上述地面沉降预测值和与上述地面沉降预测值对应的标签，得到地面沉降预测误差的协方差矩阵；卡尔曼增益矩阵计算子模块，用于根据上述地面沉降预测误差的协方差矩阵、观测数据矩阵和观测噪声的协方差矩阵，得到卡尔曼增益矩阵，其中，上述观测数据矩阵是根据上述实时观测数据和上述历史观测数据构建得到的；上述观测噪声的协方差矩阵是根据与上述实时观测数据对应的噪声和与上述历史观测数据对应的噪声构建得到的；以及参数调整子模块，用于利用上述卡尔曼增益矩阵，基于上述实时观测数据调整上述模型参数，得到目标地面沉降预测模型。
根据本发明的实施例，上述实时观测数据包括S批次，S为大于1的整数，上述调整模块还包括：第一协方差计算子模块 和第一卡尔曼增益矩阵计算子模块。第一协方差计算子模块，用于根据与第s批次的实时观测数据对应的卡尔曼增益矩阵、与上述第s-1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵和与上述第s批次的实时观测数据对应的观测数据矩阵，得到与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵，其中，s为大于1小于等于S-1的整数。第一卡尔曼增益矩阵计算子模块，用于根据上述与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵、上述与第s+1批次的实时观测数据对应的观测数据矩阵和上述与第s+1批次的实时观测数据对应的观测噪声的协方差矩阵，得到与第s+1批次的实时观测数据对应的卡尔曼增益矩阵。
根据本发明的实施例，同步模块包括：时间同步子模块和空间同步子模块。时间同步子模块，用于按照预定时长尺度，对上述观测数据中的随时间变化的观测数据进行时间同步处理，得到时间同步的实时观测数据；以及空间同步子模块，用于按照预定空间尺度，对上述观测数据中的随空间变化的观测数据进行空间同步处理，得到空间同步的实时观测数据。
根据本发明的实施例，上述目标地面沉降预测模型包括卷积特征提取模块、循环特征提取模块和预测模块；预测模块包括卷积提取子模块、循环提取子模块和信息预测子模块。卷积提取子模块，用于利用上述卷积特征提取模块，提取上述实时观测数据的空间特征；循环提取子模块，用于利用上述循环特征提取模块，对上述空间特征进行处理，得到上述实时观测数据的时序特征；以及预测子模块，用于利用上述预测模块，对上述时序特征进行处理，得到上述预测信息。
根据本发明的实施例，地面沉降预测装置还包括：特征观测数据构建模块、结果预测模块、预测结果分析模块和预警信息生成模块。
特征观测数据构建模块，用于基于蒙特卡洛算法，根据上述多个维度的历史观测数据和多个维度的实时观测数据中，构建特征观测数据；结果预测模块，用于将上述特征观测数据输入上述目标地面沉降预测模型，得到与上述特征观测数据对应的预测结果；预测结果分析模块，用于分析上述特征观测数据和上述预测结果，得到用于表征影响上述预测结果的目标观测数据类型和与上述目标观测数据类型对应的预警临界值；预警信息生成模块，用于响应于与上述目标观测数据类型对应的实时观测数据的数值大于上述预警临界值，生成用于表征上述目标区域在未来时段发生地面沉降的预警信息。
本发明的第四方面提供了一种模型训练装置，包括：获取模块、数据同步模块、处理模块、损失模块和预训练模块。获取模块，用于获取样本区域在历史时段内的多个维度的样本历史观测数据；数据同步模块，用于对上述样本历史观测数据进行同步处理，得到目标样本历史观测数据；处理模块，用于将上述目标样本历史观测数据输入初始模型，得到样本预测信息，其中，上述样本预测信息表征上述样本区域在目标时段发生地面沉降的概率；损失模块，用于基于损失函数，根据上述样本预测信息和样本标签，得到损失值；以及预训练模块，用于基于损失值调整上述初始模型的模型参数，得到预训练模型，其中，上述预训练模型应用于上述地面沉降预测方法。
本发明的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述地面沉降预测方法。
本发明的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述地面沉降预测方法。
本发明的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述地面沉降预测方法。
本发明通过对当前时段内的多个维度的观测数据进行处理得到实时观测数据，并利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的参数，来通过预训练模型对地面沉降做出预测。能够根据实时观测结果来对预训练模型进行优化，减少观测数据随机性对模型精度的影响，从而进一步的提升模型预测的准确率。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示出了根据本发明实施例的地面沉降预测方法的应用场景图；
图2示出了根据本发明实施例的地面沉降预测方法的流程图；
图3示出了根据本发明实施例的模型训练方法的流程图；
图4示出了根据本发明实施例的得到预测信息的流程图；
图5示出了根据本发明实施例的对观测数据进行同步处理的流程图；
图6示出了根据本发明实施例的得到目标地面沉降预测模型的流程图；
图7示出了根据本发明实施例的针对性的生成地面沉降的预警信息的流程图；
图8示出了根据本发明实施例的地面沉降预测装置的结构框图；
图9示出了根据本发明实施例的模型训练装置的结构框图；以及
图10示出了根据本发明实施例的适于实现地面沉降预测方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等）。
地面变形是指地球表面的海拔标高在一定时期内不断发生变化的环境地质现象，包括地面沉降和回弹。其中地面沉降是目前地面变形中主要的地质危害，地面沉降有自然的地面沉降和人为的地面沉降。自然的地面沉降一种是地表松散或半松散的沉积层在重力的作用下，由松散到细密的成岩过程，另一种是由于地质构造运动、地震等引起的地面沉降。人为的地面沉降主要有三个原因，第一是开发利用地下流体资源，第二是岩溶塌陷，第三是开采固体矿产。
地面沉降会给人类社会带来严重的危害和损失，如建筑物倾斜、裂缝、坍塌、基础破坏、管道破裂、道路裂缝、桥梁断裂等；还会影响水文环境，如改变水文循环、引起洪涝灾害、加剧海水入侵等；还会威胁生态安全，如造成土壤流失、植被退化、生物多样性减少等。因此，及时有效地监测和预警地面沉降情况，对于防范和减轻其危害具有重要意义。
目前常用的方法有以下几种：
地面变形监测仪器法，如水准仪、GNSS（Global Navigation Satellite System，全球导航卫星***）接收机、光学测量仪、深部位移仪等，通过在地面或地下安装监测设备，定期或实时测量地面变形的相关参数，如高程、位移、速度、加速度等。该方法具有较高的精度和可靠性，但也存在一些缺点，如成本高、覆盖范围小、易受人为干扰等。
遥感监测法，如合成孔径雷达干涉法（InSAR）、光学遥感法等，通过利用卫星或飞机搭载的遥感传感器，定期或实时获取地面变形的相关图像，通过图像处理技术提取出地面变形的相关信息，如高程变化、位移变化等。该方法具有覆盖范围大、成本低、无需人工干预等优点，但也存在一些缺点，如精度低、易受大气干扰、需要多时相图像等。
数值模拟法，如有限元法、有限差分法、边界元法等，通过建立地面变形的数学模型，根据已知的初始条件和边界条件，利用计算机进行数值求解，得到地面变形的相关参数，如高程变化、位移变化等。该方法具有可以模拟复杂情况、可以预测未来变化等优点，但也存在一些缺点，如需要大量的输入数据、计算量大、误差累积等。
以上方法各有优缺点，但都不能满足实时、准确、全面地监测和预警地面变形的需求。
