一种基于语义信息驱动的滑坡位移预测模型及方法技术

本发明专利技术提供一种基于语义信息驱动的滑坡位移预测模型，其构建方法如下：通过特征构造和特征组合，将滑坡监测数据转化为语义信息，得到单独组合样本、连续组合样本；采用滑动窗口方差算法将滑坡累计位移曲线划分为平缓阶段、加速阶段；对平缓阶段使用连续组合样本进行深层语义特征提取，对加速阶段使用单独组合样本进行深层语义特征提取；使用连续组合样本、单独组合样本深层语义特征对长短期记忆神经网络进行训练，得到语义信息驱动平缓阶段识别器、语义信息驱动加速阶段预测器；将识别器的输出结果作为交互开关，控制识别器和预测器协同工作。本发明专利技术可以解决对滑坡灾害预测不能区分平缓阶段与加速阶段，对加速阶段日位移量预测不够准确的问题。预测不够准确的问题。预测不够准确的问题。

【技术实现步骤摘要】
一种基于语义信息驱动的滑坡位移预测模型及方法


[0001]本专利技术涉及滑坡灾害预测
，具体涉及一种基于语义信息驱动的滑 坡位移预测模型及方法。

技术介绍

[0002]滑坡灾害给人们生命安全构成极大威胁。为减少滑坡灾害所带来的损失， 需要对滑坡灾害进行预测。近年来，由于大量监测数据的汇入及非线性理论的 发展，已逐步开始通过机器学习来构建滑坡位移的预测模型。在现有技术中， 公开号为CN112651314A的专利技术专利，公开了一种基于语义门及双时态LSTM 的滑坡承灾体自动识别方法，包括以下步骤：对整幅遥感影像进行切割及样本 的制作，构建基于语义门的双时态长短期循环网络，并设置参数，对基于语义 门的双时态长短期循环网络进行训练，获得训练好的基于语义门的双时态长短 期循环网络，使用神经网络对滑坡灾害承灾体进行预测。该方法能够及时准确 地识别受灾区域内的滑坡及其承灾体，进而快速获取灾害等级、受灾范围等信 息，并能够以此为依据进行灾情评估，指导灾后应急救援工作。
[0003]但是，在实际的情况中，滑坡灾害多以阶跃型滑坡的形式发生，整个滑坡 过程分为平缓阶段及加速阶段，平缓阶段日位移量趋于平稳，而加速阶段日位 移剧增，因此，对滑坡加速阶段从何时开始的准确识别，以及对滑坡加速阶段 剧增日位移量的预测，是对滑坡灾害进行准确预测的关键。公开号为 CN112651314A的专利技术专利，其技术方案中的基于语义门的双时态长短期循环 网络，在对滑坡灾害承灾体进行预测时，不能区分平缓阶段与加速阶段，导致 神经网络在训练数据精度表现良好，但实际预测时表现较差，对数值波动性较 大的滑坡加速阶段日位移量预测不够准确，进而影响对滑坡灾害预测的效果。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术提出一种基于语义信息驱动的滑坡位移 预测模型及方法，以解决现有技术中存在的对滑坡灾害预测不能区分平缓阶段 与加速阶段，对数值波动性较大的滑坡加速阶段日位移量预测不够准确，影响 对滑坡灾害预测效果的技术问题。
[0005]本专利技术采用的技术方案如下：
[0006]第一方面，提供了一种基于语义信息驱动的滑坡位移预测模型的构建方法， 包括以下步骤：
[0007]S1、通过特征构造和特征组合，将滑坡监测数据转化为语义信息，得到单 独组合样本、连续组合样本；
[0008]S2、采用滑动窗口方差算法将滑坡累计位移曲线划分为平缓阶段、加速阶 段；
[0009]S3、对平缓阶段使用连续组合样本进行深层语义特征提取，得到连续组合 样本深层语义特征；对加速阶段使用单独组合样本进行深层语义特征提取，得 到单独组合样本深层语义特征；
[0010]S4、使用连续组合样本深层语义特征对长短期记忆神经网络进行训练，得 到语义信息驱动平缓阶段识别器；使用单独组合样本深层语义特征对长短期记 忆神经网络进行训练，得到语义信息驱动加速阶段预测器；
[0011]S5、将语义信息驱动平缓阶段识别器的输出结果作为交互开关，通过交互 开关控制语义信息驱动平缓阶段识别器和语义信息驱动加速阶段预测器协同 工作，得到基于语义信息驱动的滑坡位移预测模型。
[0012]进一步的，通过特征构造和特征组合，将滑坡监测数据转化为语义信息， 包括：
[0013]S1
‑
1、将滑坡监测数据以离散化方式转换以文本为代表的语义信息特征；
[0014]S1
‑
2、通过特征组合对语义信息特征进行组合，得到单独组合样本、连续 组合样本。
[0015]进一步的，深层语义特征提取，包括：
[0016]S3
‑
1、使用词向量生成模型和相对位置编码对组合样本进行词嵌入处理， 得到词嵌入层输出向量；
[0017]S3
‑
2、对词嵌入层输出向量采用多头注意力机制进行计算，得到多头注意 力机制模块输出结果；
[0018]S3
‑
3、对多头注意力机制模块输出结果通过前向传播和层归一化，得到深 层语义特征。
[0019]进一步的，对词嵌入层输出向量采用多头注意力机制进行计算，包括：
[0020]S3
‑2‑
1、计算查询矩阵、键矩阵、值矩阵；
[0021]S3
‑2‑
2、计算多头注意力机制分布结果；
[0022]S3
‑2‑
3、将词嵌入层输出向量与多头注意力机制分布结果相加，通过层归 一化将残差结果进行规范化，得到多头注意力机制模块输出结果。
[0023]进一步的，滑动窗口方差算法如下：以一个预设时间周期作为时间窗口， 滑动计算窗口内方差及其预设百分比的分位数。
[0024]进一步的，预设时间周期为3个自然日，预设百分比为80％。
[0025]第二方面，提供了一种基于语义信息驱动的滑坡位移预测模型，使用第一 方面的模型构建方法构建得到，包括：
[0026]监测数据语义信息转化层，用于将滑坡监测数据转换为语义信息，得到单 独组合样本、连续组合样本；
[0027]阶段划分层，用于将滑坡累计位移曲线划分为平缓阶段、加速阶段；
[0028]深层语义特征提取层，用于根据平缓阶段、加速阶段，分别提取连续组合 样本、单独组合样本的深层语义特征；
[0029]阶段识别和日位移预测层，包括语义信息驱动平缓阶段识别器，用于对滑 坡的平缓阶段、加速阶段进行识别；还包括语义信息驱动加速阶段预测器，用 于对滑坡的加速阶段的日位移量进行预测。
[0030]第三方面，提供了一种基于语义信息驱动的滑坡位移预测方法，根据滑坡 监测数据，比如降雨量，使用第三方面提供的基于语义信息驱动的滑坡位移预 测模型，对滑坡的平缓阶段、加速阶段进行识别，对滑坡的加速阶段的日位移 量进行预测。
[0031]第四方面，提供了一种电子设备，包括：
[0032]一个或多个处理器；
[0033]存储装置，用于存储一个或多个程序；
[0034]当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现 第一方面或第三方面提供的任意一种方法。
[0035]第五方面，提供了一种存储有计算机程序的计算机可读存储介质，计算机 程序被处理器执行时实现第一方面或第三方面提供的任意一种方法。
[0036]由上述技术方案可知，本专利技术的有益技术效果如下：
[0037]构建的基于语义信息驱动的滑坡位移预测模型能充分利用原始监测数据 衍生出的语义信息，对滑坡位移平缓阶段、加速阶段做出定性识别的同时，还 可以对加速阶段滑坡日位移量做出定量预测，提升滑坡预警效果。
附图说明
[0038]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将 对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图 中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并 不一定按照实际的比例绘制。
...