因此，本发明的实施例提供了一种地面沉降预测方法，包括：响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对观测数据进行同步处理，得到实时观测数据；利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，其中，预训练模型是利用目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的；以及将实时观测数据输入目标地面沉降预测模型，输出预测信息，其中，预测信息表征目标区域在未来时段发生地面沉降的概率。
图1示出了根据本发明实施例的地面沉降预测方法的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括第一数据采集单元101、第二数据采集单元102、第三数据采集单元103、网络104和服务器105。网络104用以在第一数据采集单元101、第二数据采集单元102、第三数据采集单元103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
第一数据采集单元101、第二数据采集单元102、第三数据采集单元103可以包括水准测量数据采集单元，用于采集水准测量仪器测得的地面高程数据；可以包括GPS（GlobalPositioning System，全球定位***）数据采集单元，用于采集GPS接收机测得的地面坐标数据；可以包括InSAR（Interferometric Synthetic Aperture Radar，合成孔径雷达干涉）数据采集单元，用于采集合成孔径雷达卫星或飞机拍摄的地面形变干涉图像数据；可以包括地下水位数据采集单元，用于采集地下水水位信息；也可以包括钻孔数据采集单元，用于采集钻孔的砂-粘厚度以及钻孔总厚度，其中，砂-粘厚度是指砂性土壤的厚度和粘性土壤的厚度。
第一数据采集单元101、第二数据采集单元102、第三数据采集单元103通过网络104与服务器105交互，以接收或发送消息等。数据采集单元可以由上述提到的不同种类的数据采集组成。
服务器105可以是提供各种服务的服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给数据采集单元。
需要说明的是，本发明实施例所提供的地面沉降预测方法一般可以由服务器105执行。相应地，本发明实施例所提供的地面沉降预测装置一般可以设置于服务器105中。本发明实施例所提供的地面沉降预测方法也可以由不同于服务器105且能够与第一数据采集单元101、第二数据采集单元102、第三数据采集单元103和/或服务器105通信的服务器或服务器集群执行。相应地，本发明实施例所提供的地面沉降预测装置也可以设置于不同于服务器105且能够与第一数据采集单元101、第二数据采集单元102、第三数据采集单元103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的数据采集单元、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的数据采集单元、网络和服务器。
图2示出了根据本发明实施例的地面沉降预测方法的流程图。
如图2所示，该实施例的地面沉降预测包括操作S210~操作S230。
在操作S210，响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对观测数据进行同步处理，得到实时观测数据。
根据本发明实施例，上述多个维度的观测数据是一个统一格式的多维数据集，对于单个数据来说，可以包含变形速率、变形时间序列、水位高程、水位变化率、水位时间序列、岩性、含水组分布、地下水开采量等属性。前述属性可以利用InSAR从卫星图像中提取到地面变形信息，包括变形速率、变形累积量、变形时间序列等；可以利用水准仪、GPS、光纤光栅等仪器在地面上设置监测点，定期或实时测量地面变形信息，包括变形速率、变形累积量、变形时间序列等；可以利用水位计、水文井等设施在地下水埋深处测量地下水位变化，包括水位高程、水位变化率、水位时间序列等；可以利用水位计、水文井等设施在地下水埋深处测量地下水位变化，包括水位高程、水位变化率、水位时间序列等；还可以利用统计资料等获取地下水开采量。
为了便于理解，对本发明实施例所涉及到的部分概念进行解释说明：
变形速率：表示单位时间内地面变形的距离，单位为毫米/年。
变形累积量：表示从某一基准时间点开始到当前时间点为止地面变形的总距离，单位为毫米。
变形时间序列：表示一段时间内每个时间点的变形累积量，单位为毫米。
水位高程：表示当前时间点的地下水位相对于海平面的高度，单位为米。
水位变化率：表示单位时间内地下水位变化的距离，单位为米/年。
岩性：表示当前位置的沉积物类型，如砂、粘等。
含水组分布：表示当前位置是否存在含水组，以及含水组的深度范围，单位为米。
地下水开采量：表示当前位置的单位面积内每年开采的地下水体积，单位为立方米/平方公里/年。
根据本发明实施例，还可以对上述观测数据进行预处理以获得质量较高的观测数据。
根据本发明实施例，可以将收集到的数据转换为统一的格式，例如可以统一保存为CSV、TXT格式等，方便进行后续的处理和存储。
根据本发明实施例，可以对上述观测数据进行无量纲化归一处理等操作，使其数值范围在0到1之间，减少数据的量纲差异，提高模型的收敛速度和稳定性。
可以通过如下公式（1）来对数据进行归一化处理：
（1）
其中，xi为观测点实测样本值，xmin为最小样本值，xmax为最大样本值，x*为归一化后的数据值。
在操作S220，利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型。
其中，预训练模型是利用目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的。对于经预训练的模型，由于实时观测数据与历史观测数据存在一定的差异性，因此，可以利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，以便得到与实时观测数据适配的最优模型参数，能够有效提高预测精度。
在操作S230，将实时观测数据输入目标地面沉降预测模型，输出预测信息。
其中，预测信息表征目标区域在未来时段发生地面沉降的概率。
根据本发明实施例，可以在得到优化的模型参数之后，将具有优化后的模型参数的预训练模型作为目标地面沉降预测模型，将实时观测数据输入到目标地面沉降预测模型中，得到模型输出的预测信息。
本发明通过对当前时段内的多个维度的观测数据进行处理得到实时观测数据，并利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的参数，来通过预训练模型对地面沉降做出预测。能够根据实时观测结果来对预训练模型进行优化，减少观测数据随机性对模型精度的影响，从而进一步的提升模型预测的准确率。
由于对于具有多个维度的观测数据的模型来说，其输入层具有多个节点，分别对应不同维度的观测数据。而输入层的节点数会影响神经网络的结构和参数数量，从而影响神经网络的学习能力和效率，甚至出现参数梯度消失或梯度***等问题。
因此，本发明还提供一种模型训练方法，引入卡尔曼滤波算法来进行数据处理，以解决上述参数梯度消失和***的问题。
基于上述地面沉降预测方法，本发明图3示出了根据本发明实施例的模型训练方法的流程图。
如图3所示，该实施例的模型训练方法包括操作S310~S350。
在操作S310中，获取样本区域在历史时段内的多个维度的样本历史观测数据。
根据本发明一示例性实施例，可以对收集的数据进行质量检测，例如可以通过沉降标观测数据、实测水准点和GPS（Global Positioning System，全球定位***）数据对InSAR（Interferometric Synthetic Aperture Radar，合成孔径雷达干涉）反演结果进行校准和精度验证，例如，可以根据单点上水准测量数据和GPS数据和InSAR数据的相关关系，利用线性拟合的方式建立对比校正模型，利用该模型对大范围InSAR数据进行数据比对和校正，生成地面沉降数据集。
还可以对收集到的数据进行异常值检测、噪声滤波、缺失值填补等操作以提升观测数据的质量。还可以根据当前水位值与前期最低水位值进行比较，判别沉积物发生的变形是弹性变形还是塑性变形，并将该信息传递给机器学习训练模型。
根据本发明实施例，还可以分析观测数据与地面沉降间的相关程度，选取较为重要的影响因素作为模型数据集。可以利用Pearson线性相关性判定潜在主控因素（各个含水层的地下水水位、开采量、水文地质参数、岩性等）之间的自相关程度，剔除潜在自相关的主控因素（决定系数R2>0.8），将非自相关的主控因素作为机器学习影响因素向量集。
在操作S320中，对样本历史观测数据进行同步处理，得到目标样本历史观测数据。
在操作S330中，将目标样本历史观测数据输入初始模型，得到样本预测信息。
其中，样本预测信息表征样本区域在目标时段发生地面沉降的概率。
根据本发明实施例，可以将上述目标区域在历史时段内的多个维度的历史观测数据划分为训练集和测试集，其中训练集占80%，测试集占20%。本发明采用深度神经网络来训练预训练模型，其具有较强的非线性拟合能力和泛化能力，能够有效地利用观测数据的多源特征，提高地面沉降预测的准确性和实时性。
深度神经网络是一种由多层神经元组成的非线性函数逼近器，每层神经元都可以对输入数据进行某种变换或抽象，从而实现从低层特征到高层特征的逐层提取和表示。深度神经网络的结构可以根据不同的任务和数据进行灵活地设计和调整，常见的结构类型有全连接网络、卷积神经网络、循环神经网络等。
根据本发明实施例，在模型训练开始时，可以先进行模型初始化，随机初始化深度神经网络模型的所有参数（即权重和偏置），使其服从一定的分布，如均匀分布或正态分布。选择合适的超参数，如学习率、批大小、迭代次数等，控制模型的训练过程和效果。
其次将训练集中的数据输入深度神经网络模型中，经过卷积特征提取模块、循环特征提取模块和预测模块出部分的计算，得到模型的输出结果，即预警的概率。
在操作S340中，基于损失函数，根据样本预测信息和样本标签，得到损失值。
根据本发明的实施例，可以根据模型的输出结果和真实的预警标签，计算模型的损失函数，反映模型的预测误差。本发明选择预测地面沉降和实际观测到的地面沉降之间的均方根误差作为损失函数。
在操作S350中，基于损失值调整初始模型的模型参数，得到预训练模型。
根据本发明的实施例，根据上述损失值对深度神经网络模型的所有参数进行梯度计算，利用链式法则，从输出层到输入层依次求解参数的梯度。根据梯度下降法则，更新模型的所有参数，以减少模型的损失函数值。
还可以利用预测地面沉降值和观测地面沉降值的决定系数（R2）来评估数据处理后的模型的性能，计算模型评估指标，如准确率和召回率等，来反映模型的预警性能。还可以在每个迭代周期结束后，比较当前模型的评估指标与之前最好的评估指标，如果当前模型更优，则保存当前模型的参数，并更新最好的评估指标。否则，保持原有的最优模型不变。还可以判断是否达到预设的迭代次数或者损失函数值是否收敛到一定程度，如果是，则停止训练过程，输出最优模型及其评估指标。反之则继续迭代。
根据本发明实施例，可以采用集合卡尔曼滤波算法结合深度神经网络进行处理，其是一种利用一组模型状态的样本来估计***状态的不确定性和更新***状态的方法。它是卡尔曼滤波算法的一种变体，适用于非线性、高维的***。
集合卡尔曼滤波算法可以分为以下几个步骤：
生成初始参数集合。假设神经网络参数假设满足正态分布，从初始正态分布中随机抽取N个样本，作为参数的初始集合，记为，式中x指状态参数，i指神经网络连接位置。
样本预测信息集合。利用神经网络模型将参数初始集合输入到模型中，根据输出结果与地面沉降观测值比较，去除拟合误差（均方根误差）较大的参数集，保留拟合效果较优的参数子集作为样本预测信息集合，记为，s代表批次。可以根据如下公式（2）来计算样本预测信息集合的均值。
（2）
其中，表示样本预测信息集合的均值，/>表示第i个神经网络连接位置的批次s的样本预测信息，N表示样本预测信息集合中的样本预测信息的个数。
可以根据如下公式（3）来计算样本预测信息集合的协方差。
（3）
其中，表示样本预测信息集合的协方差，/>表示第i个神经网络连接位置的批次s的样本预测信息，/>表示样本预测信息集合的均值，N表示样本预测信息集合中的样本预测信息的个数。
由于操作S230与获得预训练模型的操作相似，因此如下将通过图4，来示例性描述在操作S230中是如何得到预测信息的。
如图4所示，该得到目标地面沉降预测模型的流程中可以包括操作S410~S430。
其中，目标地面沉降预测模型包括卷积特征提取模块、循环特征提取模块和预测模块。
在操作S410中，利用卷积特征提取模块，提取实时观测数据的空间特征。
根据本发明的实施例，卷积特征提取模块主要用于从多数据融合后的数据集中提取空间特征，包括多个卷积层和池化层。卷积层是一种利用局部感受野和权值共享的方式，对输入数据进行滤波和特征映射的层。池化层是一种对输入数据进行降采样和不变性增强的层。通过卷积特征提取部分，可以将输入数据转化为具有更高维度和更抽象含义的空间特征向量。
在操作S420中，利用循环特征提取模块，对空间特征进行处理，得到实时观测数据的时序特征。
根据本发明的实施例，循环特征提取模块主要用于从卷积特征提取部分输出的空间特征向量中提取时序特征，包括一个LSTM（Long short-term memory，长短期记忆网络）。LSTM是一种能够处理长期依赖问题的循环神经网络，具有输入门、遗忘门和输出门三种门控结构，可以有效地控制信息的存储和遗忘。通过循环特征提取部分，可以将空间特征向量转化为具有更高维度和更抽象含义的时序特征向量。
在操作S430中，利用预测模块，对时序特征进行处理，得到预测信息。
根据本发明的实施例，预测模块主要用于根据循环特征提取部分输出的时序特征向量，生成地面变形预警结果，包括一个全连接层和一个激活函数。全连接层是一种将所有输入神经元与所有输出神经元相连接的层，可以实现对输入数据的线性变换。激活函数是一种对输入数据进行非线性变换的函数，可以增强网络的表达能力。
根据本发明的实施例，为了实现二分类问题（即预警或不预警），选择了sigmoid函数作为激活函数，其输出值在0到1之间，可以表示为预警的概率。
根据本发明的实施例，通过使用卷积特征提取模块，提取到实时观测数据的空间特征并通过循环特征提取模块处理得到实时观测数据的时序特征来预测地面沉降，可以充分利用多个维度的观测数据，从而预测出地面沉降。
如下将通过图5，来示例性描述在操作S210中是如何对观测数据进行同步处理的。
如图5所示，该对观测数据进行同步处理的流程中可以包括操作S510~S520。
在操作S510中，按照预定时长尺度，对观测数据中的随时间变化的观测数据进行时间同步处理，得到时间同步的实时观测数据。
根据本发明实施例，可以将收集到的观测数据进行时间同步，例如可以统一为月尺度向量数据，以便进行后续的处理。其中日尺度数据，包括水准测量数据、GPS数据、InSAR数据、地下水位数据等，可在月尺度上计算月平均值；年尺度数据，包括开采量等，可利用历史数据，将年数据按照历史记录分配到月尺度上；时间稳定数据，包括：岩性数据可以按照常数做成月尺度上向量数据。
在操作S520中，按照预定空间尺度，对观测数据中的随空间变化的观测数据进行空间同步处理，得到空间同步的实时观测数据。