【技术保护点】

【技术特征摘要】
1.一种基于语义信息驱动的滑坡位移预测模型的构建方法，其特征在于，包括以下步骤：S1、通过特征构造和特征组合，将滑坡监测数据转化为语义信息，得到单独组合样本、连续组合样本；S2、采用滑动窗口方差算法将滑坡累计位移曲线划分为平缓阶段、加速阶段；S3、对平缓阶段使用连续组合样本进行深层语义特征提取，得到连续组合样本深层语义特征；对加速阶段使用单独组合样本进行深层语义特征提取，得到单独组合样本深层语义特征；S4、使用连续组合样本深层语义特征对长短期记忆神经网络进行训练，得到语义信息驱动平缓阶段识别器；使用单独组合样本深层语义特征对长短期记忆神经网络进行训练，得到语义信息驱动加速阶段预测器；S5、将语义信息驱动平缓阶段识别器的输出结果作为交互开关，通过交互开关控制语义信息驱动平缓阶段识别器和语义信息驱动加速阶段预测器协同工作，得到基于语义信息驱动的滑坡位移预测模型。2.根据权利要求1所述的基于语义信息驱动的滑坡位移预测模型的构建方法，其特征在于，通过特征构造和特征组合，将滑坡监测数据转化为语义信息，包括：S1
‑
1、将滑坡监测数据以离散化方式转换以文本为代表的语义信息特征；S1
‑
2、通过特征组合对语义信息特征进行组合，得到单独组合样本、连续组合样本。3.根据权利要求1所述的基于语义信息驱动的滑坡位移预测模型的构建方法，其特征在于，所述深层语义特征提取，包括：S3
‑
1、使用词向量生成模型和相对位置编码对组合样本进行词嵌入处理，得到词嵌入层输出向量；S3
‑
2、对词嵌入层输出向量采用多头注意力机制进行计算，得到多头注意力机制模块输出结果；S3
‑
3、对多头注意力机制模块输出结果通过前向传播和层归一化，得到深层语义特征。4.根据权利要求3所述的基于语义信息驱动的滑坡位移预测模型的构建方法，其特征在于，所述对词嵌入层输出向量采用多头注意力机制进行计算，包括：S3
‑2‑
...

【专利技术属性】
技术研发人员：唐菲菲，唐天俊，李润杰，马英，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：