根据本发明实施例，为了生成足够的数据样本（包括地面沉降、地下水水位、开采量、岩性等）用于机器学***均的方法在网格空间上获得平均值。
根据本发明实施例，通过对多维观测数据进行时间维度、空间维度的同步，获得维度统一的多维数据以输入至模型中进行下一步的处理。
如下将通过图6，来示例性描述在操作S220中是如何利用卡尔曼滤波算法调整预训练模型的模型参数得到目标地面沉降预测模型的。
如图6所示，该得到目标地面沉降预测模型的流程中可以包括操作S610~S640。在操作S610中，获取预训练模型在训练阶段输出的地面沉降预测值和与地面沉降预测值对应的标签。
在操作S620中，根据地面沉降预测值和与地面沉降预测值对应的标签，得到地面沉降预测误差的协方差矩阵。
根据本发明的实施例，实时观测数据可以包括S批次，S为大于1的整数。对于第1批次的实时观测数据，可以根据地面沉降预测值和与地面沉降预测值对应的标签，得到地面沉降预测误差的协方差矩阵。
在操作S630中，根据地面沉降预测误差的协方差矩阵、观测数据矩阵和观测噪声的协方差矩阵，得到卡尔曼增益矩阵。
其中，观测数据矩阵是根据实时观测数据和历史观测数据构建得到的；观测噪声的协方差矩阵是根据与实时观测数据对应的噪声和与历史观测数据对应的噪声构建得到的。
根据本发明实施例，可以将观测数据矩阵和观测噪声进行和上述步骤S620中相似的计算得到观测数据矩阵和观测噪声的协方差矩阵。进一步的，可以根据地面沉降预测误差的协方差矩阵、观测数据矩阵和观测噪声的协方差矩阵，得到卡尔曼增益矩阵。
对于第s批次的实时观测数据，s为大于1小于等于S-1的整数。可以执行如下操作：根据与第s批次的实时观测数据对应的卡尔曼增益矩阵、与第s-1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵和与第s批次的实时观测数据对应的观测数据矩阵，得到与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵。
根据本发明实施例根据与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵、与第s+1批次的实时观测数据对应的观测数据矩阵和与第s+1批次的实时观测数据对应的观测噪声的协方差矩阵，得到与第s+1批次的实时观测数据对应的卡尔曼增益矩阵。
根据本发明实施例，在接收到观测数据后，建立卡尔曼增益矩阵，来修正上述预训练模型中的模型参数，例如可以是根据预测的地面沉降和误差协方差，得到最优的地面沉降估计和误差协方差估计。
可以通过如下公式（4）来计算卡尔曼增益矩阵。
（4）
其中，Ks+1是与第s+1批次的观测数据对应的卡尔曼增益矩阵，其反映了预测误差和观测误差的比重，Ks+1越大，说明观测数据对地面沉降估计的影响越大，反之则越小。Ps是与第s批次观测数据对应的误差协方差最优参数估计值，也可以称作后验误差协方差估计值，H是地面沉降观测矩阵，R是地面沉降观测噪声的协方差矩阵。
在操作S640中，利用卡尔曼增益矩阵，基于实时观测数据调整模型参数，得到目标地面沉降预测模型。
根据本发明实施例，可以通过如下公式（5）和公式（6）来修正预测的地面沉降和误差协方差，得到最优的参数估计和误差协方差估计。
（5）
（6）
其中， 和/>分别是s+1和s批次的参数最优估计值，zs+1是最新的地面沉降观测数据，Ps+1和Ps分别是s+1和s批次的误差协方差最优估计值，I是单位矩阵。
根据本发明实施例，通过计算实时观测数据中的地面沉降预测误差的协方差矩阵和观测噪声的协方差矩阵，构建卡尔曼增益矩阵，并利用卡尔曼增益矩阵，实时调整模型参数，能够有效去除实时观测数据中的噪声对实时观测数据造成的影响，使得模型的预测结果更加精准。
通过上述地面沉降预测方法，可以根据实时观测信息得到目标区域在未来时段发生地面沉降概率的预测信息，为了进一步测试实时观测信息中的数据类中对于预测数据的敏感性，本发明还基于蒙特卡洛算法对影响地面沉降的观测数据进行进一步分析，以得到前述观测数据中的敏感数据以及相对应的敏感阈值，可以更好的根据敏感数据阈值来进行地面沉降预测，减少了设备的运算压力。
由于影响地面沉降的因素众多，为了进一步提高对地面沉降预警的时效性，可以基于目标地面沉降预测模型的输出结果，对多维数据进行分析，以得到影响地面沉降的关键因素的阈值，从而可以基于关键因素对应的实时观测数据的阈值，实现对地面沉降的快速预警。
如下将通过图7，来示例性描述是如何针对性的生成地面沉降的预警信息的。
如图7所示，该生成地面沉降的预警信息可以包括操作S710~S740。
在操作S710中，基于蒙特卡洛算法，根据多个维度的历史观测数据和多个维度的实时观测数据中，构建特征观测数据。
蒙特卡洛算法是一种使用随机数来解决统计分布及其临界值问题的方法，它的基本思想是通过模拟大量的随机样本或过程，来近似真实的问题的解，其一般步骤如下所示：
构造一个随机的概率过程，使得问题的解可以用这个过程的某些参数或特征来表示；
从已知的概率分布中生成大量的随机数，作为过程的输入或模拟；
根据模拟的结果，计算出一个估计量，作为问题的近似解。
在操作S720中，将特征观测数据输入目标地面沉降预测模型，得到与特征观测数据对应的预测结果。
根据本发明实施例，上述预测结果可以包括地面变形量、地面变形速率、形变方向等。
在操作S730中，特征观测数据和预测结果，得到用于表征影响预测结果的目标观测数据类型和与目标观测数据类型对应的预警临界值。
根据本发明实施例，可以根据地面变形的特征和预警临界值，根据地面变形的特征来输入神经网络进行预测，以分析得到用于表征影响预测结果的目标观测数据类型和对应的预警临界值。
根据本发明一实施例，可以分别多次改变输入目标地面沉降预测模型中的观测数据类型，根据神经网络输出的预测结果来判断主要影响因素，可以保持变形速率、地下水水位信息、变形累积量等因素不变，改变地下水开采量的值，由小逐渐改到大来判断其是否是主要影响因素，如果在数据值变化过程中，神经网络输出的预测结果变化并不大，则代表其并不是主要影响因素，反之，则将其裁定为主要影响因素并根据神经网络预测结果划分对应于目标观测数据类型的预警临界值。比如说，将地下水开采量达到0.5亿立方米则达到低风险预警临界值；达到0.6亿立方米则达到中风险预警临界值；达到0.7亿立方米则达到高风险预警临界值。
根据本发明实施例，可以根据地面变形的危害程度和影响范围等因素将预警临界值划分为多个阶段临界值。例如可以分为低风险预警临界值、中风险预警临界值和高风险预警临界值等。前述示例仅仅是示意性的，本发明对于临界值的划分并不做限制。
在操作S740中，响应于与目标观测数据类型对应的实时观测数据的数值大于预警临界值，生成用于表征目标区域在未来时段发生地面沉降的预警信息。
根据本发明实施例，可以根据上述预测结果输出响应的预警信息。例如可以是预警等级，包括低风险预警、中风险预警和高风险预警。还可以包括预警区域和预警时间等预警信息。前述预警区域可以是地面沉降发生的具体地理位置，例如可以是地理坐标，还可以是某个范围。前述预警时间可以包括地面沉降的可能发生时间及持续时间等。
根据本发明实施例，基于蒙特卡洛算法，可以根据模型输出的结果，来对模型的输入进行针对性调整，可以实现对影响地面沉降的观测数据的敏感性数据类型的分析，得到较为准确的敏感性数据的阈值，从而针对性的设置预警临界值以更精准的预测地面沉降。
根据本发明一示例性实施例，选取某地区作为研究区域，其面积约为85.97平方千米。首先收集研究区域内8个水准点测量数据、空间5米精度的InSAR数据、研究区域内2个地质钻孔数据；获取研究区域内第I-IV含水组的水文地质参数（渗透系数、储水率）以及2020年年度地下水水位变化值等数据。
其次，利用水准测量数据校准InSAR数据，并将数据利用区域平均值方法得到500m×500m地面变形网格数据集；基于统计方法获取钻孔砂-粘厚度及其相应比例值；利用克里金插值方法，将水位差、渗透系数、储水率、砂-粘比值得到研究区域500m×500m网格数据。将所有数据统一文件格式，并利用上述公式（1）进行归一化处理获得归一化后的数据，并根据数据与地面沉降间的相关度，选取神经网络模型的学习集。可以根据实际情况来选择合适的处理方法和参数，以保证数据的准确性和可用性。
再次，根据特征空间中的数据点之间的距离和聚合，进行聚类划分，划分为沉降中心区、沉降边缘区、沉降稳定区等；然后将地面沉降值作为目标值，将特征数据划分为80%的训练集和20%的测试集，采用由卷积神经网络和循环神经网络相结合的深度神经网络结构来训练地卖弄沉降预测模型。前述神经网络具有2个输入神经元、10个隐层神经元和1个输出神经元的神经网络，训练最大轮次为5000，学习率为0.1，训练目标误差1×10-5。模型在经过预训练后，采用集合卡尔曼滤波算法来进行数据处理和融合，矫正深度神经网络模型的结构和参数。
最后，假设以目前水位、水文地质参数等数据作为观测数据训练得到地面沉降预测模型，可以运行1000次蒙特卡洛和深度神经网络进行模拟实验，对地面沉降进行预测，并划分预警临界值。比如可以设定地面沉降低风险阈值（20mm）和高风险阈值(>30mm)。根据阈值划定地面沉降风险区等级，包括低风险区（<20mm）、中风险区(20mm~30mm)、高风险区(>30mm)等。还可以根据划分的预警阶段不同来调整预警时间，并评估地面沉降对基础设施和环境的潜在影响，如建筑物裂缝、道路塌陷、管线破裂、地下水位变化等，输出对应预警信息。
基于上述地面沉降预测方法，本发明还提供了一种地面沉降预测装置。以下将结合图8对该装置进行详细描述。
图8示出了根据本发明实施例的地面沉降预测装置的结构框图。
如图8所示，该实施例的地面沉降预测装置800包括同步模块810、调整模块820和预测模块830。
同步模块810用于响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对观测数据进行同步处理，得到实时观测数据。在一实施例中，同步模块810可以用于执行前文描述的操作S210，在此不再赘述。
调整模块820用于利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，其中，预训练模型是利用目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的。在一实施例中，调整模块820可以用于执行前文描述的操作S220，在此不再赘述。
预测模块830用于将实时观测数据输入目标地面沉降预测模型，输出预测信息，其中，预测信息表征目标区域在未来时段是否发生地面沉降。在一实施例中，预测模块830可以用于执行前文描述的操作S230，在此不再赘述。
根据本发明的实施例，调整模块包括：标签获取子模块、协方差计算子模块、卡尔曼增益矩阵计算子模块和参数调整子模块。标签获取子模块，用于获取预训练模型在训练阶段输出的地面沉降预测值和与地面沉降预测值对应的标签；协方差计算子模块，用于根据地面沉降预测值和与地面沉降预测值对应的标签，得到地面沉降预测误差的协方差矩阵；卡尔曼增益矩阵计算子模块，用于根据地面沉降预测误差的协方差矩阵、观测数据矩阵和观测噪声的协方差矩阵，得到卡尔曼增益矩阵，其中，观测数据矩阵是根据实时观测数据和历史观测数据构建得到的；观测噪声的协方差矩阵是根据与实时观测数据对应的噪声和与历史观测数据对应的噪声构建得到的；以及参数调整子模块，用于利用卡尔曼增益矩阵，基于实时观测数据调整模型参数，得到目标地面沉降预测模型。
根据本发明的实施例，上述实时观测数据包括S批次，S为大于1的整数，上述调整模块还包括：第一协方差计算子模块 和第一卡尔曼增益矩阵计算子模块。第一协方差计算子模块，用于根据与第s批次的实时观测数据对应的卡尔曼增益矩阵、与上述第s-1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵和与上述第s批次的实时观测数据对应的观测数据矩阵，得到与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵，其中，s为大于1小于等于S-1的整数。第一卡尔曼增益矩阵计算子模块，用于根据上述与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵、上述与第s+1批次的实时观测数据对应的观测数据矩阵和上述与第s+1批次的实时观测数据对应的观测噪声的协方差矩阵，得到与第s+1批次的实时观测数据对应的卡尔曼增益矩阵。根据本发明的实施例，同步模块包括：时间同步子模块和空间同步子模块。时间同步子模块，用于按照预定时长尺度，对观测数据中的随时间变化的观测数据进行时间同步处理，得到时间同步的实时观测数据；以及空间同步子模块，用于按照预定空间尺度，对观测数据中的随空间变化的观测数据进行空间同步处理，得到空间同步的实时观测数据。
根据本发明的实施例，目标地面沉降预测模型包括卷积特征提取模块、循环特征提取模块和预测模块；预测模块包括卷积提取子模块、循环提取子模块和信息预测子模块。卷积提取子模块，用于利用卷积特征提取模块，提取实时观测数据的空间特征；循环提取子模块，用于利用循环特征提取模块，对空间特征进行处理，得到实时观测数据的时序特征；以及预测子模块，用于利用预测模块，对时序特征进行处理，得到预测信息。
根据本发明的实施例，地面沉降预测装置还包括：特征观测数据构建模块、结果预测模块、预测结果分析模块和预警信息生成模块。特征观测数据构建模块，用于基于蒙特卡洛算法，根据多个维度的历史观测数据和多个维度的实时观测数据中，构建特征观测数据；结果预测模块，用于将特征观测数据输入目标地面沉降预测模型，得到与特征观测数据对应的预测结果；预测结果分析模块，用于分析特征观测数据和预测结果，得到用于表征影响预测结果的目标观测数据类型和与目标观测数据类型对应的预警临界值；预警信息生成模块，用于响应于与目标观测数据类型对应的实时观测数据的数值大于预警临界值，生成用于表征目标区域在未来时段发生地面沉降的预警信息。
根据本发明的实施例，同步模块810、调整模块820和预测模块830中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，同步模块810、调整模块820和预测模块830中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（FPGA）、可编程逻辑阵列（PLA）、片上***、基板上的***、封装上的***、专用集成电路（ASIC），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，同步模块810、调整模块820和预测模块830中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图9示出了根据本发明实施例的模型训练装置的结构框图。
如图9所示，该实施例的地面沉模型训练降预测装置900包括获取模块910、数据同步模块920、处理模块930、损失模块940和预训练模块950。
获取模块910用于获取样本区域在历史时段内的多个维度的样本历史观测数据。在一实施例中，获取模块910可以用于执行前文描述的操作S310，在此不再赘述。
数据同步模块920用于对样本历史观测数据进行同步处理，得到目标样本历史观测数据。在一实施例中，数据同步模块920可以用于执行前文描述的操作S320，在此不再赘述。
处理模块930用于将目标样本历史观测数据输入初始模型，得到样本预测信息，其中，样本预测信息表征样本区域在目标时段发生地面沉降的概率。在一实施例中，处理模块930可以用于执行前文描述的操作S330，在此不再赘述。
损失模块940用于基于损失函数，根据样本预测信息和样本标签，得到损失值。在一实施例中，损失模块940可以用于执行前文描述的操作S340，在此不再赘述。
预训练模块950用于基于损失值调整初始模型的模型参数，得到预训练模型。在一实施例中，预训练模块950可以用于执行前文描述的操作S350，在此不再赘述。
图10示出了根据本发明实施例的适于实现地面沉降预测方法的电子设备的方框图。
如图10所示，根据本发明实施例的电子设备1000包括处理器1001，其可以根据存储在ROM（Read Only Memory，只读存储器）中的程序或者从存储部分1008加载到RAM（Random Access Memory，随机访问存储器）中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC））等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备1000还可以包括I/O接口1005，I/O接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的；也可以是单独存在，而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、RAM（Random Access Memory，随机访问存储器）、ROM（Read Only Memory，只读存储器）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM1003以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机***中运行时，该程序代码用于使计算机***实现本发明实施例所提供的地面沉降预测方法。
在该计算机程序被处理器1001执行时执行本发明实施例的***/装置中限定的上述功能。根据本发明的实施例，上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本发明实施例的***中限定的上述功能。根据本发明的实施例，上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。
Claims (8)
1.一种地面沉降预测方法，其特征在于，包括：
响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对所述观测数据进行同步处理，得到实时观测数据；
利用卡尔曼滤波算法，基于所述实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，其中，所述预训练模型是利用所述目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的；以及
将所述实时观测数据输入所述目标地面沉降预测模型，输出预测信息，其中，所述预测信息表征所述目标区域在未来时段发生地面沉降的概率；
其中，所述利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，所述实时观测数据包括S批次，S为大于1的整数，包括：
获取所述预训练模型在训练阶段输出的地面沉降预测值和与所述地面沉降预测值对应的标签；
根据所述地面沉降预测值和与所述地面沉降预测值对应的标签，得到地面沉降预测误差的协方差矩阵；
根据所述地面沉降预测误差的协方差矩阵、观测数据矩阵和观测噪声的协方差矩阵，得到卡尔曼增益矩阵，其中，所述观测数据矩阵是根据所述实时观测数据和所述历史观测数据构建得到的；所述观测噪声的协方差矩阵是根据与所述实时观测数据对应的噪声和与所述历史观测数据对应的噪声构建得到的；
利用所述卡尔曼增益矩阵，基于所述实时观测数据调整所述模型参数，得到目标地面沉降预测模型；
根据与第s批次的实时观测数据对应的卡尔曼增益矩阵、与第s-1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵和与所述第s批次的实时观测数据对应的观测数据矩阵，得到与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵，其中，s为大于1小于等于S-1的整数；以及
根据所述与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵、所述与第s+1批次的实时观测数据对应的观测数据矩阵和所述与第s+1批次的实时观测数据对应的观测噪声的协方差矩阵，得到与第s+1批次的实时观测数据对应的卡尔曼增益矩阵。
2.根据权利要求1所述的一种地面沉降预测方法，其特征在于，所述对所述观测数据进行同步处理，得到实时观测数据，包括：
按照预定时长尺度，对所述观测数据中的随时间变化的观测数据进行时间同步处理，得到时间同步的实时观测数据；以及
按照预定空间尺度，对所述观测数据中的随空间变化的观测数据进行空间同步处理，得到空间同步的实时观测数据。
3.根据权利要求1所述的一种地面沉降预测方法，其特征在于，所述目标地面沉降预测模型包括卷积特征提取模块、循环特征提取模块和预测模块；所述将所述实时观测数据输入所述目标地面沉降预测模型，输出预测信息，包括：
利用所述卷积特征提取模块，提取所述实时观测数据的空间特征；
利用所述循环特征提取模块，对所述空间特征进行处理，得到所述实时观测数据的时序特征；以及
利用所述预测模块，对所述时序特征进行处理，得到所述预测信息。
4.根据权利要求1所述的一种地面沉降预测方法，其特征在于，还包括：
基于蒙特卡洛算法，根据所述多个维度的历史观测数据和多个维度的实时观测数据中，构建特征观测数据；
将所述特征观测数据输入所述目标地面沉降预测模型，得到与所述特征观测数据对应的预测结果；
所述特征观测数据和所述预测结果，得到用于表征影响所述预测结果的目标观测数据类型和与所述目标观测数据类型对应的预警临界值；
响应于与所述目标观测数据类型对应的实时观测数据的数值大于所述预警临界值，生成用于表征所述目标区域在未来时段发生地面沉降的预警信息。
5.一种模型训练方法，其特征在于，包括：
获取样本区域在历史时段内的多个维度的样本历史观测数据；
对所述样本历史观测数据进行同步处理，得到目标样本历史观测数据；
将所述目标样本历史观测数据输入初始模型，得到样本预测信息，其中，所述样本预测信息表征所述样本区域在目标时段发生地面沉降的概率；
基于损失函数，根据所述样本预测信息和样本标签，得到损失值；以及
基于损失值调整所述初始模型的模型参数，得到预训练模型，其中，所述预训练模型应用于权利要求1-4任一项所述的方法。
6.一种地面沉降预测装置，其特征在于，包括：
同步模块，用于响应于接收到的针对目标区域在当前时段内的多个维度的观测数据，对所述观测数据进行同步处理，得到实时观测数据；
调整模块，用于利用卡尔曼滤波算法，基于实时观测数据调整预训练模型的模型参数，得到目标地面沉降预测模型，其中，所述预训练模型是利用所述目标区域在历史时段内的多个维度的历史观测数据对初始模型进行训练得到的；以及
预测模块，用于将所述实时观测数据输入所述目标地面沉降预测模型，输出预测信息，其中，所述预测信息表征所述目标区域在未来时段是否发生地面沉降；
其中，所述实时观测数据包括S批次，S为大于1的整数，所述调整模块包括：
标签获取子模块，用于获取上述预训练模型在训练阶段输出的地面沉降预测值和与上述地面沉降预测值对应的标签；
协方差计算子模块，用于根据上述地面沉降预测值和与上述地面沉降预测值对应的标签，得到地面沉降预测误差的协方差矩阵；
卡尔曼增益矩阵计算子模块，用于根据上述地面沉降预测误差的协方差矩阵、观测数据矩阵和观测噪声的协方差矩阵，得到卡尔曼增益矩阵，其中，上述观测数据矩阵是根据上述实时观测数据和上述历史观测数据构建得到的；上述观测噪声的协方差矩阵是根据与上述实时观测数据对应的噪声和与上述历史观测数据对应的噪声构建得到的；
参数调整子模块，用于利用上述卡尔曼增益矩阵，基于上述实时观测数据调整上述模型参数，得到目标地面沉降预测模型；
第一协方差计算子模块，用于根据与第s批次的实时观测数据对应的卡尔曼增益矩阵、与上述第s-1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵和与上述第s批次的实时观测数据对应的观测数据矩阵，得到与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵，其中，s为大于1小于等于S-1的整数；
第一卡尔曼增益矩阵计算子模块，用于根据上述与第s+1批次的实时观测数据对应的地面沉降预测误差的协方差矩阵、上述与第s+1批次的实时观测数据对应的观测数据矩阵和上述与第s+1批次的实时观测数据对应的观测噪声的协方差矩阵，得到与第s+1批次的实时观测数据对应的卡尔曼增益矩阵。
7.一种模型训练装置，其特征在于，包括：
获取模块，用于获取样本区域在历史时段内的多个维度的样本历史观测数据；
数据同步模块，用于对所述样本历史观测数据进行同步处理，得到目标样本历史观测数据；
处理模块，用于将所述目标样本历史观测数据输入初始模型，得到样本预测信息，其中，所述样本预测信息表征所述样本区域在目标时段发生地面沉降的概率；
损失模块，用于基于损失函数，根据所述样本预测信息和样本标签，得到损失值；以及
预训练模块，用于基于损失值调整所述初始模型的模型参数，得到预训练模型，其中，所述预训练模型应用于权利要求1-4任一项所述的方法。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121478.3A CN117648873B (zh) | 2024-01-30 | 2024-01-30 | 地面沉降预测方法、训练方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121478.3A CN117648873B (zh) | 2024-01-30 | 2024-01-30 | 地面沉降预测方法、训练方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117648873A CN117648873A (zh) | 2024-03-05 |
| CN117648873B true CN117648873B (zh) | 2024-06-04 |
Family
ID=90048102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410121478.3A Active CN117648873B (zh) | 2024-01-30 | 2024-01-30 | 地面沉降预测方法、训练方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117648873B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563135A (zh) * | 2020-03-31 | 2020-08-21 | 武汉大学 | 结合地形因子与神经网络的gm(1,3)模型城市地面沉降预测方法 |
| CN112561191A (zh) * | 2020-12-22 | 2021-03-26 | 北京百度网讯科技有限公司 | 预测模型的训练、预测方法、装置、设备、程序和介质 |
| CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
| CN113393032A (zh) * | 2021-06-15 | 2021-09-14 | 西安电子科技大学 | 基于重采样下的航迹循环预测方法 |
| CN114881323A (zh) * | 2022-05-07 | 2022-08-09 | 沈阳工业大学 | 基于深度神经网络的基坑降水区地下水位预测与更新方法 |
| CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及*** |
| CN115526435A (zh) * | 2022-11-09 | 2022-12-27 | 上海交通大学 | 基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法 |
| CN117074951A (zh) * | 2023-07-18 | 2023-11-17 | 国网重庆市电力公司营销服务中心 | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 |
-
2024
- 2024-01-30 CN CN202410121478.3A patent/CN117648873B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563135A (zh) * | 2020-03-31 | 2020-08-21 | 武汉大学 | 结合地形因子与神经网络的gm(1,3)模型城市地面沉降预测方法 |
| CN112561191A (zh) * | 2020-12-22 | 2021-03-26 | 北京百度网讯科技有限公司 | 预测模型的训练、预测方法、装置、设备、程序和介质 |
| CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
| CN113393032A (zh) * | 2021-06-15 | 2021-09-14 | 西安电子科技大学 | 基于重采样下的航迹循环预测方法 |
| CN114881323A (zh) * | 2022-05-07 | 2022-08-09 | 沈阳工业大学 | 基于深度神经网络的基坑降水区地下水位预测与更新方法 |
| CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及*** |
| CN115526435A (zh) * | 2022-11-09 | 2022-12-27 | 上海交通大学 | 基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法 |
| CN117074951A (zh) * | 2023-07-18 | 2023-11-17 | 国网重庆市电力公司营销服务中心 | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648873A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghorbanzadeh et al. | A new GIS-based technique using an adaptive neuro-fuzzy inference system for land subsidence susceptibility mapping | |
| Wasowski et al. | Toward the next generation of research on earthquake-induced landslides: current issues and future challenges | |
| Zhao et al. | A Comparative Study of Landslide Susceptibility Mapping Using SVM and PSO‐SVM Models Based on Grid and Slope Units | |
| JP6635038B2 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
| McCreight et al. | Snow depth, density, and SWE estimates derived from GPS reflection data: Validation in the western US | |
| CN109085641B (zh) | 用于地震预报的监测数据处理方法、地震预报方法和*** | |
| Boudevillain et al. | The Cévennes‐Vivarais Mediterranean Hydrometeorological Observatory database | |
| Frigerio et al. | A web-based platform for automatic and continuous landslide monitoring: The Rotolon (Eastern Italian Alps) case study | |
| Pudashine et al. | Deep learning for an improved prediction of rainfall retrievals from commercial microwave links | |
| Adnan Ikram et al. | Novel evolutionary-optimized neural network for predicting landslide susceptibility | |
| Pumo et al. | The SESAMO early warning system for rainfall-triggered landslides | |
| Dasgupta et al. | On the impacts of observation location, timing, and frequency on flood extent assimilation performance | |
| CN114493319A (zh) | 跨时间尺度联合的古滑坡复活风险分级评估方法和装置 | |
| Nickles et al. | How does the unique space‐time sampling of the SWOT mission influence river discharge series characteristics? | |
| Bordoni et al. | A methodology for the analysis of continuous time-series of automatic inclinometers for slow-moving landslides monitoring in Piemonte region, northern Italy | |
| Vanden Boomen et al. | Application of deep learning for imaging‐based stream gaging | |
| Prakash et al. | A Bayesian approach to model selection and averaging of hydrostatic-season-temperature-time model | |
| CN117648873B (zh) | 地面沉降预测方法、训练方法、装置、设备 | |
| Du et al. | Impact of assimilating airborne Doppler radar velocity data using the ARPS 3DVAR on the analysis and prediction of Hurricane Ike (2008) | |
| Pasari et al. | Nowcasting-Based Earthquake Hazard Estimation at Major Cities in New Zealand | |
| US20230130725A1 (en) | Systems and methods for encasement of advanced seismic sensors | |
| CN115795952A (zh) | 一种基于有限元和贝叶斯克里金的边坡变形场重构方法 | |
| Tong et al. | Application of novel ensemble models to improve landslide susceptibility mapping reliability | |
| Kitterød | Estimating unconsolidated sediment cover thickness by using the horizontal distance to a bedrock outcrop as secondary information | |
| Dourado et al. | Establishing Reservoir Surface Area-Storage Capacity Relationship Using Landsat Imagery |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240322 Address after: No. 8, Haitai Huake 4th Road, Huayuan Industrial Zone, Binhai New Area, Tianjin 300450 Applicant after: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF STATE GRID TIANJIN ELECTRIC POWER Co. Country or region after: China Applicant after: STATE GRID TIANJIN ELECTRIC POWER Co. Applicant after: STATE GRID CORPORATION OF CHINA Address before: No. 8, Haitai Huake 4th Road, Huayuan Industrial Zone, Binhai New Area, Tianjin 300450 Applicant before: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF STATE GRID TIANJIN ELECTRIC POWER Co. Country or region before: China Applicant before: STATE GRID TIANJIN ELECTRIC POWER Co. Applicant before: STATE GRID CORPORATION OF CHINA Applicant before: Tianjin geological engineering survey and Design Institute Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |